[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

本發明涉及頁面元素分類技術領域，特別涉及一種頁面元素分類方法、解析器、介質及設備，其中，一種頁面元素分類方法，包括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；建立邏輯回歸模型，對所述邏輯回歸模型進行分類訓練；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；先通過已知頁面元素的分類及元素特征的提取，以便對邏輯回歸模型進行分類訓練，再利用訓練完成的邏輯回歸模型對頁面文件上的頁面元素進行分類，提升了頁面元素分類的準確率，使分類更貼近于頁面元素的本質特征，從而使得開發人員在升級改造中可以無需閱讀源碼即可得到更加合理的分類結果，降低了人工成本。

技術領域

本發明涉及頁面元素分類技術領域，特別涉及一種頁面元素分類方法、解析器、介質及設備。

背景技術

隨著計算機技術的普及，當今人們的生活已經逐漸走入智能時代。不僅僅是電腦，手機，PAD，人們的衣食住行的方方面面都開始應用出現不久的智能技術，智能電視，智能導航，智能家居等等，智能技術將在人們生活的各個方面提供方便快捷的服務。例如，智能語音交互是基于語音輸入的新一代交互模式，通過說話就可以得到反饋結果。

而互聯網產品復雜多樣，頁面上的設計更是千差萬別。其中，文字與圖片是構成一個網頁的兩個最基本的元素。文字為網頁的內容，圖片為網頁的美觀。除此之外，網頁頁面的元素還包括動畫、音樂、程序等等。通過頁面元素的提取和分類，可以分析用戶的交互行為，從而幫助產品和運營進行后續優化，如中國專利申請(公開號為CN111310044A)公開了一種頁面元素信息的提取方法、裝置、設備和存儲介質，但是該專利申請并未提及頁面元素如何進行分類。現有技術中常用的頁面元素分類主要是基于html標簽分類、通過標簽名稱進行分類或頁面解析器進行頁面渲染。

其中，基于html標簽分類包括塊級元素和行內元素等元素類別，但此種分類方案通常僅適用于進行布局和結構的搭建，無法進行準確的操作方案設計；而僅通過標簽名稱無法真實全面地反映元素所包含的操作邏輯，且容易形成歧義；頁面解析器也僅適用實現展示的固定場景，無法作出有效的分類。而若想進行統一規范地對頁面元素進行操作，則需要人工對頁面文件上的元素進行逐一標注，這樣無疑需要大量的人力成本不利于應用升級改造的實施。

發明內容

為解決上述現有技術中人工對頁面文件上的元素逐一標注效率低的不足，本發明提供的一種頁面元素分類方法，能夠提升了頁面元素分類的準確率，降低了人工成本。

本發明提供的一種頁面元素分類方法，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。

進一步地，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。

進一步地，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。

進一步地，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。