전자상거래 웹사이트의 제품 제안은 일반적으로 제품 제목과 텍스트 형태의 제품 설명으로 구성됩니다. 측면별 제품 검색(faceted product search) 기능을 활성화하거나 제품 비교 표를 생성하기 위해서는 비정형적인 제품 제목과 설명에서 구조화된 속성-값 쌍을 추출하고, 각 속성을 단일 통합 척도로 정규화하는 것이 필요합니다. 본 논문에서는 GPT-3.5와 GPT-4와 같은 대형 언어 모델(LLMs)을 사용하여 제품 제목과 설명에서 속성 값들을 추출하고 정규화하는 잠재력을 탐구합니다. 우리는 LLMs에게 속성-값 쌍을 추출하고 정규화하도록 지시하기 위한 다양한 제로샷(zero-shot) 및 소수 샷(few-shot) 프롬프트 템플릿을 실험하였습니다. 우리의 실험을 위해 Web Data Commons - Product Attribute Value Extraction (WDC-PAVE) 벤치마크 데이터셋을 소개합니다. WDC-PAVE는 59개의 다른 웹사이트에서 제공되는 schema.org 주석이 포함된 제품 제안으로 구성되어 있습니다. 이들 제품 제안은 각각 특정 속성 집합을 가진 다섯 가지 다른 제품 카테고리에 속합니다. 데이터셋은 두 가지 형태로 수작업으로 확인된 속성-값 쌍을 제공합니다: (i) 직접 추출된 값들과 (ii) 정규화된 속성 값들입니다. 속성 값들의 정규화는 시스템이 다음과 같은 작업들을 수행해야 합니다: 이름 확장(name expansion), 일반화(generalization), 측정 단위 변환(unit of measurement conversion), 그리고 문자열 처리(string wrangling). 우리의 실험 결과, GPT-4가 SU-OpenTag, AVEQA, MAVEQA와 같은 PLM 기반 추출 방법보다 10% 우수한 성능을 보여주며, F1 점수가 91%를 달성하였습니다. 제품 속성 값의 추출 및 정규화에 있어서 GPT-4는 추출 시나리오와 유사한 성능을 보여주며, 특히 문자열 처리와 이름 확장에서 강점을 보였습니다.