[發(fā)明專利]網(wǎng)頁識別模型的訓練方法、裝置、網(wǎng)頁識別的方法

在審

• 申請?zhí)枺?/td>: 202011447056.3
• 申請日: 2020-12-11
• 公開（公告）號: CN112597828A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設計）人: 周余錢
• 申請（專利權）人: 京東數(shù)字科技控股股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同立鈞成知識產(chǎn)權代理有限公司 11205
• 代理人: 馬姣琴;臧建明

1.一種網(wǎng)頁識別模型的訓練方法，所述方法包括：

采集樣本集，其中，所述樣本集包括：正常網(wǎng)頁的訓練圖像、以及異常網(wǎng)頁的訓練圖像；

對所述樣本集中的每一訓練圖像進行特征提取，得到每一訓練圖像的圖像特征；

重復以下步驟，直至得到成熟的網(wǎng)頁識別模型：根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型構建各圖像特征對應的權重矩陣，并根據(jù)所述權重矩陣對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整；其中，所述權重矩陣中的每一權重表征，與所述每一權重對應的訓練圖像為異常網(wǎng)頁的概率；

其中，所述網(wǎng)頁識別模型用于識別正常網(wǎng)頁和異常網(wǎng)頁。

2.根據(jù)權利要求1所述的方法，其中，根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型構建各圖像特征對應的權重矩陣，包括：

針對每一圖像特征，確定所述每一圖像特征對應的訓練圖像為異常網(wǎng)頁的概率；

根據(jù)所述概率為所述每一訓練圖像的圖像特征分配權重；

根據(jù)所述各圖像特征各自對應的權重，構建所述權重矩陣。

3.根據(jù)權利要求2所述的方法，其中，所述每一訓練圖像具有第一類別信息，所述第一類別信息表征，訓練圖像為正常網(wǎng)頁或異常網(wǎng)頁；根據(jù)所述各圖像特征各自對應的權重，構建所述權重矩陣，包括：

基于所述每一訓練圖像的第一類別信息，對所述每一訓練圖像的圖像特征所對應的權重進行調(diào)整，得到每一訓練圖像的圖像特征的調(diào)整后的權重；

根據(jù)各所述調(diào)整后的權重，得到所述權重矩陣。

4.根據(jù)權利要求1所述的方法，其中，根據(jù)所述權重矩陣對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，包括

根據(jù)所述權重矩陣，對所述卷積神經(jīng)網(wǎng)絡模型中的各卷積層的系數(shù)進行調(diào)整，所述卷積層的系數(shù)用于，結(jié)合所述權重矩陣確定所述每一訓練圖像為正常網(wǎng)頁或異常網(wǎng)頁。

5.根據(jù)權利要求1至4中任一項所述的方法，其中，所述樣本集還包括：正常網(wǎng)頁的驗證圖像、以及異常網(wǎng)頁的驗證圖像；根據(jù)所述權重矩陣對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，包括：

根據(jù)所述權重矩陣對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，并基于調(diào)整后的卷積神經(jīng)網(wǎng)絡模型，確定所述樣本集中各驗證圖像各自對應的驗證結(jié)果，其中，每一驗證結(jié)果表征，與所述每一驗證結(jié)果對應的驗證圖像為正常網(wǎng)頁或者為異常網(wǎng)頁；

根據(jù)各驗證結(jié)果對調(diào)整后的卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整。

6.根據(jù)權利要求5所述的方法，其中，每一驗證圖像具有第二類別信息，所述第二類別信息表征，驗證圖像為正常網(wǎng)頁或異常網(wǎng)頁；根據(jù)各驗證結(jié)果對調(diào)整后的卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整，包括：

基于所述每一驗證結(jié)果、與所述每一驗證結(jié)果對應的驗證圖像的第二類別信息，調(diào)整后的卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整。

7.根據(jù)權利要求1至4中任一項所述的方法，其中，所述樣本集中的訓練圖像的像素相同。

8.一種網(wǎng)頁識別的方法，所述方法包括：

獲取待識別網(wǎng)頁；

基于預先訓練的網(wǎng)頁識別模型，對所述待識別網(wǎng)頁進行識別，得到識別結(jié)果；其中，所述網(wǎng)頁識別模型根據(jù)預設的卷積神經(jīng)網(wǎng)絡模型構建各訓練圖像對應的權重矩陣，并根據(jù)所述權重矩陣對所述卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整得到的，所述權重矩陣中的每一權重表征，與所述每一權重對應的訓練圖像為異常網(wǎng)頁的概率，所述識別結(jié)果為正常網(wǎng)頁或異常網(wǎng)頁。

9.根據(jù)權利要求8所述的方法，其中，基于預先訓練的網(wǎng)頁識別模型，對所述待識別網(wǎng)頁進行識別，得到識別結(jié)果，包括：

基于所述網(wǎng)頁識別模型對所述待識別網(wǎng)頁進行特征提取，得到與所述待識別網(wǎng)頁對應的圖像特征，并基于與所述待識別網(wǎng)頁對應的圖像特征，確定所述識別結(jié)果。

10.根據(jù)權利要求9所述的方法，其中，基于與所述待識別網(wǎng)頁對應的圖像特征，確定所述識別結(jié)果，包括：

基于與所述待識別網(wǎng)頁對應的圖像特征、以及所述網(wǎng)頁識別模型的各卷積層的系數(shù)，確定所述識別結(jié)果。