Benchmarking de los métodos de incrustación de sitios web de última generación para un procesamiento y análisis...

Área de la Ciencia:

• Ciencias de la Computación
• Recuperación de Información
• Ciencia Web

Sus antecedentes:

• La comprensión automática de los sitios web es esencial para diversas aplicaciones.
• La incrustación de sitios web es fundamental para tareas como la monitorización de la transformación digital de los gobiernos locales.
• Es necesaria la evaluación de diferentes métodos de incrustación de sitios web para encontrar soluciones óptimas.

Objetivo del estudio:

• Comparar los métodos de incrustación de sitios web de última generación para la comprensión automática.
• Evaluar la eficacia de los modelos de incrustación visuales, mixtos y textuales para la monitorización de sitios web de gobiernos locales.
• Evaluar el rendimiento del modelo utilizando enfoques de aprendizaje zero-shot y de transferencia.

Principales métodos:

• Comparación de modelos de incrustación de sitios web visuales, mixtos y textuales.
• Modelo base: incrustación de la sección de encabezado del sitio web.
• Evaluación del rendimiento utilizando aprendizaje zero-shot y de transferencia en tres conjuntos de datos.
• Métricas: puntuación de incrustación, rendimiento de clasificación (precisión, puntuación F1) y tiempo de procesamiento.

Principales resultados:

• Homepage2Vec (combinación visual y textual) tuvo el mejor rendimiento en el aprendizaje zero-shot en todos los conjuntos de datos.
• TF-IDF y FNN (basados en texto) lograron un rendimiento superior en el aprendizaje de transferencia (agrupación, precisión, puntuación F1).
• El modelo base ofrece una alternativa más rápida, con una mejora de la velocidad de 1,88 veces y una disminución de la puntuación F1 de solo el 10%.

Conclusiones:

• Los métodos de incrustación de sitios web varían en eficacia según el enfoque de aprendizaje (zero-shot vs. aprendizaje de transferencia).
• TF-IDF y FNN es óptimo para tareas de aprendizaje de transferencia que requieren alta precisión.
• El modelo base proporciona una solución práctica y eficiente en el tiempo para el procesamiento de datos a gran escala.