【译】基于MarkupLM的web数据抽取

摘要

网站在当今数字时代已成为许多组织获取信息的关键来源。然而,从多个网站的网页中提取和组织半结构化数据存在挑战,尤其是在希望保持广泛适用性的同时实现高度自动化时。在追求自动化的过程中,自然而然的发展是将网页数据提取的方法从仅能处理单个网站扩展到通常在同一领域内处理多个网站。尽管这些网站共享相同的域,但数据的结构可能差异巨大。一个关键问题是在保持足够准确性的同时,这样的系统能够通用地涵盖大量网站。该论文检查了在多个瑞典保险公司网站上进行的自动化网络数据提取的效率。先前的工作表明,使用包含多个领域网页的已知英语数据集可以取得良好的结果。选择了最先进的模型MarkupLM,并使用监督学习使用两个预训练模型(一个瑞典模型和一个英语模型)在标记的汽车保险客户网络数据的训练集上进行零样本学习。结果显示,这样的模型可以通过利用预训练模型,在源语言为瑞典的情况下,以相对较小的数据集在领域范围内取得良好的准确性。

Read More

Rust中的宏

什么是宏?

宏是一种元编程的方式,和Java1.6引进的AnnotationProcessor类似,它可以在编译时生成源代码。这种元编程技术可以让我们从样板代码中解脱出来,比如Lombok。

Read More

唯物主义历史观

人猿相揖别。只几个石头磨过,小儿时节。铜铁炉中翻火焰,为问何时猜得?不过几千寒热。人世难逢开口笑,上疆场彼此弯弓月。流遍了,郊原血。

一篇读罢头飞雪,但记得斑斑点点,几行陈迹。五帝三皇神圣事,骗了无涯过客。有多少风流人物?盗跖庄屩流誉后,更陈王奋起挥黄钺。歌未竟,东方白。

贺新郎·读史————毛泽东

农业革命:狩猎采集走向定居农耕

Read More

增值税与贫富分化

税收作为继市场分配后的政府二次分配手段,对于调节贫富差距有重要作用。一个好的税制应该需要保持市场主体的积极性,在保证社会效率的同时兼顾社会公平。

在中国,有18个税种(不含已经取消的营业税),但最核心的绝对是增值税。2021年财政收支情况显示增值税收入63519亿元,占全国税收收入36.7%,而第二位的企业所得税42041亿元,占比只有24.3%。尤其是2012到2016年执行营改增(取消营业税改为增值税)之后,增值税进一步扩大了管辖范围。可以说在现在的中国增值税独霸天下,堪称万税之王。

Read More