DOM-LM:HTML文書のための一般化可能表現の学習【JST・京大機械翻訳】

Deng Xiang; Shiralkar Prashant; Lockard Colin; Huang Binxuan; Sun Huan

プレプリント

J-GLOBAL ID：202202203352418610 整理番号：22P0279768

DOM-LM:HTML文書のための一般化可能表現の学習【JST・京大機械翻訳】

DOM-LM: Learning Generalizable Representations for HTML Documents

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月25日プレプリントサーバーでの情報更新日： 2022年01月25日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

HTML文書は,人間の消費のためのWebに関する情報を分割するための重要なメディアである。HTML文書は,非構造化テキスト,構造化鍵値ペア,およびテーブルを含む複数のテキストフォーマットにおける情報を提供する。これらの文書の有効な表現は,質問Answing,Web検索,および個人化のような広範囲の応用を可能にするための機械理解に不可欠である。既存の研究は,典型的に計算的に高価であるブラウザでそれらをレンダリングすることにより抽出した視覚特徴を用いてこれらの文書を表現し,そのHTML構造で提示された有用な情報を捉えることに失敗する。テキストとHTML構造はコンテンツの重要な意味論を伝達し,従って,それらの表現学習のための特別な処理を保証することを論じた。本論文では,Webページ,dubbed DOM-LMに対する新しい表現学習アプローチを導入し,これは,テキストとDOMツリー構造を,変圧器ベース符号器で符号化し,自己教師付き事前訓練によるHTML文書のための一般化可能表現を学習することにより,既存の手法の限界を扱う。Attribute抽出,Open Information Expression,およびQuestation Answingを含む,様々なWebページ理解タスクに関するDOM-LMを評価した。著者らの広範な実験は,DOM-LMがこれらのタスクのために設計したすべてのベースラインを一貫して凌ぐことを示した。特に,DOM-LMは,少数ショットとゼロショット設定の両方でより良い一般化性能を示し,限られたラベル付きデータによる実世界アプリケーション設定に適したものにする。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 応用プログラミング言語 , 自然語処理

, , , ,

前のページに戻る