CN104615756A - 网页加载方法 - Google Patents

Abstract

本发明提供一种网页加载方法。本发明网页加载方法，包括：终端将当前页面的地址信息与第一历史站点模型进行匹配，训练得到第二历史站点模型，第一历史站点模型和第二历史站点模型均包括用户历史访问的地址信息；终端向服务器发送当前页面的地址信息，以使服务器根据当前页面的地址信息获取当前页面的标题中的关键词，并与预测模型进行训练，得到预测信息，预测模型包括用户历史访问的各站点的关键词信息；终端接收服务器发送的预测信息；终端根据预设条件从预测信息中选择出对应的预取对象，预取对象包括标题地址；终端根据预取对象，从网络侧下载预取对象对应的资源到浏览器的缓存中。有效的缩短了网页的加载时间，提高用户体验。

Description

网页加载方法

技术领域

本发明涉及通信技术，尤其涉及一种网页加载方法。

背景技术

随着移动互联网的快速发展，智能移动终端的使用越来越普及。用户经常会在自己的碎片时间段内通过智能移动终端中的浏览器浏览网页来获取用户所需内容。

由于无线网络本身相对于有线网络具有更高的丢包率和额外的网络延迟，这样就会导致智能移动终端的网页浏览比桌面端的网页浏览更为缓慢，影响用户体验。

发明内容

本发明提供一种网页加载方法，以克服现有技术所存在的不足。

本发明提供一种网页加载方法，包括：

终端将当前页面的地址信息与第一历史站点模型进行匹配，训练得到第二历史站点模型，所述第一历史站点模型和所述第二历史站点模型均包括用户历史访问的地址信息；

所述终端向服务器发送所述当前页面的地址信息，以使所述服务器根据所述当前页面的地址信息获取所述当前页面的标题中的关键词，并与预测模型进行训练得到预测信息，所述预测模型包括用户历史访问的各站点的关键词信息；

所述终端接收所述服务器发送的所述预测信息；

所述终端根据预设条件从所述预测信息中选择出对应的预取对象，所述预取对象包括标题地址；

所述终端根据所述预取对象，从网络侧下载所述预取对象对应的资源到浏览器的缓存中。

本发明还提供一种网页加载方法，其特征在于，包括：

服务器接收终端发送的当前页面的地址信息；

所述服务器根据所述当前页面的地址信息获取所述当前页面的标题中的关键词，并与预测模型进行训练得到预测信息，所述预测模型包括用户历史访问的各站点的关键词信息；

所述服务器将所述预测信息发送给所述终端。

本发明网页加载方法，终端的浏览器采集用户历史访问的地址信息，建立第一历史站点模型。服务器采集用户历史访问的地址信息和对应的关键词，建立预测模型。通过终端的浏览器将用户当前访问的页面的地址信息发送给服务器端的预测模型中。

服务器接收终端浏览器发送的当前访问的页面的地址信息，然后根据当前页面的地址信息，分析出当前页面的所有标题中的关键词。接着，根据当前页面的地址信息和对应的标题中的关键词与预测模型中的关键词进行关键词语义相似度计算，得到关键词语义相似度后再计算出各个标题的综合语义相似度。服务器根据各个标题的综合语义相似度形成预测信息，然后服务器将该预测信息发送给终端的浏览器。

终端的浏览器根据预设条件从该预测信息中选择出预取对象，该预取对象包括了按照综合语义相似度由高到低排序后的标题地址。然后终端的浏览器从网络侧下载与标题地址对应的资源到缓存中。当用户想访问自己感兴趣的网页时，浏览器直接调取缓存中的网页资源进行渲染，呈现出来。本发明终端的浏览器通过提前预取用户感兴趣的资源，而不用根据用户确定后再向网络侧请求并下载资源，有效的缩短了网页的加载时间，提高用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明网页加载方法实施例的流程图；

图2为本发明网页加载方法实施例的第一历史站点模型、第二历史站点模型的示意图；

图3为本发明网页加载方法实施例的计算综合语义相似度的示意图；

图4为本发明网页加载方法实施例的更新预测模型的示意图；

图5为本发明网页加载方法实施例的预取对象的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明网页加载方法实施例的流程图，如图1所示，本实施例的方法可以包括：

步骤101、终端将当前页面的地址信息与第一历史站点模型进行匹配，训练得到第二历史站点模型，所述第一历史站点模型和所述第二历史站点模型均包括用户历史访问的地址信息。

在本发明中，终端为用户通过无线网络进行网页浏览的设备，例如手机、平板电脑等。

具体的，终端的浏览器将当前页面的地址信息与第一历史站点模型进行匹配。如果所述当前页面的地址信息与所述第一历史站点模型中的地址信息不匹配，则终端确定并记录用户访问所述当前页面的地址信息及访问所述当前页面的地址信息的次数；

如果所述当前页面的地址信息与所述第一历史站点模型中的地址信息相匹配，则确定并记录用户访问所述当前页面的地址信息的次数；

然后，终端设备按照用户访问所述当前页面的地址信息的次数对所述第一历史站点模型中的地址信息由高到低进行重排序，更新得到所述第二历史站点模型。

另外，所述地址信息包括主页地址及所述主页中的板块地址。

所述第二历史站点模型用于按照访问次数将对应的地址信息的索引页面下载到浏览器的缓存中。

下面对步骤101来举例说明，图2为本发明网页加载方法实施例的第一历史站点模型、第二历史站点模型的示意图。如图2所示，第一历史站点模型中包括的用户历史访问的地址信息为主页地址1下B板块访问次数35次、主页地址2下A板块访问次数30次、主页地址1下A板块访问次数15次、主页地址2下B板块访问次数10次。

用户通过浏览器访问网页，当前页面的地址信息为主页地址1下B板块，浏览器将当前主页地址1下B板块信息与第一历史站点模型中的地址信息进行匹配。如果不匹配，则将主页地址1下B板块信息及访问次数1次记录到第一历史站点模型中；

如果相匹配，则将第一历史站点模型中已有的主页地址1下B板块信息访问次数更新为36次。

浏览器重新将更新后的第一历史站点模型中的地址信息按照访问次数由高到低进行重排序，得到第二历史站点模型，其中，包括主页地址1下B板块访问次数36次、主页地址2下A板块访问次数30次、主页地址1下A板块访问次数15次、主页地址2下B板块访问次数10次。例如，浏览器中的第二历史站点模型可以将访问次数最多的主页地址1下B板块的索引页面下载到浏览器的缓存中。

优选的是，用户访问过的地址信息次数可以按照时间段进行统计。例如，把一天的24小时分为6段，其中具体分成0点-4点，4-8点，8-12点，12-16点，16-点-20点，20点-24点这些时区。对地址信息的访问次数统计会按时区划分，比如8点-12点访问多少次，16点-20点访问了多少次。这里需要说明的是，时间分区可以按照实际情况进行设置，在此不加以限定。

步骤102、所述终端向服务器发送所述当前页面的地址信息，以使所述服务器根据所述当前页面的地址信息获取所述当前页面的标题中的关键词，并与预测模型进行训练得到预测信息，所述预测模型包括用户历史访问的各站点的关键词信息。

具体的，记录用户访问所述当前页面的地址信息、所述当前页面的标题中的关键词；

如果所述当前页面的地址信息与所述预测模型中已有的地址信息相匹配，则所述服务器将所述预测模型中与所匹配出的地址信息对应的关键词与所述当前页面的标题中的关键词进行关键词语义相似度计算，得到所述当前页面的标题中的关键词语义相似度；

然后，根据各条标题的关键词语义相似度计算得到所述各条标题的综合语义相似度，根据所述各条标题的地址与对应的所述综合语义相似度形成所述预测信息。

在本发明中，预测模型的设计目的是通收集用户的历史访问记录来提取出用户的兴趣点。该预测模型为一个实时更新的语料库，会定期从网络上抓取最新语料更新关键词。另外，预测模型位于服务器端，以减少终端的计算量。

下面对步骤102来举例说明，图3为本发明网页加载方法实施例的计算综合语义相似度的示意图。如图3所示，预测模型中包括了主页地址1下A板块下的关键词a，关键词b，关键词c，关键词d。主页地址1下B板块下的关键词e，关键词f，关键词g，关键词h。主页地址2下A板块下的关键词a，关键词b，关键词c，关键词d。主页地址2下B板块下的关键词e，关键词f，关键词g，关键词h。

用户通过浏览器访问网页，浏览器向服务器发送当前页面的地址信息。首先，服务器分析出当前页面的地址信息为主页地址2下A板块、当前页面中标题中的关键词i，关键词k。接着，服务器将当前主页地址2下A板块信息与预测模型中的地址信息进行匹配。

如果不匹配，服务器则将主页地址2下A板块信息、当前页面的标题中的关键词i，关键词k记录到预测模型中；

如果相匹配，服务器则将预测模型中与主页地址2下A板块信息对应的关键词a，关键词b，关键词c，关键词d与当前页面的标题中的关键词i，关键词k通过语义相似度计算工具进行语义相似度计算，得到各关键词的语义相似度，即关键词a与i的语义相似度为91％，关键词b与i的语义相似度为23％，关键词c与i的语义相似度为50％，关键词d与i的语义相似度为47％，关键词a与k的语义相似度为36％，关键词b与k的语义相似度为89％，关键词c与k的语义相似度为66％，关键词d与k的语义相似度为12％。

通过上述计算得到关键词i和关键词k与已有的关键词的最大语义相似度分别为91％和89％，那么通过标题的综合语义相似度计算工具，得到该条标题的综合语义相似度为1-(1-91％)*(1-89％)＝99.01％。以此类推，计算出各条标题的综合语义相似度。再根据各条标题的地址与对应的综合语义相似度形成预测信息。

进一步的，在得到所述各条标题的综合语义相似度之前，在得到所述当前页面的标题中的关键词语义相似度之后，还包括：

如果所述当前页面的标题中的关键词与所述预测模型中的关键词的语义相似度大于等于预设阈值，则确定所述关键词的次数；

如果所述当前页面的标题中的关键词与所述预测模型中的关键词的语义相似度小于预设阈值，则确定所述关键词及所述关键词的次数；

按照所述次数对所述预测模型中与所匹配出的地址信息对应的关键词进行更新，得到更新后的预测模型。

下面对预测模型的更新来举例说明，图4为本发明网页加载方法实施例的更新预测模型的示意图。如图4所示，预测模型中包括了主页地址1下A板块下的关键词a、访问次数50次，关键词b、访问次数40次，关键词c、访问次数30次，关键词d、访问次数20次。主页地址1下B板块下的关键词e、访问次数40次，关键词f、访问次数30次，关键词g、访问次数15次，关键词h、访问次数10次。主页地址2下A板块下的关键词a、访问次数45次，关键词b、访问次数40次，关键词c、访问次数25次，关键词d、访问次数20次。主页地址2下B板块下的关键词e、访问次数40次，关键词f、访问次数35次，关键词g、访问次数15次，关键词h、访问次数10次。

用户通过浏览器访问网页，浏览器向服务器发送当前页面的地址信息。首先，服务器分析出当前页面的地址信息为主页地址1下B板块、当前页面的标题中的关键词i、访问次数10次，关键词k、访问次数5次。接着，服务器将当前主页地址1下B板块信息与预测模型中的地址信息进行匹配。

如果不匹配，服务器则将主页地址1下B板块信息、当前页面中标题中的关键词i、访问次数10次，关键词k、访问次数5次记录到预测模型中；

如果相匹配，服务器则将预测模型中与主页地址1下B板块信息对应的关键词e、访问次数40次，关键词f、访问次数30次，关键词g、访问次数15次，关键词h、访问次数10次与当前页面的标题中的关键词i、访问次数10次，关键词k、访问次数5次通过语义相似度计算工具进行语义相似度计算，得到各关键词的语义相似度，即关键词e与i的语义相似度为90％，关键词f与i的语义相似度为20％，关键词g与i的语义相似度为43％，关键词h与i的语义相似度为15％，关键词e与k的语义相似度为54％，关键词f与k的语义相似度为36％，关键词g与k的语义相似度为28％，关键词h与k的语义相似度为5％。

如果语义相似度大于等于预设阈值70％时(本实施例中将预设阈值设置为70％来举例说明，具体的预设阈值可以根据实际需求进行设置，在此不加以限定)，将当前关键词i、访问次数10次，与预测模型中的关键词e、访问次数40次累加，更新得到关键词e、访问次数50次。

如果当前页面的标题中的关键词与预测模型中的关键词计算后，语义相似度小于预设阈值70％时，将当前关键词k、访问次数5次记录到预测模型中；

然后，服务器得到更新后的预测模型，其中，该更新后的预测模型中的主页地址1下B板块下对应的信息为关键词e、访问次数50次，关键词f、访问次数30、关键词g、访问次数15次，关键词h、访问次数10次，关键词k、访问次数5次。

优选的是，预测模型可以为板块和关键词分段最近最少使用(section andkeyword Segmented Least Recently Used，简称skSLRU)模型。该模型按照分段最近最少使用算法(Segmented Least Recently Used，简称：SLRU)的运行规则进行更新淘汰，目的是为了缩短预测模型的训练时间，让其能快速确定用户的兴趣点，并及时淘汰用户不再会访问的板块信息。

另外，在步骤102之前，步骤101之后，还可以包括所述终端向所述服务器发送在所述终端的屏幕范围大小内出现的页面的地址信息。即终端将屏幕滑动过后范围大小内的页面的地址信息发送给服务器端的预测模型。通过增加这样的步骤可以缩小用户感兴趣的地址信息的范围，提高预取的效率。

步骤103、所述终端接收所述服务器发送的所述预测信息。

终端的浏览器接收服务器发送过来的预测信息。该预测信息包括了各条标题的地址与各条标题对应的综合语义相似度。

步骤104、所述终端根据预设条件从所述预测信息中选择出对应的预取对象，所述预取对象包括标题地址。

具体的，所述终端的浏览器从所述预测信息中选择出按照综合语义相似度从高到低排序的前M个预取对象，其中所述M为自然数。

这里需要指出的是M可以根据实际需求来设置，在此不加以限定。例如根据终端的电量、所处网络环境、流量、性能等状况来设置。

下面对步骤104来举例说明，图5为本发明网页加载方法实施例的预取对象的示意图。如图5所示，终端的浏览器根据从服务器端接收的预测信息中选择出按照综合语义相似度从高到低排序的前3位标题地址作为预取对象。

步骤105、所述终端根据所述预取对象，从网络侧下载所述预取对象对应的资源到浏览器的缓存中。

终端中的浏览器根据步骤104中得到的标题地址，从网络侧下载标题地址所对应的资源到缓存中，若用户想访问感兴趣的网页时，浏览器直接调取缓存中的网页资源进行渲染，呈现出来。

本实施例的网页加载方法，终端的浏览器采集用户历史访问的地址信息，建立第一历史站点模型。服务器采集用户历史访问的地址信息和对应的关键词，建立预测模型。通过终端的浏览器将用户当前访问的页面的地址信息发送给服务器端的预测模型中。

服务器接收终端浏览器发送的当前访问的页面的地址信息，然后根据当前页面的地址信息，分析出当前页面的所有标题中的关键词。接着，根据当前页面的地址信息和对应的标题中的关键词与预测模型中的关键词进行关键词语义相似度计算，得到关键词语义相似度后再计算出各个标题的综合语义相似度。服务器根据各个标题的综合语义相似度形成预测信息，然后服务器将该预测信息发送给终端的浏览器。

终端的浏览器根据预设条件从该预测信息中选择出预取对象，该预取对象包括了按照综合语义相似度由高到低排序后的标题地址。然后终端的浏览器从网络侧下载与标题地址对应的资源到缓存中。当用户想访问自己感兴趣的网页时，浏览器直接调取缓存中的网页资源进行渲染，呈现出来。本发明终端的浏览器通过提前预取用户感兴趣的资源，而不用根据用户确定后再向网络侧请求并下载资源，有效的缩短了网页的加载时间，提高用户体验。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种网页加载方法，其特征在于，包括：

终端将当前页面的地址信息与第一历史站点模型进行匹配，训练得到第二历史站点模型，所述第一历史站点模型和所述第二历史站点模型均包括用户历史访问的地址信息；

所述终端向服务器发送所述当前页面的地址信息，以使所述服务器根据所述当前页面的地址信息获取所述当前页面的标题中的关键词，并与预测模型进行训练得到预测信息，所述预测模型包括用户历史访问的各站点的关键词信息；

所述终端接收所述服务器发送的所述预测信息；

所述终端根据预设条件从所述预测信息中选择出对应的预取对象，所述预取对象包括标题地址；

所述终端根据所述预取对象，从网络侧下载所述预取对象对应的资源到浏览器的缓存中。

2.根据权利要求1所述的方法，其特征在于，所述终端向服务器发送所述当前页面的地址信息，具体为：

所述终端向所述服务器发送在所述终端的屏幕范围大小内出现的页面的地址信息。

3.根据权利要求1所述的方法，其特征在于，所述终端将当前页面的地址信息与第一历史站点模型进行匹配，训练得到第二历史站点模型，所述第一历史站点模型和所述第二历史站点模型均包括用户历史访问的地址信息，具体为：

如果所述当前页面的地址信息与所述第一历史站点模型中的地址信息不匹配，则确定用户访问所述当前页面的地址信息及访问所述当前页面的地址信息的次数；

如果所述当前页面的地址信息与所述第一历史站点模型中的地址信息相匹配，则确定用户访问所述当前页面的地址信息的次数；

按照所述次数对所述第一历史站点模型中的地址信息进行重排序，得到所述第二历史站点模型。

4.根据权利要求1所述的方法，其特征在于，所述终端根据预设条件从所述预测信息中选择出对应的预取对象，具体为：

所述终端从所述预测信息中选择出按照综合语义相似度从高到低排序的前M个预取对象，其中所述M为自然数。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述地址信息包括主页地址及所述主页中的板块地址；

所述预测模型为板块和关键词分段最近最少使用skSLRU模型。

6.一种网页加载方法，其特征在于，包括：

服务器接收终端发送的当前页面的地址信息；

所述服务器根据所述当前页面的地址信息获取所述当前页面的标题中的关键词，并与预测模型进行训练得到预测信息，所述预测模型包括用户历史访问的各站点的关键词信息；

所述服务器将所述预测信息发送给所述终端。

7.根据权利要求6所述的方法，其特征在于，所述服务器根据所述当前页面的地址信息获取所述当前页面的标题中的关键词，并与预测模型进行训练得到预测信息，所述预测模型包括用户历史访问的各站点的关键词信息，具体为：

记录用户访问所述当前页面的地址信息、所述当前页面的标题中的关键词；

如果所述当前页面的地址信息与所述预测模型中已有的地址信息相匹配，则所述服务器将所述预测模型中与所匹配出的地址信息对应的关键词与所述当前页面的标题中的关键词进行关键词语义相似度计算，得到所述当前页面的标题中的关键词语义相似度；

根据各条标题的关键词语义相似度计算得到所述各条标题的综合语义相似度，根据所述各条标题的地址与对应的所述综合语义相似度形成所述预测信息。

8.根据权利要求7所述的方法，其特征在于，所述根据各条标题的关键词语义相似度计算得到所述各条标题的综合语义相似度之前，所述得到所述当前页面的标题中的关键词语义相似度之后，还包括：

如果所述当前页面的标题中的关键词与所述预测模型中的关键词的语义相似度大于等于预设阈值，则确定所述关键词的次数；

如果所述当前页面的标题中的关键词与所述预测模型中的关键词的语义相似度小于预设阈值，则确定所述关键词及所述关键词的次数；

按照所述次数对所述预测模型中与所匹配出的地址信息对应的关键词进行更新，得到更新后的预测模型。

9.根据权利要求6-8任一项所述的方法，其特征在于，所述地址信息包括主页地址及所述主页中的板块地址；

所述预测模型为板块和关键词分段最近最少使用skSLRU模型。