简介
从研究人员的主页(HTML)中提取信息,并将信息自动分为三类(您可以添加更多的类)。支持中英文页面。
可以分成的类别:
- publication
- education
- honor
详细
从互联网文本数据中提取并分类学术行为的流程如下图所示,整个过程是线性的。在正式提取学术行为之前,首先人工标注互联网中少量的学术行为,生成训练集后,采用fastText进行训练生成模型并保存。
接下来通过Python爬虫获取HTML元数据,将HTML数据传入网页正文提取算法WNBTE中获得正文文本,其中正文提取算法通过统计HTML不同标签中文本字数的比值来判断正文所在的位置,能够有效去除冗余无关的HTML标签。随后对正文文本段落进行短语级切分,分词后传入fastText神经网络,利用已经训练好的数据模型对短语进行分类,打上标签。
项目结构
- ff_classifier: 使用fasttext自动训练和预测学术行为(训练时间小于1s)
- text_toolkit.py: 提取具有一定模式的字符串,如邮箱,手机号,时间等
- profile_class.py: 研究人员的类
- html_extract.py: 提取HTML元素
- demo.py: demo
结果预览(部分)
1 2 3 4 5 6 7 8 9 10 11 12 |
honor 0.7774751782417297 2013 Aug. 2013, KSEM'13 Best Paper Award ---- honor 0.7579861879348755 2013 Aug. 2013, CCML'13 Outstanding Student Paper Award ---- honor 0.5015735626220703 2012 Mar.2012, Google Technology Student Expert Award ---- publication 0.7918424606323242 Hongyuan Zhu, Qi Liu*, Nicholas Jing Yuan*, Kun Zhang, Enhong Chen. Pop Music Generation: from Melody to Multi-style Arrangement. ACM Transactions on Knowledge Discovery from Data (ACM TKDD). (Accepted) [Data] ---- education 0.5010859370231628 2011 Teaching Assistant, Data Mining (Prof. Hui Xiong). Rutgers Business School, Rutgers University, Feb. 2011~May. 2011. ---- education 0.3986995816230774 2010 Development Engineer, Personalized Recommendation Team. Alibaba (China) Technology Co., Ltd. Mar.2010~Aug.2010. ---- |
PS
如果您想提高提取器的效率或准确性,您可以在ff_classifier/train_data.txt中添加更多的训练数据,或调整ff_classifier/ classifiere .py中的第20行训练配置。
1 2 |
# Line 20 self.classifier = ff.train_supervised("ff_classifier/train_data.txt", epoch=100, dim=50, lr=0.1, wordNgrams=2, minCount=0, loss="softmax") |
代码地址:https://github.com/xyjigsaw/fastProfileExtractor