[论文解读] 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 4

一句话总结

本文介绍了 Klarna 产品页面数据集，这是一个大规模、真实的 e 为 51,701 个手动标注的电子商务产品页面，涵盖 8,175 个真实网站，用于评估基于图神经网络（GNN）的方法在表示 DOM 树元素方面的表现。结果表明，图卷积网络在网页元素预测任务中相比当前最先进方法表现更优。

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.

研究动机与目标

• 为解决真实电子商务环境中网页元素表征学习缺乏真实、大规模数据集的问题。
• 评估基于图的神经网络在学习网页自动化任务中 DOM 树元素有意义表征方面的有效性。
• 通过发布一个公开可访问、可在浏览器中渲染的数据集，降低网页表征学习研究的进入门槛。
• 建立一个用于评估和比较网页元素表征与预测方法的基准。
• 展示图卷积网络在使用学习表征预测网页元素方面优于其他当前最先进模型。

提出的方法

• 适配流行的图神经网络架构，以学习网页 DOM 树中元素的表征。
• 将网页表示为有向、分层的图，其中节点对应 DOM 元素，边表示父子或兄弟关系。
• 在 Klarna 产品页面数据集上训练 GNN 模型，为每个 DOM 元素学习密集向量表征。
• 利用学习到的表征执行下游网页元素预测任务，例如识别用于数据提取的相关元素。
• 使用标准指标在保留的测试集（真实产品页面）上评估模型性能。
• 通过确保所有页面均可在浏览器中完整渲染，充分利用数据集的真实性和多样性，使其能够与计算机视觉和网页自动化流程集成。

实验结果

研究问题

• RQ1 基于图的神经网络能否在真实世界电子商务网页中有效学习 DOM 树元素的有意义表征？
• RQ2 基于 GNN 的表征与其它当前最先进方法相比，在预测自动化任务中相关网页元素时表现如何？
• RQ3 Klarna 产品页面数据集的真实性和多样性在多大程度上提升了表征学习模型的泛化能力和性能？
• RQ4 所提出的数据集能否作为未来网页表征学习研究的稳健基准？
• RQ5 数据集规模和真实世界渲染能力对网页元素预测中模型性能有何影响？

主要发现

• Klarna 产品页面数据集包含来自 8,175 个真实电子商务网站的 51,701 个手动标注的产品页面，具有高度的真实感和多样性。
• 数据集中所有页面均可在浏览器中完整渲染，支持与计算机视觉和网页自动化应用的兼容性。
• 图卷积网络（GCNs）在使用所提出数据集进行网页元素预测任务中优于其他当前最先进方法。
• 基于 GNN 的方法在预测任务中表现更优，证明了图结构表征在 DOM 元素中的有效性。
• 该开放获取数据集的发布降低了网页表征学习研究者的进入门槛，并支持可复现的基准测试。
• 数据集的真实世界属性和浏览器可渲染性使其特别适合在真实网页环境中训练和评估模型。