[發明專利]一種頁面元素分類方法、解析器、介質及設備

在審

• 申請號: 202110378864.7
• 申請日: 2021-04-08
• 公開（公告）號: CN113065600A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 游海濤;梁興通;王琳;楊豐佳
• 申請（專利權）人: 易聯眾信息技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F8/20
• 代理公司: 廈門加減專利代理事務所(普通合伙) 35234
• 代理人: 李強;楊澤奇

1.一種頁面元素分類方法，其特征在于，包括以下步驟：

S100：提取已知頁面元素并分類，對已分類的所述已知頁面元素進行元素特征提取；

S200：建立邏輯回歸模型，對所述邏輯回歸模型進行分類訓練；

S300：根據訓練完成的所述邏輯回歸模型，對頁面文件上的頁面元素進行分類。

2.根據權利要求1所述的一種頁面元素分類方法，其特征在于：根據所述已知頁面元素的功能特點進行分類，所述已知頁面元素包括但不限于展示元素、可操作元素、列表元素或外部元素；

通過判斷所述元素特征包含的影響因子，對比所述影響因子的內容、順序或比重確定元素類型，再根據所述元素類型提取所述元素特征，所述元素特征包括但不限于標簽、結構、命名習慣或屬性事件。

3.根據權利要求2所述的一種頁面元素分類方法，其特征在于：基于Logistic分布函數建立所述邏輯回歸模型，所述Logistic分布函數為

其中，μ為位置參數，γ0為形狀參數。

4.根據權利要求3所述的一種頁面元素分類方法，其特征在于：使用獨熱編碼進行特征編碼提取所述元素特征，所述元素特征對應的所述影響因子為已知影響因子時，所述元素特征形成分類樣本；

通過所述分類樣本對所述邏輯回歸模型進行分類訓練，再擬合決策邊界建立決策邊界與分類訓練概率之間的聯系，使所述邏輯回歸模型得到頁面元素的分類概率。

5.根據權利要求4所述的一種頁面元素分類方法，其特征在于：所述元素特征對應的所述影響因子為未知影響因子時，利用穩定性選擇方法中的隨機邏輯回歸進行特征篩選，再利用篩選后的補充元素特征添加到所述邏輯回歸模型中，反向傳播和修正所述邏輯回歸模型中的元素特征及對應的影響因子。

6.根據權利要求1所述的一種頁面元素分類方法，其特征在于，對頁面文件上的文件頁面元素進行分類包括以下步驟：

S301：提取頁面文件上的頁面元素；

S302：將提取的所述頁面元素輸入至已訓練完成的所述邏輯回歸模型；

S303：所述邏輯回歸模型輸出分類完成的頁面元素組。

7.根據權利要求6所述的一種頁面元素分類方法，其特征在于：步驟301中，在頁面文件上使用XPath的模糊查找，基于document逐層解析Dom節點，進行頁面元素的提取。

8.一種頁面元素分類解析器，其特征在于，包括：

元素提取模塊，用于提取已知頁面元素并分類，對已分類的所述已知頁面元素進行元素特征提取；

建模訓練模塊，用于建立邏輯回歸模型，對所述邏輯回歸模型進行分類訓練；

元素分類模塊，用于根據訓練完成的所述邏輯回歸模型，對頁面文件上的頁面元素進行分類。

9.一種計算機可讀存儲介質，其特征在于：所述計算機可讀存儲介質存儲有計算機指令，所述計算機被處理器執行時實現如權利要求1-7任一項所述的一種頁面元素分類方法。

10.一種計算機設備，其特征在于：包括至少一個處理器、及與所述處理器通信連接的存儲器，其中所述存儲器存儲可被至少一個處理器執行的指令，所述指令被至少一個處理器執行，以使所述處理器執行如權利要求1-7任一項所述的一種頁面元素分類方法。