| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的 | 第11-12页 |
| 1.3 本文贡献 | 第12-13页 |
| 第2章 背景技术 | 第13-24页 |
| 2.1 信息抽取相关技术 | 第13-17页 |
| 2.1.1 信息抽取与信息获取的对比 | 第13-14页 |
| 2.1.2 信息抽取主要任务 | 第14-15页 |
| 2.1.3 Web信息抽取 | 第15-17页 |
| 2.2 深度学习相关技术 | 第17-24页 |
| 2.2.1 神经网络与深度学习的发展 | 第17-18页 |
| 2.2.2 循环神经网络 | 第18-20页 |
| 2.2.3 长短时记忆模型-LSTM | 第20-21页 |
| 2.2.4 TensorFlow深度学习编程系统 | 第21-24页 |
| 第3章 基于深度学习的信息抽取模型 | 第24-39页 |
| 3.1 信息抽取模型整体结构 | 第24-26页 |
| 3.2 同网站信息抽取模型 | 第26-34页 |
| 3.2.1 Word Embedding | 第28-29页 |
| 3.2.2 文本节点RNN | 第29-30页 |
| 3.2.3 节点序列RNN | 第30-33页 |
| 3.2.4 Softmax分类 | 第33-34页 |
| 3.3 用于不同网站间Web页面信息抽取的迁移模型 | 第34-39页 |
| 第4章 信息抽取模型的算法实现 | 第39-54页 |
| 4.1 获取网页 | 第39-40页 |
| 4.2 网页内容预处理 | 第40-42页 |
| 4.3 标记目标信息 | 第42-43页 |
| 4.4 TensorFlow模型的建立 | 第43-49页 |
| 4.4.1 词库表的建立 | 第44-45页 |
| 4.4.2 Word Embedding | 第45页 |
| 4.4.3 TensorFlow的构建过程 | 第45-49页 |
| 4.5 启动训练及生成模型 | 第49-50页 |
| 4.6 使用训练模型进行预测 | 第50-52页 |
| 4.7 跨网站页面信息的预测 | 第52-54页 |
| 第5章 实验结果分析 | 第54-68页 |
| 5.1 实验结果评测指标 | 第54-55页 |
| 5.1.1 精确率与召回率 | 第54-55页 |
| 5.1.2 综合评价指标F-Mearsure | 第55页 |
| 5.2 信息抽取结果分析 | 第55-68页 |
| 5.2.1 总体实验结果 | 第56-58页 |
| 5.2.2 训练集页面数量对结果的影响 | 第58-60页 |
| 5.2.3 RNN结构模型对结果的影响 | 第60-62页 |
| 5.2.4 优化算法对结果的影响 | 第62-65页 |
| 5.2.5 跨网站信息抽取结果分析 | 第65-68页 |
| 第6章 结语 | 第68-70页 |
| 6.1 工作总结 | 第68页 |
| 6.2 未来展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |