CN109726768A - 应用程序页面文字的行业分类方法、存储介质及终端设备 - Google Patents

Abstract

本发明公开了一种应用程序页面文字的行业分类方法、存储介质及终端设备，其特征在于，其包括：获取各应用程序的主页面，并提取各主页面携带的文字信息；根据各主页面携带文字信息确定各应用程序对应的应用主题；将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类。这样，通过获取到各应用程序主页面的文字信息，再对各应用程序主页面的文字信息建立主题，以对各应用程序进行分组，从而实现了应用程序的行业分类。

Description

应用程序页面文字的行业分类方法、存储介质及终端设备

技术领域

本发明涉及智能终端技术领域，特别涉及一种应用程序页面文字的行业分类方法、存储介质及终端设备。

背景技术

目前APP（应用程序）市场上存在很多的APP，据不完全统计，APP的数据有接近500万款，在这些APP中，有些APP为关键行业APP，这些关键行业的APP里面包含着核心数据，有严格的行业以及国家标准要求，从国家层面有对其进行分行业监管的要求。要对APP进行监管，最基本的一个基础工作是要对APP应用市场上的APP进行行业分类，虽然各大APP应用市场上都对APP有一个分类，但存在分类与国家的行业分类不一致的问题，而应用商店的分类更偏向于功能分类，而不是行业分类。当前还需要人工一个个安装运行APP，然后再判定所属行业，效率极低。

因而现有技术还有待改进和提高。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种应用程序页面文字的行业分类方法、存储介质及终端设备，以解决现有技术中仍需要人工安装运行各APP，然后再判定所属行业，效率低的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种应用程序页面文字的行业分类方法，其包括：

获取各应用程序的主页面，并提取各主页面携带的文字信息；

根据各主页面携带文字信息确定各应用程序对应的应用主题；

将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类。

所述应用程序页面文字的行业分类方法，其中，所述获取各应用程序的主页面，并提取各主页面携带的文字信息具体包括：

获取各应用程序的主页面截图；

通过文字识别技术对各主页面截图进行识别，以得到各主页面携带的文字信息。

所述应用程序页面文字的行业分类方法，其中，所述通过文字识别技术对各主页面截图进行识别，以得到各主页面携带的文字信息具体包括：

通过光学文字识别技术来识别各应用程序的主页面截图上的文字内容；

筛选所述文字内容包含的中文字符，并将筛选到的中文字符作为各应用程序的各主页面携带的文字信息。

所述应用程序页面文字的行业分类方法，其中，所述获取各应用程序的主页面截图具体包括：

获取各应用程序的主页面截图以及各应用程序的包名；

将各应用程序的主页面截图存储为jpeg文件，其中，所述jpeg文件以其对应的应用程序的包名为名称。

所述应用程序页面文字的行业分类方法，其中，所述将所述应用程序的主题与预设的行业类别进行映射，以对所述应用程序进行行业分类之前还包括：

预先设定应用程序的应用主题与行业类别之间的映射关系。

所述应用程序页面文字的行业分类方法，其中，所述将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类具体包括：

根据预先设定的映射关系将所述应用程序的应用主题与预设的行业类别进行映射；

根据映射结果在所述应用程序数据库中为所述应用程序增设行业项，以对所述应用程序进行行业分类。

所述应用程序页面文字的行业分类方法，其中，所述预先设定应用程序的应用主题与行业类别之间的映射关系具体包括：

根据应用程序的应用主题确定所述应用程序的属性，并根据所述应用程序的属性确定所述应用程序所属的行业类别；

将所述行业类别作为应用主题所属的行业类型，以建立应用主题与行业类别之间的映射关系。

所述应用程序页面文字的行业分类方法，其中，所述根据各主页面携带文字信息确定各应用程序对应的应用主题具体包括：

预先设置若干应用主题，并根据LDA算法以及应用程序主页面携带文字信息计算各应用程序在各应用主题下的分布概率；

取各应用程序对应的最高分布概率，并将所述最高分布概率对应的应用主题设定为所述应用程序的应用主题。

一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任意一项所述的应用程序页面文字的行业分类方法中的步骤。

一种终端设备，其中，包括：处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时实现如上任意一项所述的应用程序页面文字的行业分类方法中的步骤。

有益效果：与现有技术相比，本发明提供了一种应用程序页面文字的行业分类方法、存储介质及终端设备，所述方法包括：获取各应用程序的主页面，并提取各主页面携带的文字信息；根据各主页面携带文字信息确定各应用程序对应的应用主题；将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类。这样，通过获取到各应用程序主页面的文字信息，再对各应用程序主页面的文字信息建立主题，以对各应用程序进行分组，从而实现了应用程序的行业分类。

附图说明

图1为本发明提供的一种应用程序页面文字的行业分类方法较佳实施例的流程图。

图2为本发明提供的一种应用程序页面文字的行业分类方法中步骤S100的具体流程图。

图3为本发明提供的一种应用程序页面文字的行业分类方法中步骤S200的具体流程图。

图4为本发明提供的一种应用程序页面文字的行业分类方法中步骤S300较佳实施例的流程图。

图5为本发明提供的终端设备较佳实施例的结构原理图。

具体实施方式

本发明提供一种应用程序页面文字的行业分类方法、存储介质及终端设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

应用程序页面中包含了应用程序的主要信息，人工分类也是通常在运行应用程序的过程中浏览应用程序的页面，通过页面文字信息来判断应用程序的功能以及所属行业，特别是主页面，包含了应用程序的绝大部分功能和信息，因此由主页面的文字信息也就基本能判断出应用程序的所属行业。因此，本发明通过将应用程序自动运行，获取应用程序的主页面，并提取各主页面携带的文字信息，再将这些文字信息作为机器学习的输入，从而可对应用程序的行业进行分类，极大的提高了应用程序行业分类的效率。下面结合附图，通过对实施例的描述，对发明内容作进一步说明。

请参照图1，图1为本发明提供的一种应用程序页面文字的行业分类方法较佳实施例的流程图。所述方法包括：

S100、获取各应用程序的主页面，并提取各主页面携带的文字信息。

具体地，通过获取各应用程序的主页面所携带的文字信息，进而根据各应用程序的主页面所携带的文字信息进行分组，并最终为应用程序进行行业分类，相应的，请参照图2，图2为本发明提供的一种应用程序页面文字的行业分类方法中步骤S100的具体流程图。所述获取各应用程序的主页面，并提取各主页面携带的文字信息具体包括：

S101、获取各应用程序的主页面截图；

具体地，所述获取各应用程序的主页面截图具体包括：

获取各应用程序的主页面截图以及各应用程序的包名；

将各应用程序的主页面截图存储为jpeg文件，其中，所述jpeg文件以其对应的应用程序的包名为名称。

具体地，可以依次对各应用程序进行解析，获取到各应用程序的包名以及主页面对应的Activity，本实施例中，可以将手机插入电脑中，通过发送adb push命令，将应用程序安装至手机，并通过adb shell命令启动应用程序以及对应的主页面Activity，启动完成后通过adb shell命令调用Android系统自带的screencap，以获取主页面截图，最后通过adb pull命令将获取到的主页面截图下载到电脑上，并存储为包名对应的jpeg文件。接下来，结束应用程序的运行并卸载所述应用程序。

S102、通过文字识别技术对各主页面截图进行识别，以得到各主页面携带的文字信息。

具体地，光学文字识别（OCR，Optical Charactor Recongnition）是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。我们获取的应用程序的主页面截图，可以通过OCR技术，获取各应用程序的各主页面携带的文字信息。相应的，所述通过文字识别技术对各主页面截图进行识别，以得到各主页面携带的文字信息具体包括：

通过光学文字识别技术来识别各应用程序的主页面截图上的文字内容；

筛选所述文字内容包含的中文字符，并将筛选到的中文字符作为各应用程序的各主页面携带的文字信息。

具体地，本实施例中，采用的是Tesseract系统，Tesseract是一套成熟的开源OCR系统，可准确识别出中文。

进一步，通过将获取的应用程序的主页面截图为输入，执行Tesseract程序，并将psm参数设置为11，从而可以尽可能地获取更多文字内容。同时，筛选所述文字内容包含的中文字符，其中，文字的语言选择chi_sim，表示中文简体。并且，在Tesseract程序执行结束时，将返回所有识别的中文文字，再将识别到的中文文字作为各应用程序的各主页面携带的文字信息，并将各主页面携带的文字信息存储为应用程序包名对应的文件中。

S200、根据各主页面携带文字信息确定各应用程序对应的应用主题。

具体地，请参照图3，图3为本发明提供的一种应用程序页面文字的行业分类方法中步骤S200的具体流程图。相应的，所述根据各主页面携带文字信息确定各应用程序对应的应用主题具体包括：

S201、预先设置若干应用主题，并根据LDA算法以及应用程序主页面携带文字信息计算各应用程序在各应用主题下的分布概率；

S202、取各应用程序对应的最高分布概率，并将所述最高分布概率对应的应用主题设定为所述应用程序的应用主题。

具体地，潜在狄利克雷分配（LDA）是一种常用的文本主题模型机器学习算法，通过LDA，我们能对应用程序各主页面携带的文字信息建立主题，以实现对各应用程序分组的效果，也就对应用程序进行了分类。

具体地，例如，银行行业的应用程序，其应用主题可以包括应用程序中涉及存款、取款等类似的主题；美图行业的应用程序，其应用主题可以包括应用程序中涉及美颜、食物拍照等类似的主题。本实施例中，将数百万的应用程序各主页面携带的文字信息作为数据集，并输入LDA算法中，同时设置100个主题（这里不做限制），这样，通过LDA算法可以输出每个应用程序主页面携带的文字信息在这100个主题下的分布概率。需要说明的是，本发明选取各应用程序对应的最高分布概率，并将所述最高分布概率对应的应用主题设定为所述应用程序的应用主题。这样，在对应用程序行业进行分类时，使应用程序的分类更加准确，效果更好。同时，机器学习中的LDA主题建模只需要进行一次，可对结果进行多次映射，能适应行业扩充的需求。

S300、将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类。

具体地，所述预设的行业类别可以是比较关注的25个行业，需要说明的是，所选取的行业和数量这里不作限制。其可以是银行、证券、基金、保险、信托、消费金融、P2P金融、移动、联通、电信、机关单位、医疗卫生、能源、教育、交通、报业媒体、新媒体、电商、影音、新闻阅读、生活服务、旅游出行、社交、摄像、其他这25个行业。从而将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类。

进一步，为确保对各应用程序的行业进行分类，所述将所述应用程序的主题与预设的行业类别进行映射，以对所述应用程序进行行业分类之前还包括：

预先设定应用程序的应用主题与行业类别之间的映射关系。

具体地，所述预先设定应用程序的应用主题与行业类别之间的映射关系具体包括：

根据应用程序的应用主题确定所述应用程序的属性，并根据所述应用程序的属性确定所述应用程序所属的行业类别；

将所述行业类别作为应用主题所属的行业类型，以建立应用主题与行业类别之间的映射关系。

具体地，例如，一款银行的应用程序，其应用主题可以是存款或者取款，根据其主题的属性以及特点，即可判断当前的应用程序属于银行行业。

进一步，请参照图4，图4为本发明提供的一种应用程序页面文字的行业分类方法中步骤S300的具体流程图。相应的，所述将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类具体包括：

S301、根据预先设定的映射关系将所述应用程序的应用主题与预设的行业类别进行映射。

具体地，所述根据预先设定的映射关系将所述应用程序的应用主题与预设的行业类别进行映射具体包括：

获取应用程序的应用主题与行业类别之间的映射关系；

根据所述映射关系将所述应用程序的应用主题确定相对应的行业类别。

具体地，获取预先设置好的应用程序的应用主题与行业类别之间的映射关系，再根据所述映射关系将所述应用程序的应用主题确定相对应的行业类别。这样，当获知到应用程序的应用主题时，便可以将每个应用程序的主题映射到某一行业中，从而可以达到分组的效果，也就是对应用程序进行了行业分类。

S302、根据映射结果在预设的应用程序数据库中为所述应用程序增设行业项，以对所述应用程序进行行业分类。

具体地，所述根据映射结果在预设的应用程序数据库中为所述应用程序增设行业项，以对所述应用程序进行行业分类具体包括：

根据映射结果在预设的应用程序数据库中为所述应用程序增设行业项；

并根据映射结果对应的行业类别，将所述行业类别添加至所述应用程序的行业项，以对所述应用程序进行行业分类。

具体地，根据映射结果在预设的应用程序数据库中为所述应用程序增设行业项，并根据映射结果对应的行业类别，将所述行业类别添加至所述应用程序的行业项，以对所述应用程序进行行业分类。这样，便可以实现对所有应用程序的自动化行业分类，从而解决了需要花费大量人工才能完成的应用程序行业分类问题。需要说明的是，所述预设的应用程序数据库为预先设置，保证了数据的独立性。

本发明通过获取应用商店中的所有的应用程序，并运行并获取各应用程序的主页面，再提取出应用程序主页面的中文文字信息，从而可准确获取应用程序主页面中功能对应的文字描述。通过机器学习，对这些文字描述进行分类，最终可对应用程序进行自动化分类，解决了需要花费大量人工才能完成应用程序行业分类问题，为应用程序进行行业监管提供了技术基础。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例所述的应用程序页面文字的行业分类方法中的步骤。

本发明还提供了一种终端设备，如图5所示，其包括至少一个处理器（processor）20；显示屏21；以及存储器（memory）22，还可以包括通信接口（Communications Interface）23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。

此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。

存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

最后应说明的是：以上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精神和范围。

Claims (10)

1.一种应用程序页面文字的行业分类方法，其特征在于，其包括：

获取各应用程序的主页面，并提取各主页面携带的文字信息；

根据各主页面携带文字信息确定各应用程序对应的应用主题；

将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类。

2.根据权利要求1所述应用程序页面文字的行业分类方法，其特征在于，所述获取各应用程序的主页面，并提取各主页面携带的文字信息具体包括：

获取各应用程序的主页面截图；

通过文字识别技术对各主页面截图进行识别，以得到各主页面携带的文字信息。

3.根据权利要求2所述应用程序页面文字的行业分类方法，其特征在于，所述通过文字识别技术对各主页面截图进行识别，以得到各主页面携带的文字信息具体包括：

通过光学文字识别技术来识别各应用程序的主页面截图上的文字内容；

筛选所述文字内容包含的中文字符，并将筛选到的中文字符作为各应用程序的各主页面携带的文字信息。

4.根据权利要求1所述应用程序页面文字的行业分类方法，其特征在于，所述获取各应用程序的主页面截图具体包括：

获取各应用程序的主页面截图以及各应用程序的包名；

将各应用程序的主页面截图存储为jpeg文件，其中，所述jpeg文件以其对应的应用程序的包名为名称。

5.根据权利要求1所述应用程序页面文字的行业分类方法，其特征在于，所述将所述应用程序的主题与预设的行业类别进行映射，以对所述应用程序进行行业分类之前还包括：

预先设定应用程序的应用主题与行业类别之间的映射关系。

6.根据权利要求5所述应用程序页面文字的行业分类方法，其特征在于，所述将所述应用主题与预设的行业类别进行映射，以对各应用程序进行行业分类具体包括：

根据预先设定的映射关系将所述应用程序的应用主题与预设的行业类别进行映射；

根据映射结果在所述应用程序数据库中为所述应用程序增设行业项，以对所述应用程序进行行业分类。

7.根据权利要求5所述应用程序页面文字的行业分类方法，其特征在于，所述预先设定应用程序的应用主题与行业类别之间的映射关系具体包括：

根据应用程序的应用主题确定所述应用程序的属性，并根据所述应用程序的属性确定所述应用程序所属的行业类别；

将所述行业类别作为应用主题所属的行业类型，以建立应用主题与行业类别之间的映射关系。

8.根据权利要求1所述应用程序页面文字的行业分类方法，其特征在于，所述根据各主页面携带文字信息确定各应用程序对应的应用主题具体包括：

预先设置若干应用主题，并根据LDA算法以及应用程序主页面携带文字信息计算各应用程序在各应用主题下的分布概率；

取各应用程序对应的最高分布概率，并将所述最高分布概率对应的应用主题设定为所述应用程序的应用主题。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～8任意一项所述的应用程序页面文字的行业分类方法中的步骤。

10.一种终端设备，其特征在于，包括：处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时实现如权利要求1～8任意一项所述的应用程序页面文字的行业分类方法中的步骤。