数据集概述
本数据集包含对Webis-Web-Archive-17中一万个网页存档的多种标注，涵盖广告占比、页面完整性、加载状态、色情内容等类别，以及弹窗、验证码、错误信息的显示程度，为网页内容质量分析提供标注数据支持。
文件详解
该数据集包含四个文件，具体说明如下：
- 数据文件:
- webis-web-archive-17-content-errors.csv: CSV格式文件，包含网页标注数据，字段包括id（网页ID）、ad（是否为广告）、cutoff（是否截断）、loading（是否加载中）、pornographic（是否色情）、popup（弹窗显示程度）、captcha（验证码显示程度）、error（错误信息显示程度）。
- 文档文件:
- webis-web-archive-17-content-error-tags.txt: TXT格式文件，包含网页错误标签相关内容。
- 图像文件:
- annotation-interface.png: PNG格式图片，展示标注界面。
- curation-interface.png: PNG格式图片，展示整理界面。
适用场景
- 网页存档质量评估: 分析网页存档的内容完整性、加载状态及干扰元素分布。
- 网络内容过滤研究: 探索广告、色情内容等不良信息的自动识别方法。
- 用户体验分析: 研究弹窗、验证码等元素对网页浏览体验的影响。
- 数字档案管理: 优化网页存档的筛选与整理策略，提升存档资源可用性。
