[發(fā)明專利]網(wǎng)頁(yè)識(shí)別模型的訓(xùn)練方法、裝置、網(wǎng)頁(yè)識(shí)別的方法

在審

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

本申請(qǐng)實(shí)施例提供一種網(wǎng)頁(yè)識(shí)別模型的訓(xùn)練方法、裝置、網(wǎng)頁(yè)識(shí)別的方法、電子設(shè)備以及存儲(chǔ)介質(zhì)，包括：采集樣本集，對(duì)樣本集中的每一訓(xùn)練圖像進(jìn)行特征提取，得到每一訓(xùn)練圖像的圖像特征，重復(fù)以下步驟，直至得到成熟的網(wǎng)頁(yè)識(shí)別模型：根據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建各圖像特征對(duì)應(yīng)的權(quán)重矩陣，根據(jù)權(quán)重矩陣對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行調(diào)整，網(wǎng)頁(yè)識(shí)別模型用于識(shí)別正常網(wǎng)頁(yè)和異常網(wǎng)頁(yè)，通過(guò)基于正常網(wǎng)頁(yè)的訓(xùn)練圖像、以及異常網(wǎng)頁(yè)的訓(xùn)練圖像對(duì)卷積神經(jīng)網(wǎng)路模型進(jìn)行訓(xùn)練，生成用于對(duì)網(wǎng)頁(yè)進(jìn)行識(shí)別的網(wǎng)頁(yè)識(shí)別模型，可以避免相關(guān)技術(shù)中，采用人工識(shí)別的方式造成的識(shí)別效率較低的弊端，提高了對(duì)網(wǎng)頁(yè)進(jìn)行識(shí)別的智能化，且提高了識(shí)別的準(zhǔn)確性的技術(shù)效果。

技術(shù)領(lǐng)域

本申請(qǐng)實(shí)施例涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種網(wǎng)頁(yè)識(shí)別模型的訓(xùn)練方法、裝置、網(wǎng)頁(yè)識(shí)別的方法、電子設(shè)備以及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)和終端技術(shù)的發(fā)展，用戶通過(guò)瀏覽器瀏覽網(wǎng)頁(yè)以獲取網(wǎng)絡(luò)信息成了日常活動(dòng)之一。

當(dāng)網(wǎng)頁(yè)的腳本等發(fā)生錯(cuò)誤時(shí)，可能導(dǎo)致瀏覽器無(wú)法加載完整的網(wǎng)頁(yè)，從而導(dǎo)致用戶打開(kāi)的網(wǎng)頁(yè)為攜帶錯(cuò)誤信息的網(wǎng)頁(yè)，或者為提示顯示錯(cuò)誤的網(wǎng)頁(yè)，而在現(xiàn)有技術(shù)中，對(duì)網(wǎng)頁(yè)進(jìn)行識(shí)別的方式通常為人工的方式，即通過(guò)人工識(shí)別的方式確定網(wǎng)頁(yè)是否為異常網(wǎng)頁(yè)。

在實(shí)現(xiàn)本申請(qǐng)過(guò)程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在如下問(wèn)題：受人為主觀因素地影響，可能造成識(shí)別的可靠性偏低，且效率較低的問(wèn)題。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供一種網(wǎng)頁(yè)識(shí)別模型的訓(xùn)練方法、裝置、網(wǎng)頁(yè)識(shí)別的方法、電子設(shè)備以及存儲(chǔ)介質(zhì)，用以解決網(wǎng)頁(yè)識(shí)別的準(zhǔn)確性較低的問(wèn)題。

第一方面，本申請(qǐng)實(shí)施例提供一種網(wǎng)頁(yè)識(shí)別模型的訓(xùn)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(yè)的訓(xùn)練圖像、以及異常網(wǎng)頁(yè)的訓(xùn)練圖像；

對(duì)所述樣本集中的每一訓(xùn)練圖像進(jìn)行特征提取，得到每一訓(xùn)練圖像的圖像特征；

重復(fù)以下步驟，直至得到成熟的網(wǎng)頁(yè)識(shí)別模型：根據(jù)預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建各圖像特征對(duì)應(yīng)的權(quán)重矩陣，并根據(jù)所述權(quán)重矩陣對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行調(diào)整；其中，所述權(quán)重矩陣中的每一權(quán)重表征，與所述每一權(quán)重對(duì)應(yīng)的訓(xùn)練圖像為異常網(wǎng)頁(yè)的概率；

其中，所述網(wǎng)頁(yè)識(shí)別模型用于識(shí)別正常網(wǎng)頁(yè)和異常網(wǎng)頁(yè)。

在本實(shí)施例中，通過(guò)基于正常網(wǎng)頁(yè)的訓(xùn)練圖像、以及異常網(wǎng)頁(yè)的訓(xùn)練圖像對(duì)卷積神經(jīng)網(wǎng)路模型進(jìn)行訓(xùn)練，生成用于對(duì)網(wǎng)頁(yè)進(jìn)行識(shí)別的網(wǎng)頁(yè)識(shí)別模型，可以避免相關(guān)技術(shù)中，采用人工識(shí)別的方式造成的識(shí)別效率較低，且準(zhǔn)確性較低的弊端，提高了對(duì)網(wǎng)頁(yè)進(jìn)行識(shí)別的智能化，且提高了識(shí)別的準(zhǔn)確性和可靠性的技術(shù)效果。

在一些實(shí)施例中，根據(jù)預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建各圖像特征對(duì)應(yīng)的權(quán)重矩陣，包括：

針對(duì)每一圖像特征，確定所述每一圖像特征對(duì)應(yīng)的訓(xùn)練圖像為異常網(wǎng)頁(yè)的概率；

根據(jù)所述概率為所述每一訓(xùn)練圖像的圖像特征分配權(quán)重；

根據(jù)所述各圖像特征各自對(duì)應(yīng)的權(quán)重，構(gòu)建所述權(quán)重矩陣。

在本實(shí)施例中，基于概率分配權(quán)重，并基于權(quán)重構(gòu)建權(quán)重矩陣，可以實(shí)現(xiàn)權(quán)重矩陣與網(wǎng)頁(yè)的類型(即正常網(wǎng)頁(yè)或者異常網(wǎng)頁(yè))高度關(guān)聯(lián)，從而提高訓(xùn)練的可靠性和準(zhǔn)確性的技術(shù)效果。

在一些實(shí)施例中，所述每一訓(xùn)練圖像具有第一類別信息，所述第一類別信息表征，訓(xùn)練圖像為正常網(wǎng)頁(yè)或異常網(wǎng)頁(yè)；根據(jù)所述各圖像特征各自對(duì)應(yīng)的權(quán)重，構(gòu)建所述權(quán)重矩陣，包括：

基于所述每一訓(xùn)練圖像的第一類別信息，對(duì)所述每一訓(xùn)練圖像的圖像特征所對(duì)應(yīng)的權(quán)重進(jìn)行調(diào)整，得到每一訓(xùn)練圖像的圖像特征的調(diào)整后的權(quán)重；

根據(jù)各所述調(diào)整后的權(quán)重，得到所述權(quán)重矩陣。