神经网络：将 HTML 表格转换为 JSON 数据

Question

我对神经网络有点陌生，刚开始通过尝试一些示例来学习对其进行编码。 两周前，我正在寻找一个有趣的挑战，我找到了一个。但是我要放弃了，因为这对我来说似乎太难了……但是我很想知道你们中是否有人能够解决这个问题？

问题：假设存在“.htm”文件，其中包含有关同一主题的表格。但是每个文件的表结构并不相同。例如：我们有很多“.htm”文件，其中包含每所学校每天更换教师的信息。因为这些“.htm”文件的结构对于每个文件都不相同，所以很难编写一个可以从这些表中提取数据的解析器。所以我的想法是，这是神经网络的任务。

第一个问题：这是神经网络可以/应该处理的任务还是我弄错了？

因为对我来说，神经网络似乎适合这种挑战，所以我尝试了输入。我想出了两个选择：

第一个输入选项：将HTML代码（仅来自body-tag）作为字符串并将其转换为张量

第二个输入选项：将 HTML 表格转换为图像（可能通过 Canvas）并通过 Conv2D-Layers 将此输入提供给 DNN。

第二个问题：这些选项有用吗？你有什么更好的解决办法吗？

之后我想弄清楚如何让 DNN 为我输出这些高度动态的数据？我的想法是将我想要的 JSON 输出转换为张量，并在训练时将它们提供给 DNN，对于每个预测，我希望 DNN 返回一个可转换为 JSON 输出的张量......

第三个问题： 是否有可能从 DNN 获得如此详细的输出？如果是：您认为输出适合这项任务吗？

最后一个问题：假设我所有的假设都是正确的 - 训练这个 DNN 不会永远需要吗？假设您有一个 RTX 2080 ti。你猜怎么着？

我想就是这样。我希望我能从你们那里学到很多东西！

（我很抱歉我的英语不好 - 这不是我的母语）

加法：

这是一个更深入的示例。假设我们有一个看起来像这样的“.htm”文件：

任务是从该表中获取所有相关信息。例如： 由于取消，“9c”班的所有学生在第 6 小时内没有课程。

Answer 1

1) 这不是特别适合神经网络的问题，因为您的域是内部具有明确依赖关系的结构化数据。基于树的 ML 算法往往在此类问题上显示出更好的结果。

2) 两种输入方式都非常非结构化。从这些数据中学习几乎是不可能的。这些是为模型提供更多知识的明确方法。例如，您有不同格式的相同数据，不同之处仅在于结构。这意味着模型需要学习从一个结构到另一个结构的映射，它不需要知道任何数据。因此，可以使用唯一标识符对单词进行标记，以删除不必要的信息。 Htm 数据可以解析为树，也可以解析为 json。然后，有不同的方法来表示图结构，可以在 ML 模型中使用。

3) 似乎唯一合适的输出选项是一系列标识符，这些标识符指向文本中的唯一实体。整个问题类似于 Seq2Seq，最好由具有解码器-编码器架构的 RNN 解决。

我相信，如果有足够的数据并且htm文件没有大量的噪音，这个任务是可以完成的。训练时间很大程度上取决于所选模型及其复杂性，以及初始数据的多样性。