VideoAVE：一个多属性视频到文本属性值提取数据集与基准模型

属性值提取 (AVE) 对结构化电子商务产品信息至关重要。然而，现有的 AVE 数据集主要局限于文本到文本或图像到文本设置，缺乏对产品视频的支持、属性覆盖范围和公开可获取性。为此，我们引入了 VideoAVE，这是第一个跨越14个不同领域、覆盖172个独特属性的视频到文本电子商务 AVE 数据集。为确保数据质量，我们提出了基于CLIP的分层专家过滤系统 (CLIP-MoE) 以去除不匹配的视频-产品对， resulting in a refined dataset of 224k training data and 25k evaluation data。为了评估数据集的可用性，我们进一步建立了全面的基准测试，通过评估几种最先进的视频视觉语言模型 (VLMs) 在属性条件值预测和开放属性值对提取任务下的表现。我们的结果分析显示，视频到文本 AVE 仍是一个具有挑战性的问题，尤其是在开放设置下，仍有足够的空间可以开发更先进的 VLMs 来有效利用时序信息。VideoAVE 数据集和基准代码可在：https://github.com/gjiaying/VideoAVE 获取。