[論文簡讀] 基於深度學習Web信息抽取與實現

基於深度學習Web信息抽取與實現

2017年 浙大碩士學位論文

1 研究背景、目的以及相關技術

目的：利用神經網絡進行網頁信息抽取

Web信息抽取的相關技術總結

3~5 在其餘論文中並無說起，應該是做者本身概括的

1. 基於天然語言處理方式的信息抽取
2. 基於包裝器（wrapper）概括方式的信息抽取
3. 基於本體的信息抽取
4. 基於HTML結構的信息抽取
5. 基於Web查詢的信息抽取

神經網絡相關技術

• RNN
• LSTM
• Tensorflow

2 基於RNN的信息抽取模型

大體過程就是經過詞向量概括相相似的詞，好比電影領域的詞庫，而後對DOM節點進行配對，猜想是否爲目標節點。

3 算法實現

1. 首先須要獲取必定數量的主題型頁面（好比電影頁面），並對用戶指定的關鍵目標信息進行標記
   （？？？還須要手動標記？？！這檔次差好多了吧！）
2. 而後使用的標記過的樣本頁面進行訓練，使系統得到識別目標信息的能力
3. 網頁內容預處理
   （這個部分就不放了，手動預處理，篩節點，而後添加一些關鍵詞標記）

4 Tensorflow 模型

創建詞庫表

1. 爲每一個單獨的中文漢字而不是詞組創建到詞庫表的映射。
2. 爲每一個解析到的外文單詞創建單獨的映射。
3. 爲全部解析到的數字創建相同的映射。
4. 爲標記過的目標信息類別創建映射表。

emmmm 看不下去了，附上文章連接【萬方】，有興趣的能夠了解一下，就這樣吧，累覺不愛ε=(´ο｀*)))