网页中的超文本实体抽取
计算与语言
2024-03-05 v1 人工智能
摘要
网页实体抽取是研究和应用中的一项基础自然语言处理任务。如今，大多数网页实体抽取模型都是在结构化数据集上训练的，这些数据集努力保留文本内容及其结构信息。然而，现有数据集都忽略了丰富的超文本特征（例如字体颜色、字体大小），而这些特征在先前的工作中已显示出其有效性。为此，我们首先从电子商务领域收集了一个超文本实体抽取数据集（HEED），抓取了文本和相应的显式超文本特征，并带有高质量的人工实体标注。此外，我们提出了基于 MoE 的实体抽取框架（MoEEF），该框架通过混合专家模型高效集成多种特征以增强模型性能，并优于强基线，包括最先进的小规模模型和 GPT-3.5-turbo。此外，还分析了 HEED 中超文本特征的有效性以及 MoEEF 中几个模型组件的有效性。
引用
@article{arxiv.2403.01698,
title = {Hypertext Entity Extraction in Webpage},
author = {Yifei Yang and Tianqiao Liu and Bo Shao and Hai Zhao and Linjun Shou and Ming Gong and Daxin Jiang},
journal= {arXiv preprint arXiv:2403.01698},
year = {2024}
}