[论文简读] Deep Neural Networks for Web Page Information Extraction 基于深层神经网络进行网页信息提取

简单介绍

本文主要介绍了一种基于神经网络并结合视觉信息、文本信息的多网站通用包装器（wrapper）

本文的几个贡献
o 提出了一种将数据从web渲染引擎编码到深层神经网络的方法，即文本的空间编码方法
o 测试了该方法，并验证了其在非通用网站上提取信息的可行性
o 公开了数据集（暂未公开，从代码上看也是自己去找适合的网页爬下来的）、源码和最终模型

基本流程

1. 利用web引擎进行渲染，保存截图（视觉信息）以及DOM树（编码信息）

2. 使用卷积神经网络预测候选元素是否是目标元素

神经网络

神经网络框架采用了Caffe作为模型训练框架

预处理

从DOM树中提取所有的节点以及其位置，以矩形框表示，使用其文本作为文本输入, 叶节点作为候选输入，然后使用卷积神经网络来处理视觉信息和文本信息，得到一个预测概率P

空间文本编码

网络架构

o Screenshot 屏幕截图 由三个卷积层处理(前两层用来自BVLC AlexNet的预先训练的权重初始化)
o TextMap 的张量尺寸为128x160x160
o Candidates 候选列表

过程：视觉特征提取，然后与文本特征(中间)结合。 将候选框的坐标投影到最终的特征张量，并使用ROI MaxPool-ing提取结果向量。 最后，使用softmax的线性模型将向量分类为预定义的类。

实例