[논문 리뷰] The Klarna Product Page Dataset: A Realistic Benchmark for Web Representation Learning.

Alexandra Hotti, Riccardo Sven Risuleo외 3명|arXiv (Cornell University)|2021. 11. 03.

Web Data Mining and Analysis참고 문헌 40인용 수 4

한 줄 요약

이 논문은 8,175개의 실제 웹사이트에서 수집한 총 51,701개의 수동으로 레이블이 부여된 전자상거래 제품 페이지로 구성된 대규모이고 현실적인 Klarna Product Page Dataset을 소개하며, DOM 트리 요소를 표현하기 위한 그래프 신경망(GNN) 기반 방법을 평가한다. 결과적으로 그래프 컬러레이션 네트워크(GCN)가 최신 기술 수준의 방법들보다 웹 요소 예측 작업에서 더 우수한 임베딩을 생성함을 입증한다.

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.

연구 동기 및 목표

• 실제 전자상거래 환경에서 웹 요소 표현 학습을 위한 현실적이고 대규모인 데이터셋의 부족을 해결하기 위해.
• 웹 자동화 작업을 위한 DOM 트리 요소의 의미 있는 표현을 학습하는 데 있어 그래프 기반 신경망의 효과성을 평가하기 위해.
• 실제 제품 페이지를 포함한 공개 접근이 가능한 브라우저 렲영 가능한 데이터셋을 공개하여 웹 표현 학습 분야의 연구 진입 장벽을 낮추기 위해.
• 웹 요소 표현 및 예측을 평가하고 비교하기 위한 벤치마크를 수립하기 위해.
• 학습된 임베딩를 사용하여 웹 요소를 예측할 때 그래프 컬러레이션 네트워크(GCN)가 다른 최신 기술 수준의 모델들보다 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• 웹사이트 DOM 트리의 요소 표현을 학습하기 위해 일반적으로 사용되는 그래프 신경망 아키텍처를 적응하여 적용하기 위해.
• 노드가 DOM 요소에 해당하고 간선이 부모-자식 또는 형제 관계를 나타내는 방향성 있고 계층적인 그래프로 웹페이지를 표현하기 위해.
• Klarna Product Page Dataset을 기반으로 GNN 모델을 훈련하여 각 DOM 요소에 대한 조밀한 벡터 임베딩을 학습하기 위해.
• 학습된 임베딩를 사용하여 데이터 추출을 위한 관련 요소를 식별하는 등의 후행 작업인 웹 요소 예측 작업을 수행하기 위해.
• 실제 제품 페이지로 구성된 보류된 테스트 세트에서 표준 지표를 사용하여 모델 성능을 평가하기 위해.
• 모든 페이지가 웹 브라우저에서 완전히 렌더링 가능하도록 보장하여 데이터셋의 현실성과 다양성을 활용함으로써 컴퓨터 비전 및 웹 자동화 파이프라인과의 통합을 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 그래프 기반 신경망은 실제 전자상거래 웹페이지의 DOM 트리 요소에 대해 의미 있는 표현을 효과적으로 학습할 수 있는가?
• RQ2 웹 자동화 작업을 위한 관련 웹 요소를 예측할 때 GNN 기반 임베딩는 다른 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ3 Klarna Product Page Dataset의 현실성과 다양성이 표현 학습 모델의 일반화 능력과 성능 향상에 얼마나 기여하는가?
• RQ4 제안된 데이터셋은 향후 웹 표현 학습 분야의 연구를 위한 견고한 벤치마크로 기능할 수 있는가?
• RQ5 데이터셋의 규모와 실제 웹 환경에서의 렌더링 기능은 웹 요소 예측 성능에 어떤 영향을 미치는가?

주요 결과

• Klarna Product Page Dataset는 8,175개의 실제 전자상거래 웹사이트에서 수집한 총 51,701개의 수동으로 레이블이 부여된 제품 페이지를 포함하며, 높은 현실성과 다양성을 제공한다.
• 데이터셋의 모든 페이지는 웹 브라우저에서 완전히 렌더링 가능하여 컴퓨터 비전 및 웹 자동화 응용 프로그램과의 호환성을 확보한다.
• 그래프 컬러레이션 네트워크(GCN)가 제안된 데이터셋을 사용한 웹 요소 예측 작업에서 다른 최신 기술 수준의 방법들보다 뛰어난 성능을 보였다.
• GNN 기반 접근법은 DOM 요소에 대한 그래프 기반 표현의 효과성을 입증하며, 예측 작업에서 뛰어난 성능을 달성하였다.
• 이 개방형 데이터셋의 공개는 웹 표현 학습 분야의 연구자들이 연구에 쉽게 접근할 수 있도록 하였고 재현 가능한 벤치마크를 가능하게 하였다.
• 실제 환경 기반의 성격과 브라우저 렌더링 가능성 덕분에 이 데이터셋은 실제 웹 환경에서 모델을 훈련하고 평가하는 데 특히 적합하다.