[論文レビュー] The Klarna Product Page Dataset: A Realistic Benchmark for Web Representation Learning.

Alexandra Hotti, Riccardo Sven Risuleo+3 more|arXiv (Cornell University)|Nov 3, 2021

Web Data Mining and Analysis参考文献 40被引用数 4

ひとこと要約

本稿では、8,175の実際のウェブサイトから収集された51,701件の手動ラベル付与済みのeコマース製品ページから構成される大規模かつ現実的なデータセット、Klarna Product Page Datasetを紹介し、DOMツリー要素の表現にグラフニューラルネットワーク（GNN）ベースの手法を評価する。本研究では、最先端の手法と比較して、グラフ畳み込みネットワーク（GCN）がWeb要素予測タスクにおいて優れた埋め込み表現を生成することを示している。

ABSTRACT

This paper tackles the under-explored problem of DOM tree element representation learning. We advance the field of machine learning-based web automation and hope to spur further research regarding this crucial area with two contributions. First, we adapt several popular Graph-based Neural Network models and apply them to embed elements in website DOM trees. Second, we present a large-scale and realistic dataset of webpages. By providing this open-access resource, we lower the entry barrier to this area of research. The dataset contains $51,701$ manually labeled product pages from $8,175$ real e-commerce websites. The pages can be rendered entirely in a web browser and are suitable for computer vision applications. This makes it substantially richer and more diverse than other datasets proposed for element representation learning, classification and prediction on the web. Finally, using our proposed dataset, we show that the embeddings produced by a Graph Convolutional Neural Network outperform representations produced by other state-of-the-art methods in a web element prediction task.

研究の動機と目的

• 実際のeコマース環境におけるウェブ要素表現学習のための現実的で大規模なデータセットの不足に対処すること。
• ウェブオートメーションタスクにおけるDOMツリー要素の意味的な表現を学習するためのグラフベースのニューラルネットワークの有効性を評価すること。
• 実際の製品ページを含む公開可能でブラウザでレンダリング可能なデータセットを提供することで、ウェブ表現学習分野における研究の入り口を低くすること。
• ウェブ要素表現および予測に関する手法の評価と比較のためのベンチマークを確立すること。
• 学習済み埋め込みを用いたWeb要素予測において、グラフ畳み込みネットワーク（GCN）が他の最先端モデルを上回ることを示すこと。

提案手法

• ウェブサイトのDOMツリー内の要素の表現を学習するために、一般的に用いられるグラフニューラルネットワークアーキテクチャを適応すること。
• ノードをDOM要素に、エッジを親子関係または兄弟関係に割り当てる、有向かつ階層的なグラフとしてウェブページを表現すること。
• Klarna Product Page Dataset上でGNNモデルを学習させ、各DOM要素の密なベクトル埋め込みを学習すること。
• 学習済み埋め込みを用いて、データ抽出に適した要素を特定するなどの下流タスクにおけるWeb要素予測を実行すること。
• 実際の製品ページのホールドアウトテストセットを用いて、標準的な指標でモデル性能を評価すること。
• すべてのページがWebブラウザで完全にレンダリング可能であることを保証することで、データセットの現実性と多様性を活用し、コンピュータビジョンおよびウェブオートメーションパイプラインへの統合を可能にすること。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのニューラルネットワークは、実際のeコマースウェブページにおけるDOMツリー要素の意味的な表現を効果的に学習できるか？
• RQ2 GNNベースの埋め込みは、オートメーションタスクにおける関連するWeb要素を予測する際、他の最先端手法と比較してどうなるか？
• RQ3 Klarna Product Page Datasetの現実性と多様性は、表現学習モデルの一般化性能および性能をどの程度向上させるか？
• RQ4 提案されたデータセットは、今後のウェブ表現学習分野における研究の強固なベンチマークとして機能できるか？
• RQ5 データセットの規模および実際のWebレンダリング能力は、Web要素予測におけるモデル性能にどのような影響を与えるか？

主な発見

• Klarna Product Page Datasetには、8,175の実際のeコマースウェブサイトから収集された51,701件の手動ラベル付与済み製品ページが含まれており、高い現実性と多様性を備えている。
• データセットに含まれるすべてのページは、Webブラウザで完全にレンダリング可能であり、コンピュータビジョンおよびウェブオートメーションアプリケーションとの互換性を有している。
• グラフ畳み込みネットワーク（GCN）は、提案されたデータセットを用いたWeb要素予測タスクにおいて、他の最先端手法を上回る性能を示している。
• GNNベースのアプローチは、DOM要素の表現にグラフベースの表現が有効であることを示しており、予測タスクで優れた性能を達成している。
• このオープンアクセスデータセットの公開により、ウェブ表現学習分野における研究者の参入障壁が低下し、再現可能なベンチマークが可能になった。
• データセットの実世界の性質とブラウザでのレンダリング可能性から、実際のWeb環境におけるモデルのトレーニングおよび評価に特に適している。