评估大语言模型在HTML文件中关键词提取能力的测试数据集

1、数据采集：提取指定行业相关的公开网页信息，存为HTML文件；
2、数据处理：1）清除HTML文件中的代码信息(如“css、JavaScript代码”)后，保留文字内容；2）从文字内容中提取与业务相关的关键信息（如主题、发布时间、地址、期限、审查结果等)；3）对关键信息进行表达方式分类，表达方式分类包括：文本、表格；4）根据不同的表达方式分类定义JSON包，构成在HTML文件中关键词提取能力的测试数据集；
3、数据应用：将测试数据集包输入LLM模型获取HTML文件主要内容，判断LLM模型的关键词提取能力的准确度和提取速度。

搜集汇总

背景与挑战

背景概述

该数据集是一个包含400条数据的测试数据集，用于评估大语言模型在HTML文件中提取关键词的准确性与速度。数据来源于指定行业的公开网页信息，经过处理后保留文字内容并提取关键信息，适用于需要精准快速获取关键业务信息的行业场景。