首页/ 天津海量信息技术股份有限公司/ 专利详情

基于深度学习的网页模式识别方法及视觉结构学习方法

基本信息

申请号 CN201510670711.4 申请日 -
公开（公告）号 CN105302884B 公开（公告）日 2019-02-19
申请公布号 CN105302884B 申请公布日 2019-02-19
分类号 G06F16/955;G06N3/08;G06F17/27 分类 计算；推算；计数;
发明人 李志杰;刘丽丽;张作职 申请（专利权）人 天津海量信息技术股份有限公司
代理机构 天津市尚文知识产权代理有限公司 代理人 天津海量信息技术股份有限公司
地址 300020 天津市和平区南马路11号麦购国际大厦23层
法律状态 -

摘要

摘要 一种基于深度学习的网页模式识别方法，包括以下步骤：以非格式化文本，网页的超文本标记语言的Text源码作为算法输入；将上述源码进行分词；设计堆叠降噪自动编码器，作为网页的特征学习算法；采用神经网络语言模型对SDAE的输入进行初始化；采用分类算法对通过SDAE学习到的文本特征向量进行分类；将上述分类结果进行输出。一种网页视觉结构学习方法，用机器学习的方法学习HTML的Text源码的结构，并以此学习网页的视觉结构。本发明用自然语言处理的方法处理人工语言，用深度学习的方法及神经网络语言模型对HTML的Text源码进行特征学习，通过本发明可对各类型网站，如博客、论坛、资讯等的网页模式进行精确识别。