基于深度学习Web信息抽取与实现

2017年 浙大硕士学位论文

1 研究背景、目的以及相关技术

目的：利用神经网络进行网页信息抽取

Web信息抽取的相关技术总结

3~5 在其他论文中并没有提及，应该是作者自己归纳的

1. 基于自然语言处理方式的信息抽取
2. 基于包装器（wrapper）归纳方式的信息抽取
3. 基于本体的信息抽取
4. 基于HTML结构的信息抽取
5. 基于Web查询的信息抽取

神经网络相关技术

• RNN
• LSTM
• Tensorflow

2 基于RNN的信息抽取模型

大致过程就是通过词向量归纳相类似的词，比如电影领域的词库，然后对DOM节点进行配对，猜测是否为目标节点。

3 算法实现

1. 首先需要获取一定数量的主题型页面（比如电影页面），并对用户指定的关键目标信息进行标记
   （？？？还需要手动标记？？！这档次差好多了吧！）
2. 然后使用的标记过的样本页面进行训练，使系统获得识别目标信息的能力
3. 网页内容预处理
   （这个部分就不放了，手动预处理，筛节点，然后添加一些关键词标记）

4 Tensorflow 模型

建立词库表

1. 为每个单独的中文汉字而不是词组建立到词库表的映射。
2. 为每个解析到的外文单词建立单独的映射。
3. 为所有解析到的数字建立相同的映射。
4. 为标记过的目标信息类别建立映射表。

emmmm 看不下去了，附上文章链接【万方】，有兴趣的可以了解一下，就这样吧，累觉不爱ε=(´ο｀*)))