基于HMM和小波神經(jīng)網(wǎng)絡(luò)混合模型的Web信息抽取_李少天
隱馬爾科夫模型(HMM)是一種描述隨機(jī)過(guò)程統(tǒng)計(jì)特性的概 率模型,有強(qiáng)大的動(dòng)態(tài)時(shí)序建模能力。但 HMM 本身有一些缺點(diǎn), 如分類決策能力弱,需要先驗(yàn)知識(shí)等,而且其自適應(yīng)性,魯棒性都 不夠理想。人工神經(jīng)網(wǎng)絡(luò)(ANN)有很好的分類決策能力、自適應(yīng) 性及魯棒性,并已得到廣泛應(yīng)用。因此,充分利用二者各自的優(yōu) 點(diǎn),建立一個(gè) HMM 和 ANN 的混合模型,可以進(jìn)一步提高信息抽 取的精準(zhǔn)度。 通過(guò)小波分析理論來(lái)指導(dǎo)初始化和參數(shù)選取的神經(jīng)網(wǎng)絡(luò), 稱為小波神經(jīng)網(wǎng)絡(luò)(WNN)。相對(duì)于 ANN,WNN 可以使網(wǎng)絡(luò)具有 較簡(jiǎn)單的拓?fù)浣Y(jié)構(gòu)和較快的收斂速度。而且,小波基函數(shù)及整個(gè) 網(wǎng)絡(luò)結(jié)構(gòu)的確定有可靠的理論依據(jù),避免了網(wǎng)絡(luò)設(shè)計(jì)的盲目性。 本文提出一種 WNN 與 HMM 相結(jié)合的混合模型,并用于信息抽 取?；旌夏Ｐ蛯⒔⑷N不同的 WNN:訓(xùn)練階段通過(guò) WNN(記 為 WNN)計(jì)算 HMM 的觀察概率密度;信息抽取階段根據(jù)網(wǎng)頁(yè)節(jié) 點(diǎn)的特征值,利用 WNN(記為 WNN)從已建立的 HMM 集合中調(diào) 用相應(yīng)的 HMM;對(duì)于 HMM 無(wú)法準(zhǔn)確抽取的重要信息,將該節(jié)點(diǎn) 及其上下文節(jié)點(diǎn)的特征值輸入到 WNN(記為 WNN),利用 WNN 做輔助判別。