[論文レビュー] Simplified DOM Trees for Transferable Attribute Extraction from the Web

Yichao Zhou, Ying Sheng+3 more|arXiv (Cornell University)|Jan 7, 2021

Web Data Mining and Analysis参考文献 45被引用数 11

ひとこと要約

本稿では、視覚的特徴を用いない簡略化されたDOMツリーを用いて、Webページからの属性抽出のための移植性のある手法SimpDOMを提案する。DOMツリー内の構造的文脈とノード関係を活用することで、SimpDOMは最先端の性能を達成し、従来手法よりもF1スコアを1.44%向上させ、クロスバーチャル少数-shot設定において領域外の知識を用いることでさらに1.37%向上を達成した。

ABSTRACT

There has been a steady need to precisely extract structured knowledge from the web (i.e. HTML documents). Given a web page, extracting a structured object along with various attributes of interest (e.g. price, publisher, author, and genre for a book) can facilitate a variety of downstream applications such as large-scale knowledge base construction, e-commerce product search, and personalized recommendation. Considering each web page is rendered from an HTML DOM tree, existing approaches formulate the problem as a DOM tree node tagging task. However, they either rely on computationally expensive visual feature engineering or are incapable of modeling the relationship among the tree nodes. In this paper, we propose a novel transferable method, Simplified DOM Trees for Attribute Extraction (SimpDOM), to tackle the problem by efficiently retrieving useful context for each node by leveraging the tree structure. We study two challenging experimental settings: (i) intra-vertical few-shot extraction, and (ii) cross-vertical fewshot extraction with out-of-domain knowledge, to evaluate our approach. Extensive experiments on the SWDE public dataset show that SimpDOM outperforms the state-of-the-art (SOTA) method by 1.44% on the F1 score. We also find that utilizing knowledge from a different vertical (cross-vertical extraction) is surprisingly useful and helps beat the SOTA by a further 1.37%.

研究の動機と目的

• 最小限の人的ラベル付けで、未観測の多様なWebサイトにおいて構造化された属性を抽出する課題に対処すること。
• 計算コストの高い視覚的特徴に依存する既存手法の限界を克服し、DOMツリー内のノード関係を適切にモデル化すること。
• 少量のラベル付き例で異なるWebバーチャル（例：書籍、映画、求人）に一般化可能な、ワンステージで移植可能なモデルを開発すること。
• 異なるバーチャル間の少数-shot学習の有効性を検証し、ある分野からの知識が別の分野での抽出性能を向上させるかを調査すること。
• レンダリングベースや二段階モデルの代替として、スケーラブルで効率的なWeb属性抽出のための代替手段を提供すること。

提案手法

• 属性抽出に必要な意味的構造のみを保持し、不要なノードを除去することで、簡略化されたDOMツリーを構築する。
• 隣接ノードからの文脈的特徴を集約することで、意味的ヒント（例：'by' など）や属性値の共起性を重視した豊富なノード表現を生成する。
• 視覚的レンダリングを一切行わず、近接関係や階層的関係を符号化するツリー構造に配慮した表現を用いて、ノードレベルの文脈をモデル化する。
• ノードの文脈的表現に基づき、各ノードに対して属性タイプ（例：著者、価格）を分類するワンステージの分類モデルを訓練する。
• 新しいWebサイトや分野の少額ラベル付き例で微調整することで、関連するバーチカルからの知識を活用した転移学習を可能にする。
• ウェブサイトに依存しない信号（例：著者を示す'by'の直前）とバーチカルに依存しないパターン（例：グループ化された属性クラスタ）を捉えるために、簡略化された近傍定義を用いる。

実験結果

リサーチクエスチョン

• RQ1 視覚的特徴に依存せずに、異なるWebバーチカル間で高い移植性を達成できるDOMツリーに基づく手法は可能か？
• RQ2 同じドメインからの少数のラベル付きWebサイト（少額）を用いた場合、イントラバーチカル少数-shot属性抽出はどの程度有効か？
• RQ3 他のバーチカル（領域外）からの知識は、少数-shot属性抽出性能をどの程度向上させ得るか？
• RQ4 DOMツリーにおけるどの構造的・意味的ヒントが属性値の特定に最も有益か？
• RQ5 F1スコアおよび一般化能力の観点から、提案手法は最先端の手法と比較してどの程度優れているか？

主な発見

• SimpDOMは、SWDEデータセットにおいてイントラバーチカル少数-shot抽出設定下で、最先端手法よりもF1スコアを1.44%向上させた。
• 他のバーチカルからの領域外知識を活用した場合、SimpDOMはSOTAをさらに1.37%上回る性能を達成し、強力な移植性を示した。
• k=3の条件下で、最も有益な領域外バーチカルを知識源として使用した場合、すべてのバーチカルで平均F1スコア93%を達成した。
• クロスバーチカル知識移転の対称的ヒートマップから、特定のバーチカルペア（例：書籍とnbaplayer、求人と映画）間で相互に利益をもたらす構造的パターンの共有が確認された。
• 簡略化されたツリー近傍を用いることで、'by'の直前に著者名が続くなどの意味的ヒントや、ISBN・出版者などのグループ化された属性値を効果的に捉えた。
• レンダリング不要、メモリ集約的な画像保存不要、複雑な前処理パイプライン不要という点で、視覚的特徴ベースや二段階モデルを上回る性能を発揮した。