CN110837460B - 页面评测方法、模型构建方法及设备 - Google Patents
页面评测方法、模型构建方法及设备 Download PDFInfo
- Publication number
- CN110837460B CN110837460B CN201810933921.1A CN201810933921A CN110837460B CN 110837460 B CN110837460 B CN 110837460B CN 201810933921 A CN201810933921 A CN 201810933921A CN 110837460 B CN110837460 B CN 110837460B
- Authority
- CN
- China
- Prior art keywords
- page
- network
- training
- prediction model
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 143
- 238000010276 construction Methods 0.000 title abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims description 178
- 238000000034 method Methods 0.000 claims description 88
- 238000006243 chemical reaction Methods 0.000 claims description 76
- 238000013210 evaluation model Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000006399 behavior Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 239000000047 product Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 239000007795 chemical reaction product Substances 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3612—Software analysis for verifying properties of programs by runtime analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种页面评测方法、模型构建方法及设备。其中，页面评测方法包括如下的步骤：获取待测页面的页面截图；提取所述页面截图中影响用户视觉体验的第一页面特征；根据所述第一页面特征，对所述待测页面进行体验评测得到评测结果。本申请实施例提供的技术方案，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种页面评测方法、模型构建方法及设备。
背景技术
现有页面体验方面的评测，大多是通过人工来进行审核的，例如，由丰富经验的产品和UED(User Experience Design，用户体验设计)们把关。
但在内容营销的时代，赋能商家、内容制作前端产品化的推进，用户通过前端产品制作出的内容在功能和适配上很少再出问题，但在内容的体验和调性上却是良莠不齐的，且目前日均内容产出量很大，显然不适合人工审核。
另外，人工评测是基于主观判断，无法复用传播、效率低。
发明内容
鉴于上述问题，提出了本申请以提供一种解决上述问题或至少部分地解决上述问题的页面评测方法、模型构建方法及设备。
于是，在本申请的一个实施例中，提供了一种页面评测方法。该方法包括：
获取待测页面的页面截图；
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测得到评测结果。
在本申请的另一个实施例中，提供了一种模型构建方法。该方法包括：
基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；
收集不同网络页面对应的样本数据，以构建训练集；
基于所述训练集，对评测训练模型进行训练以得到体验评测模型。
在本申请的又一个实施例中，提供了一种页面评测系统。该系统包括：
用户设备，用于将待测页面的页面截图发送至网络设备；
网络设备，用于提取所述页面截面中影响用户视觉体验的第一页面特征；根据所述第一页面特征，对所述待测页面进行体验评测得到用于指导所述待测页面调整的评测结果；将所述评测结果反馈至所述用户设备；
所述用户设备，还用于根据所述评测结果，调整所述待测页面。
在本申请的又一个实施例中，提供了一种页面评测方法。该方法包括：
接收用户设备发送的待测页面的页面截图；
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测并将评测结果反馈至所述用户设备，以使所述用户设备根据所述检测结果调整所述待测页面。
在本申请的又一个实施例中，提供了一种电子设备。所述电子设备包括：第一存储器及第一处理器；其中，
所述第一存储器，用于存储程序；
所述第一处理器，与所述第一存储器耦合，用于执行所述第一存储器中存储的所述程序，以用于：
获取待测页面的页面截图；
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测得到用于指导所述待测页面调整的评测结果。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括：第二存储器及第二处理器；其中，
所述第二存储器，用于存储程序；
所述第二处理器，与所述第二存储器耦合，用于执行所述第二存储器中存储的所述程序，以用于：
基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；
收集不同网络页面对应的样本数据，以构建训练集；
基于所述训练集，对评测训练模型进行训练以得到体验评测模型。
在本申请的又一个实施例中，提供了一种网络设备。该网络设备包括：第三存储器、第三处理器及第三通信组件；其中，
所述第三存储器，用于存储程序；
所述第三通信组件，与所述第三处理器耦合，用于接收用户设备发送的待测页面的页面截图；
所述第三处理器，与所述第三存储器耦合，用于执行所述第三存储器中存储的所述程序，以用于：
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测；
所述第三通信组件，还用于将评测结果反馈至所述用户设备，以使所述用户设备根据所述检测结果调整所述待测页面。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的页面评测方法的流程示意图；
图2为本申请一实施例提供的模型构建方法流程示意图；
图3为本申请一实施例提供的包含训练过程、评测过程及强化训练过程的信令交互示意图；
图4为本申请一实施例提供的页面评测系统的结构框图；
图5为本申请另一实施例提供的模型构建方法流程示意图；
图6为本申请一实施例提供的页面评测装置的结构示意图；
图7为本申请一实施例提供的模型构建装置的结构示意图；
图8为本申请另一实施例提供的页面评测装置的结构示意图；
图9为本申请一实施例提供的电子设备的结构示意图；
图10为本申请另一实施例提供的电子设备的结构示意图；
图11为本申请一实施例提供的网络设备的结构示意图。
具体实施方式
现有的一种前端用户体验度量产品是通过手机页面资源报错、客户端崩溃率、页面加载时间、每秒帧数等客观数据，并通过综合计算来描述用户体验。该类产品无法对用户体验质量做出准确的评测。因为，用户体验除了页面加载方面的体验外，还包含页面内容、视觉美感等方面的体验。显然该类产品并不能很好的做出页面体验评测。
现有另一种后端产品，通过搭建页面的商家调性、页面本身的商品数量、图片数量、文字数量、类目属性等综合计算得出内容质量分。该类产品打分权重的产出具有主观经验的成分，准确率往往不高。
为了解决或改善现有技术中存储的问题，本申请提供了如下各实施例。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
图1示出了本申请一实施例提供的页面评测方法的流程示意图。本申请实施例提供的所述方法适于客户端或网络设备。其中，所述客户端可以是集成在终端上的一个具有嵌入式程序的硬件，也可以是安装在终端中的一个应用软件，还可以是嵌入在终端操作系统中的工具软件等，本申请实施例对此不作限定。该终端可以为包括手机、平板电脑、智能穿戴设备、AR设备等任意终端设备。所述网络设备可以是常用服务器、云端、虚拟服务器等。如图1所示，所述页面评测方法，包括：
101、获取待测页面的页面截图。
102、提取所述页面截图中影响用户视觉体验的第一页面特征。
103、根据所述第一页面特征，对所述待测页面进行体验评测得到评测结果。
上述101中，所述页面截图可以是用户上传的，也可以自动截取的。例如，通过获取页面的DOM(Document Object Model，文档对象模型)和元素的样式信息，并将其渲染成canvas(画布)图片，从而实现给页面截图的功能。
上述102中，影响用户视觉体验的第一页面特征可包括但不限于如下的至少一种：布局视觉特征及色彩视觉特征。在一具体实施方式中，布局视觉特征包括但不限于如下至少一种：区块数量、各区块位置、各区块占总体页面的面积比等等。所述色彩视觉特征包括但不限于如下至少一种：色调、明亮度、色彩饱和度及色彩丰富度等等。
页面截图中的区块k可简单理解为相互连结的具有关联特性的一组像素。例如，手机端电商应用(APP)页面，页面中会包含有很多区块：导航栏区块、推荐区块、商品展示区块等等。在一种可实现的技术方案中，提取所述页面截图中布局视觉特征，可包括如下步骤：
1021、对所述页面截图进行区块内容分解分析，以分析出页面中的区块信息。
1022、基于所述区块信息，确定所述布局视觉特征。
其中，上述1021中，区块内容分解分析过程可采用现有的图像分割法，或其他算法来实现，本申请实施例对此不作具体限定。图像分割法的区块分解原则包括：数值相似性和空间接近性；即如果截图中两个像素具有相似的灰度值，或它们空间接近，则可把它们归为同一区块内的像素。空间接近性度量可以是欧几里得距离，也可以是区域致密度。基于区块内容分解分析得到的区块信息可包括：区块数量、各区块位置、各区块面积等等。
从页面截图中提取色彩视觉特征的过程，可采用如下方法实现：
1023、将所述页面截图表征为颜色空间。
1024、基于所述颜色空间计算所述色彩视觉特征。
具体实施时，上述1023中页面截图可用户颜色空间HSV(Hue,Saturation,Value，色调、饱和度、明亮度)和颜色空间RGB(红、绿、蓝)进行表示。这里需要说明的是：将图像采用颜色空间HSV和颜色空间RGB表示的过程，可参见现有技术中的相应内容，此处不再赘述。
上述103中，体验评测过程可选用体验评测模型来实现。即上述103可具体为：将所述第一页面特征作为体验评测模型的输入，执行所述体验评测模型得到所述评测结果。在具体实施时，所述体验评测模型可以是经数据训练后得到学习模型。学习模型可以是神经网络模型，如卷积神经网络模型、全连接神经网络模型、或随机森林分类器等等。有关体验评测模型的构建的内容，将在后续内容中进行详细说明。
假设体验评测模型包括：卷积层、池化层、全连接层组成。其中，卷积层与池化层配合组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。体验评测模型的工作过程基本如下：将上述步骤102中从页面截图中提取出的第一页面特征输入卷积层，卷积层输出的特征向量经池化后再输入至少一个全连接层中，由全连接层输出评测结果。
评测结果包括但不限于如下至少一种：评测分、调整建议信息及页面调整信息等等。其中，评测分可包括：页面体验评测总分、页面色彩丰富度评分、页面视觉复杂度评分等等。调整建议信息可包括：与色彩丰富度相关的建议信息、与视觉复杂度相关的建议信息等等。页面调整信息可包括：与色彩丰富度相关的调整信息、与视觉复杂度相关的调整信息等等。其中，这里需要说明的是：页面调整信息可以是系统能识别的JSON数据格式的信息；系统可基于该页面调整信息并结合系统的页面矢量接口数据，对待测页面进行自动的调整，如自动对待测页面的色彩饱和度、明亮度等进行调整。即，当评测结果包含有所述至少一个页面调整信息时，本申请实施例提供的所述方法还可包括如下步骤：
结合所述待测页面的矢量接口数据及所述至少一个页面调整信息，对所述待测页面进行调整。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
进一步的，本申请实施例提供的所述方法还包括体验评测模型构建的过程。即，体验评测模型的构建方法可包括如下步骤：
104、基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据。
105、收集不同网络页面对应的样本数据，以构建训练集。
106、基于所述训练集，对评测训练模型进行训练以得到所述体验评测模型。
上述104中，所述多个用户访问所述网络页面所产生的数据可通过前端打点的方式来获取，或者通过日志系统离线获取，或者从历史统计数据中获取，还可以采用消息系统实时上报的方式获取等等。其中，所述"打点"是指对于web页面类型的互联网产品，用户访问页面时，通过数据服务器拦截页面打点请求并收集包含用户行为和页面展示效果的网络请求的数据，从而可以根据产品的关注点的不同，来拦截页面打点请求并收集感兴趣的打点数据。其中，用户行为包括:浏览了哪些页面，点击了哪些元素等:页面展示效果包括:页面展示了哪些元素，元素在页面中的位置等。数据服务器拦截页面打点请求并收集到这些打点数据后，通过一定的方式聚合，分析产生出数据报表，例如页面展示次数，有多少用户看到过这个页面，页面元素点击次数、点击率、点击产生的交易量，用户的地理位置分布和年龄层分布等。
在一种可实现的技术方案中，上述104步骤：基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据，可采用如下方法实现：
1041、对所述多个用户访问所述网络页面所产生的数据进行数据清洗处理，得到初始数据。
1042、对所述初始数据进行数据计算，得到训练所需的计算数据。
1043、提取所述网络页面的截图中影响用户视觉体验的第二页面特征。
1044、将所述计算数据及所述第二页面特征，作为所述网络页面对应的样本数据。
上述1041中，数据清洗过程包括：数据分类存储过程，及上报或日志中的异常数据，如空值、报错等进行排除。例如，采集的数据中包含explode(曝光)、click(点击)、browseTime(浏览时长)、pv(浏览次数)等等，这些数据需要分类存储。在一种可实现的技术方案中，所述初始数据包括但不限于如下至少一种：所述网络页面的访问记录、所述网络页面的页面组件曝光信息、用户在所述网络页面上的停留时长、用户是否通过所述网络页面完成转化行为、用户是否通过网络页面达到转化目标页、页面组件的操作记录。
上述1042中，数据计算可包括：统计计算(如单日浏览量、7日浏览量、人均停留时长等等)和/或数据二次加工计算(如数据归一化计算)。其中，数据计算包含哪些具体计算，需依据模型输入的要求来确定。对于模型设计的方式不同，其所要求输入的数据的要求也就不一样，相应的数据计算过程也就不同。
数据归一化，依模型输入对于入参的要求对数据进行二次加工，如：浏览数A’＝真实浏览数A/最大浏览数Amax，从而将所有浏览数模型入参控制在[0,1]。
相应的，上述步骤1042：对所述初始数据进行计算，得到训练所需的计算数据，包括但不限于如下至少一个步骤：
S11、基于所述网页的访问记录，统计页面访问量PV及独立访问量UV；
S12、基于各用户在所述网络页面上的停留时长，计算所述网络页面的人均停留时长；
S13、基于所述网络页面的页面组件曝光信息，统计所述网络页面上各页面组件的曝光率；
S14、基于所述用户是否通过所述网络页面完成转化行为以及所述用户是否通过所述网络页面达到转化目标页，计算所述网络页面对应的转化率；
S15、基于所述页面组件的操作记录，统计网络页面上各组件的被操作次数。
上述S11中，网页的访问记录中每一项打开页面记录或每一个页面刷新记录，即PV计数加1。UV(Unique Visitor)指独立访客访问数，一个终端为一个访客。假设网页的访问记录中有10个终端在同一个计算时段内访问同一个网站，则该网站的网页的UV即为10。
上述S13中，页面通常由button(按钮)、link(链接)、text(文本)等构成，这些按钮、连接、文本即可简单理解为页面中的一个页面组件。页面组件的曝光信息也可通过曝光打点来实现。曝光打点在组件进入浏览区域时被触发，被触发一次，页面组件的曝光信息即被更新一次。为方便理解，假设页面组件的曝光信息为页面组件进入浏览区域的次数N，那么该页面组件的曝光率即为N/M，其中，M为该页面组件所在页面被打开的总次数。
上述S14中，根据各用户在所述网络页面上的行为数据，统计一个时段内通过网络页面完成转化行为的第一数量以及该网络页面的总访问量的第二数量；基于所述第一数量D1和所述第二数量D2计算得到所述转换率。例如:转化率＝D1/D2。
上述S15中，用户的操作可包括：滑动操作、点击操作等等。页面组件被用户操作一次，页面组件的被操作次数加1。
上述1043中，从网络页面的截图中提取出的第二页面特征可包括如下至少一种：布局视觉特征、色彩视觉特征。
基于上述内容，可得到一个网络页面对应的样本数据，该样本数据包括：上述1042得到的计算数据及第二页面特征。训练模型的训练过程可看成是对模型中的几个因素不断求回归系数的过程；假设训练模型为如下公式：x1*A+x2*B+x3*C+x4*D＝y，训练的过程实质上就是求得的型中系数x1、x2、x3、x4的值。其中，训练集中包含的数据即训练所需的A、B、C、D和y。由此可知，用于训练评测训练模型的样本数据越多，训练出的模型的精度就会更高。因此，在实际应用中，可尽量多的收集不同网络页面对应的样本数据，以构建训练集。上述步骤106中基于训练模型对评测训练模型进行训练的过程可参见现有技术，此处不再赘述。
进一步的，本申请实施例提供的所述方法还可包括对待测页面的预测过程。例如，对待测页面的热区进行预测，对待测页面的用户平均停留时长进行预测，对待测页面的转化率进行预测等等。具体实施时，可采用预测模型来实现对待测页面的预测。
例如，本申请实施例提供的所述方法还可包括如下方法：
107、根据所述训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型以得到用于预测页面热区的第一预测模型。
108、将所述第一页面特征作为所述第一预测模型的输入，执行所述热区预测模型得到所述待测页面对应的热区预测结果。
本申请实施例提供的所述方法还可包括如下方法：
109、根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型以得到用于预测用户停留时长的第二预测模型。
110、将所述第一页面特征作为所述第二预测模型的输入，执行所述第二预测模型得到所述待测页面对应的用户停留时长预测结果。
本申请实施例提供的所述方法还可包括如下方法：
111、根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第三训练模型进行训练以得到用于预测页面转化率的第三预测模型。
112、将所述第一页面特征作为所述第三预测模型的输入，执行所述第三预测模型得到所述待测页面对应的转化率预测结果。
其中，上述第一训练模型、第二训练模型和第三训练模型可以选用神经网络模型，如卷积神经网络模型、全连接神经网络模型、或随机森林分类器等等，本申请实施例对此不作具体限定。
进一步的，本申请实施例提供的技术方案还包括：
107、对所述评测结果进行标注。
108、根据标注的数据，对所述体验评测模型进行强化训练，以便后续使用强化后的体验评测模型对页面进行评测。
上述107中，对评测结果进行标注的数据可以是系统自动标注的，也可以是人工标注的。采用标注的数据对体验评测模型进行强化训练，是为了提高体验评测模型。可以是正常预测任务、也可是事先准备的数据集，以此数据调用批量预测接口。
图2示出了本申请一实施例提供的模型构建方法流程示意图。如图2所示，所述方法包括：
201、基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据。
202、收集不同网络页面对应的样本数据，以构建训练集。
203、基于所述训练集，对训练模型进行训练以得到体验评测模型。
有关上述201～203的具体实现可参见上述实施例中的相应内容，此处不再赘述。
本申请实施例提供的技术方案，基于收集到不同网络页面对应的样本数据，对训练模型进行训练以得到体验评测模型，用于自动化评测页面的体验质量，以替代现有人工评测，提高页面评测效率。
进一步的，上述201可具体采用如下方法实现，即基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据，包括：
2011、对所述多个用户访问所述网络页面所产生的数据进行数据清洗处理，得到初始数据。
2022、对所述初始数据进行数据计算，得到训练所需的计算数据。
2023、提取所述网络页面的截图中影响用户视觉体验的第二页面特征。
2024、将所述计算数据及所述第二页面特征，作为所述网络页面对应的样本数据。
上述，影响用户视觉体验的第二页面特征可包括但不限于如下的至少一种：布局视觉特征及色彩视觉特征。在一具体实施方式中，所述布局视觉特征包括如下至少一种：区块数量、各区块位置、各区块占总体页面的面积比。所述色彩视觉特征包括如下至少一种：色调、明亮度、色彩饱和度及色彩丰富度。
上述步骤2011中，所述初始数据包括如下至少一种：所述网络页面的访问记录、所述网络页面的页面组件曝光信息、用户在所述网络页面上的停留时长、用户是否通过所述网络页面完成转化行为、用户是否通过网络页面达到转化目标页、页面组件的操作记录。
相应的，上述步骤2022中，对所述初始数据进行数据计算，得到训练所需的计算数据，包括如下至少一个步骤：
基于所述网页的访问记录，统计页面访问量PV及独立访问量UV；
基于各用户在所述网络页面上的停留时长，计算所述网络页面的人均停留时长；
基于所述网络页面的页面组件曝光信息，统计所述网络页面上各页面组件的曝光率；
基于所述用户是否通过所述网络页面完成转化行为以及所述用户是否通过所述网络页面达到转化目标页，计算所述网络页面对应的转化率；
基于所述页面组件的操作记录，统计网络页面上各组件的被操作次数。
进一步的，本实施例提供的所述方法还可包括第一预测模型的训练步骤。即，所述方法还包括：
根据所述训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型以得到用于预测页面热区的第一预测模型。
进一步的，本实施例提供的所述方法还可包括第二预测模型的训练步骤。即，所述方法还包括：
根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型以得到用于预测用户停留时长的第二预测模型。
进一步的，本实施例提供的所述方法还可包括第三预测模型的训练步骤。即，所述方法还包括：
根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第四训练模型进行训练以得到用于预测页面转化率的第三预测模型。
进一步的，本申请实施例还可包括如下步骤：
204、获取针对所述体验评测模型的结果评测准确性的标注数据。
205、基于所述标注数据，对所述体验评测模型进行强化训练，以便后续使用强化后的体验评测模型对页面进行评测。
这里需要说明的是：本申请实施例中提供的各方法步骤的具体实现可参见上述实施例中的相关内容，此处不再赘述。
下面结合图所示的信令图对本申请实施例提供的技术方案进行说明。本申请实施例提供的技术方法可包括如下三个过程：
一、训练过程
301、网络设备从用户设备侧获取用户访问网络页面所产生的数据，以收集训练所需的原始数据。
302、网络设备对获取到的数据进行数据清洗处理，并将处理后的数据进行存储。
303、网络设备基于存储区域内存储的数据，计算得到训练模型所需的计算数据。
304、网络设备对网络页面进行截图，将网络页面的截图进行存储。
305、网络设备拉取计算数据及截图数据进行模型训练，以得到体验评测模型。
二、评测过程
306、网络设备从用户设备侧获取待预测页面的页面截图。
307、网络设备从将截取到的页面截图进行存储，以便后续作为训练样本数据；
308、网络设备将截取到的页面截图作为体验评测模型的输入，执行所述体验评测模型得到预测结果与调整数据。
309、网络设备将预测结果反馈至用户设备，以由用户设备对评测结果进行显示和/或根据评测结果进行页面调整。
三、强化训练过程
310、网络设备发起度量任务，以从存储区域内获取度量数据集。
311、网络设备对预测结果的准确性进行标注。
312、网络设备将标注数据进行存储，将标注数据作为体验评测模型的输入，对体验评测模型进行强化训练。
图4为实现本申请实施例提供的页面评测方法的系统拓扑图。其中，包括网络设备200以及多个与之经由网络相连接的用户设100备。其中，用户设备100将至少一个待评测页面的页面截图通过网络上传至网络设备200，由网络设备200对所述待评测页面进行评测，并将评测结果反馈至用户设备100。其中，网络包括但不限于：互联网、广域网、局域网、VPN网络、无线自组织网络等。在本申请中，所述页面不限于网页，还可包括操作系统中的视窗、桌面、对话框、弹出式广告等等。
另外，网络设备200包括但不限于网络主机、单个网络服务器、多个网络服务器集合或基于云计算的计算机集合。而用户设备100可以是任何一种可与用户通过键盘、鼠标、遥控器、触摸板或手写设备等方式进行人机交互的电子产品，例如计算机、手机、PDA、掌上电脑PPC或IPTV等等。网络设备与多个用户设备之间的通信相互独立，可以是基于诸如TCP/IP协议、UDP(用户数据报)协议等的分组数据传输。
具体的，如图4所示，所述页面评测系统包括：用户设备100及网络设备200。其中，
用户设备100，用于将待测页面的页面截图发送至网络设备；
网络设备200，用于提取所述页面截面中影响用户视觉体验的第一页面特征；根据所述第一页面特征，对所述待测页面进行体验评测得到用于指导所述待测页面调整的评测结果；将所述评测结果反馈至所述用户设备100；
所述用户设备100，还用于根据所述评测结果，调整所述待测页面。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
这里需要说明的是：本申请实施例提供的所述页面评测系统中各组成单元，如用户设备、网络设备的具体工作流程及之间的信令交互同上述图所示实施例。
图5示出本申请一实施例提供的页面评测方法的流程示意图。本申请实施例提供的所述方法的执行主体可以网络设备，该网络设备包括但不限于网络主机、单个网络服务器、多个网络服务器集合或基于云计算的计算机集合。具体的，如图所示，所述方法，包括：
501、接收用户设备发送的待测页面的页面截图。
502、提取所述页面截图中影响用户视觉体验的第一页面特征。
503、根据所述第一页面特征，对所述待测页面进行体验评测并将评测结果反馈至所述用户设备，以使所述用户设备根据所述检测结果调整所述待测页面。
其中，所述第一页面特征包括如下至少一种：布局视觉特征及色彩视觉特征；所述布局视觉特征包括如下至少一种：区块数量、各区块位置、各区块占总体页面的面积比；所述色彩视觉特征包括如下至少一种：色调、明亮度、色彩饱和度及色彩丰富度。
上述步骤501～503的具体实现可参见上述各实施例中的相关内容，此处不再赘述。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
图6示出本申请一实施例提供的页面评测装置的结构示意图。如图6所示，所述页面评测装置包括：获取模块11、提取模块12及评测模块13。其中，获取模块11用于获取待测页面的页面截图；提取模块12用于提取所述页面截图中影响用户视觉体验的第一页面特征；评测模块13用于根据所述第一页面特征，对所述待测页面进行体验评测得到用于指导所述待测页面调整的评测结果。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
进一步的，所述第一页面特征包括如下至少一种：布局视觉特征及色彩视觉特征；以及所述提取模块12还用于：对所述页面截图进行区块内容分解分析，以分析出页面中的区块信息；基于所述区块信息，确定所述布局视觉特征。
进一步的，所述提取模型12还用于将所述页面截图表征为颜色空间；基于所述颜色空间计算所述色彩视觉特征。
具体的，所述布局视觉特征包括如下至少一种：区块数量、各区块位置、各区块占总体页面的面积比。所述色彩视觉特征包括如下至少一种：色调、明亮度、色彩饱和度及色彩丰富度。
进一步的，所述评测模块13还用于将所述第一页面特征作为体验评测模型的输入，执行所述体验评测模型得到所述评测结果。
进一步的，本申请实施例提供的所述装置还包括：
确定模块，用于基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；
收集模块，用于收集不同网络页面对应的样本数据，以构建训练集；
训练模块，用于基于所述训练集，对训练模型进行训练以得到所述体验评测模型。
进一步的，所述确定模块还用于：对所述多个用户访问所述网络页面所产生的数据进行数据清洗处理，得到初始数据；对所述初始数据进行数据计算，得到训练所需的计算数据；提取所述网络页面的截图中影响用户视觉体验的第二页面特征；将所述计算数据及所述第二页面特征，作为所述网络页面对应的样本数据。
进一步的，所述初始数据包括如下至少一种：所述网络页面的访问记录、所述网络页面的页面组件曝光信息、用户在所述网络页面上的停留时长、用户是否通过所述网络页面完成转化行为、用户是否通过网络页面达到转化目标页、页面组件的操作记录。
所述确定模块还用于计算如下至少一种数据：
基于所述网页的访问记录，统计页面访问量PV及独立访问量UV；
基于各用户在所述网络页面上的停留时长，计算所述网络页面的人均停留时长；
基于所述网络页面的页面组件曝光信息，统计所述网络页面上各页面组件的曝光率；
基于所述用户是否通过所述网络页面完成转化行为以及所述用户是否通过所述网络页面达到转化目标页，计算所述网络页面对应的转化率；
基于所述页面组件的操作记录，统计网络页面上各组件的被操作次数。
进一步的，所述训练模块还用于：根据所述训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型以得到用于预测页面热区的第一预测模型。相应的，本申请实施例提供的所述装置还包括：热区预测模块。该热区预测模块用于将所述第一页面特征作为所述第一预测模型的输入，执行所述热区预测模型得到所述待测页面对应的热区预测结果。
进一步的，所述训练模块还用于：根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型以得到用于预测用户停留时长的第二预测模型。相应的，本申请实施例提供的所述装置还包括：停留时长预测模块。该停留时长预测模块用于将所述第一页面特征作为所述第二预测模型的输入，执行所述第二预测模型得到所述待测页面对应的用户停留时长预测结果。
进一步的，所述训练模块还用于根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第三训练模型进行训练以得到用于预测页面转化率的第三预测模型。相应的，本申请实施例提供的所述装置还包括：转化率预测模块。该转化率预测模块用于将所述第一页面特征作为所述第三预测模型的输入，执行所述第三预测模型得到所述待测页面对应的转化率预测结果。
进一步的，本申请实施例提供的所述装置还包括：标注模块及强化模块；其中，标注模块用于对所述评测结果进行标注；强化模块用于根据标注的数据，对所述体验评测模型进行强化训练，以便后续使用强化后的体验评测模型对页面进行评测。
进一步的，所述评测结果包括如下中的至少一种：所述评测结果包括如下中的至少一种：至少一个评测分、至少一个调整建议信息及至少一个页面调整信息。
进一步的，所述评测结果包含有所述至少一个页面调整信息时，本申请实施例提供的装置还可包括：调整模块。该调整模块用于结合所述待测页面的矢量接口数据及所述至少一个页面调整信息，对所述待测页面进行调整。
这里需要说明的是：上述实施例提供的页面评测装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
图7示出了本申请一实施例提供的模型构建装置的结构示意图。如图7所示，所述模型构建装置包括：确定模块21、收集模块22及训练模块23。其中，所述确定模块21，用于基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；所述收集模块22用于收集不同网络页面对应的样本数据，以构建训练集；所述训练模块23用于基于所述训练集，对训练模型进行训练以得到体验评测模型。
本申请实施例提供的技术方案，基于收集到不同网络页面对应的样本数据，对训练模型进行训练以得到体验评测模型，用于自动化评测页面的体验质量，以替代现有人工评测，提高页面评测效率。
进一步的，所述确定模块21还用于：对所述多个用户访问所述网络页面所产生的数据进行数据清洗处理，得到初始数据；对所述初始数据进行数据计算，得到训练所需的计算数据；提取所述网络页面的截图中影响用户视觉体验的第二页面特征；将所述计算数据及所述第二页面特征，作为所述网络页面对应的样本数据。
进一步的，所述初始数据包括但不限于如下至少一种：所述网络页面的访问记录、所述网络页面的页面组件曝光信息、用户在所述网络页面上的停留时长、用户是否通过所述网络页面完成转化行为、用户是否通过网络页面达到转化目标页、页面组件的操作记录。
进一步的，所述确定模块21还用于计算如下至少一种数据：
基于所述网页的访问记录，统计页面访问量PV及独立访问量UV；
基于各用户在所述网络页面上的停留时长，计算所述网络页面的人均停留时长；
基于所述网络页面的页面组件曝光信息，统计所述网络页面上各页面组件的曝光率；
基于所述用户是否通过所述网络页面完成转化行为以及所述用户是否通过所述网络页面达到转化目标页，计算所述网络页面对应的转化率；
基于所述页面组件的操作记录，统计网络页面上各组件的被操作次数。
进一步的，所述训练模块23还用于：根据所述训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型以得到用于预测页面热区的第一预测模型。
进一步的，所述训练模块23还用于：根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型以得到用于预测用户停留时长的第二预测模型。
进一步的，所述训练模块23还用于：根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第四训练模型进行训练以得到用于预测页面转化率的第三预测模型。
进一步的，所述第二页面特征包括如下至少一种：布局视觉特征及色彩视觉特征。
相应的，所述确定模块21还用于对所述页面截图进行区块内容分解分析，以分析出页面中的区块信息；基于所述区块信息，确定所述布局视觉特征。所述提取模块还用于将所述页面截图表征为颜色空间；基于所述颜色空间计算所述色彩视觉特征。
这里需要说明的是：上述实施例提供的数据获取装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
图8示出了本申请一实施例提供的页面评测装置的结构示意图。如图所示，所述页面评测装置包括：接收模块31、提取模块32及评测与反馈模块33。其中，接收模块31用于接收用户设备发送的待测页面的页面截图；提取模块32用于提取所述页面截图中影响用户视觉体验的第一页面特征；评测与反馈模块33用于根据所述第一页面特征，对所述待测页面进行体验评测并将评测结果反馈至所述用户设备，以使所述用户设备根据所述检测结果调整所述待测页面。
进一步的，所述第一页面特征包括如下至少一种：布局视觉特征及色彩视觉特征；其中，所述布局视觉特征包括如下至少一种：区块数量、各区块位置、各区块占总体页面的面积比；所述色彩视觉特征包括如下至少一种：色调、明亮度、色彩饱和度及色彩丰富度。
这里需要说明的是：上述实施例提供的数据获取装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
图9示出了本申请一实施例提供的电子设备的结构示意图。如图9所示，所述电子设备包括：第一存储器41及第一处理器42。其中，
所述第一存储器41，用于存储程序；
所述第一处理器42，与所述第一存储器41耦合，用于执行所述第一存储器41中存储的所述程序，以用于：
获取待测页面的页面截图；
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测得到用于指导所述待测页面调整的评测结果。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
上述第一存储器41可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。第一存储器41可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述第一处理器42在执行第一存储器41中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
进一步，如图9所示，电子设备还包括：第一通信组件43、第一显示器44、第一电源组件45、第一音频组件46等其它组件。图9中仅示意性给出部分组件，并不意味着电子设备只包括图9所示组件。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的页面评测方法的步骤或功能。
图10示出了本申请另一实施例提供的电子设备的结构示意图。如图10所示，所述电子设备包括：第二存储器51及第二处理器51；其中，
所述第二存储器51，用于存储程序；
所述第二处理器52，与所述第二存储器51耦合，用于执行所述第二存储器51中存储的所述程序，以用于：
基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；
收集不同网络页面对应的样本数据，以构建训练集；
基于所述训练集，对训练模型进行训练以得到体验评测模型。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
上述第二存储器51可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。第二存储器51可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述第二处理器52在执行第二存储器51中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
进一步，如图10所示，客户端设备还包括：第二通信组件53、第二电源组件55、第二音频组件56等其它组件。图10中仅示意性给出部分组件，并不意味着电子设备只包括图10所示组件。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的模型构建方法的步骤或功能。
图11示出了本申请一实施例提供的网络设备的结构示意图。如图11所示，所述网络设备包括：第三存储器61、第三处理器62及第三通信组件63；其中，
所述第三存储器61，用于存储程序；
所述第三通信组件63，与所述第三处理器62耦合，用于接收用户设备发送的待测页面的页面截图；
所述第三处理器62，与所述第三存储器61耦合，用于执行所述第三存储器61中存储的所述程序，以用于：
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测；
所述第三通信组件63，还用于将评测结果反馈至所述用户设备，以使所述用户设备根据所述检测结果调整所述待测页面。
本申请实施例提供的技术方案，通过从待测页面的页面截图中提取影响用户视觉体验的页面特征，然后基于页面特征对待测页面进行体验评测，实现了页面体验评测的自动化，以替代现有人工评测，提高页面评测效率。
上述第三存储器61可被配置为存储其它各种数据以支持在网络设备上的操作。这些数据的示例包括用于在网络设备上操作的任何应用程序或方法的指令。第三存储器61可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述第三处理器62在执行第三存储器61中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
进一步，如图11所示，电子设备还包括：第三显示器64、第三一电源组件65、第三音频组件66等其它组件。图11中仅示意性给出部分组件，并不意味着网络设备只包括图11所示组件。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的页面评测方法的步骤或功能。
其中，网络设备可以是服务端设备，如服务器、云端设备等，本申请实施例对此不作具体限定。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (20)
1.一种页面评测方法，其特征在于，包括：
获取待测页面的页面截图；
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测得到评测结果；
根据训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型进行训练以得到用于预测页面热区的第一预测模型；
将所述第一页面特征作为所述第一预测模型的输入，执行所述第一预测模型得到所述待测页面对应的热区预测结果；
根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型进行训练以得到用于预测用户停留时长的第二预测模型；
将所述第一页面特征作为所述第二预测模型的输入，执行所述第二预测模型得到所述待测页面对应的用户停留时长预测结果；
根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第三训练模型进行训练以得到用于预测页面转化率的第三预测模型；
将所述第一页面特征作为所述第三预测模型的输入，执行所述第三预测模型得到所述待测页面对应的转化率预测结果。
2.根据权利要求1所述的方法，其特征在于，所述第一页面特征包括如下至少一种：布局视觉特征及色彩视觉特征。
3.根据权利要求2所述的方法，其特征在于，提取所述页面截图中影响用户视觉体验的第一页面特征，包括：
对所述页面截图进行区块内容分解分析，以分析出页面中的区块信息；
基于所述区块信息，确定所述布局视觉特征；
其中，所述布局视觉特征包括如下至少一种：区块数量、各区块位置、各区块占总体页面的面积比。
4.根据权利要求2所述的方法，其特征在于，提取所述页面截图中影响用户视觉体验的第一页面特征，包括：
将所述页面截图表征为颜色空间；
基于所述颜色空间计算所述色彩视觉特征；
其中，所述色彩视觉特征包括如下至少一种：色调、明亮度、色彩饱和度及色彩丰富度。
5.根据权利要求1至4中任一项所述的方法，其特征在于，根据所述第一页面特征，对所述待测页面进行体验评测得到所述评测结果，包括：
将所述第一页面特征作为体验评测模型的输入，执行所述体验评测模型得到所述评测结果，所述评测结果用于指导所述待测页面调整。
6.根据权利要求5所述的方法，其特征在于，还包括：
基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；
收集不同网络页面对应的样本数据，以构建训练集；
基于所述训练集，对评测训练模型进行训练以得到所述体验评测模型。
7.根据权利要求6所述的方法，其特征在于，基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据，包括：
对所述多个用户访问所述网络页面所产生的数据进行数据清洗处理，得到初始数据；
对所述初始数据进行数据计算，得到训练所需的计算数据；
提取所述网络页面的截图中影响用户视觉体验的第二页面特征；
将所述计算数据及所述第二页面特征，作为所述网络页面对应的样本数据；
其中，所述初始数据包括如下至少一种：所述网络页面的访问记录、所述网络页面的页面组件曝光信息、用户在所述网络页面上的停留时长、用户是否通过所述网络页面完成转化行为、用户是否通过网络页面达到转化目标页、页面组件的操作记录。
8.根据权利要求7所述的方法，其特征在于，对所述初始数据进行数据计算，得到训练所需的计算数据，包括如下至少一个步骤：
基于网页的访问记录，统计页面访问量PV及独立访问量UV；
基于各用户在所述网络页面上的停留时长，计算所述网络页面的人均停留时长；
基于所述网络页面的页面组件曝光信息，统计所述网络页面上各页面组件的曝光率；
基于所述用户是否通过所述网络页面完成转化行为以及所述用户是否通过所述网络页面达到转化目标页，计算所述网络页面对应的转化率；
基于所述页面组件的操作记录，统计网络页面上各组件的被操作次数。
9.根据权利要求5所述的方法，其特征在于，还包括：
对所述评测结果进行标注；
根据标注的数据，对所述体验评测模型进行强化训练，以便后续使用强化后的体验评测模型对页面进行评测。
10.根据权利要求1至4中任一项所述的方法，其特征在于，所述评测结果包括如下中的至少一种：至少一个评测分、至少一个调整建议信息及至少一个页面调整信息。
11.根据权利要求10所述的方法，其特征在于，所述评测结果包含有所述至少一个页面调整信息时；以及
所述方法，还包括：
结合所述待测页面的矢量接口数据及所述至少一个页面调整信息，对所述待测页面进行调整。
12.一种模型构建方法，其特征在于，包括：
基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；
收集不同网络页面对应的样本数据，以构建训练集；
基于所述训练集，对评测训练模型进行训练以得到体验评测模型；
根据所述训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型以得到用于预测页面热区的第一预测模型；
根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型以得到用于预测用户停留时长的第二预测模型；
根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第四训练模型进行训练以得到用于预测页面转化率的第三预测模型。
13.根据权利要求12所述的方法，其特征在于，基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据，包括：
对所述多个用户访问所述网络页面所产生的数据进行数据清洗处理，得到初始数据；
对所述初始数据进行数据计算，得到训练所需的计算数据；
提取所述网络页面的截图中影响用户视觉体验的第二页面特征；
将所述计算数据及所述第二页面特征，作为所述网络页面对应的样本数据；
其中，所述初始数据包括如下至少一种：所述网络页面的访问记录、所述网络页面的页面组件曝光信息、用户在所述网络页面上的停留时长、用户是否通过所述网络页面完成转化行为、用户是否通过网络页面达到转化目标页、页面组件的操作记录。
14.根据权利要求13所述的方法，其特征在于，对所述初始数据进行数据计算，得到训练所需的计算数据，包括如下至少一个步骤：
基于网页的访问记录，统计页面访问量PV及独立访问量UV；
基于各用户在所述网络页面上的停留时长，计算所述网络页面的人均停留时长；
基于所述网络页面的页面组件曝光信息，统计所述网络页面上各页面组件的曝光率；
基于所述用户是否通过所述网络页面完成转化行为以及所述用户是否通过所述网络页面达到转化目标页，计算所述网络页面对应的转化率；
基于所述页面组件的操作记录，统计网络页面上各组件的被操作次数。
15.一种页面评测系统，其特征在于，包括：
用户设备，用于将待测页面的页面截图发送至网络设备；
网络设备，用于提取所述页面截图中影响用户视觉体验的第一页面特征；根据所述第一页面特征，对所述待测页面进行体验评测得到用于指导所述待测页面调整的评测结果；将所述评测结果反馈至所述用户设备；根据训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型进行训练以得到用于预测页面热区的第一预测模型；将所述第一页面特征作为所述第一预测模型的输入，执行所述第一预测模型得到所述待测页面对应的热区预测结果；根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型进行训练以得到用于预测用户停留时长的第二预测模型；将所述第一页面特征作为所述第二预测模型的输入，执行所述第二预测模型得到所述待测页面对应的用户停留时长预测结果；根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第三训练模型进行训练以得到用于预测页面转化率的第三预测模型；将所述第一页面特征作为所述第三预测模型的输入，执行所述第三预测模型得到所述待测页面对应的转化率预测结果；
所述用户设备，还用于根据所述评测结果，调整所述待测页面。
16.一种页面评测方法，其特征在于，包括：
接收用户设备发送的待测页面的页面截图；
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测并将评测结果反馈至所述用户设备，以使所述用户设备根据所述评测结果调整所述待测页面；
根据训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型进行训练以得到用于预测页面热区的第一预测模型；
将所述第一页面特征作为所述第一预测模型的输入，执行所述第一预测模型得到所述待测页面对应的热区预测结果；
根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型进行训练以得到用于预测用户停留时长的第二预测模型；
将所述第一页面特征作为所述第二预测模型的输入，执行所述第二预测模型得到所述待测页面对应的用户停留时长预测结果；
根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第三训练模型进行训练以得到用于预测页面转化率的第三预测模型；
将所述第一页面特征作为所述第三预测模型的输入，执行所述第三预测模型得到所述待测页面对应的转化率预测结果。
17.根据权利要求16所述的方法，其特征在于，所述第一页面特征包括如下至少一种：布局视觉特征及色彩视觉特征；
所述布局视觉特征包括如下至少一种：区块数量、各区块位置、各区块占总体页面的面积比；
所述色彩视觉特征包括如下至少一种：色调、明亮度、色彩饱和度及色彩丰富度。
18.一种电子设备，其特征在于，包括：第一存储器及第一处理器；其中，
所述第一存储器，用于存储程序；
所述第一处理器，与所述第一存储器耦合，用于执行所述第一存储器中存储的所述程序，以用于：
获取待测页面的页面截图；
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测得到用于指导所述待测页面调整的评测结果；
根据训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型进行训练以得到用于预测页面热区的第一预测模型；
将所述第一页面特征作为所述第一预测模型的输入，执行所述第一预测模型得到所述待测页面对应的热区预测结果；
根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型进行训练以得到用于预测用户停留时长的第二预测模型；
将所述第一页面特征作为所述第二预测模型的输入，执行所述第二预测模型得到所述待测页面对应的用户停留时长预测结果；
根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第三训练模型进行训练以得到用于预测页面转化率的第三预测模型；
将所述第一页面特征作为所述第三预测模型的输入，执行所述第三预测模型得到所述待测页面对应的转化率预测结果。
19.一种电子设备，其特征在于，包括：第二存储器及第二处理器；其中，
所述第二存储器，用于存储程序；
所述第二处理器，与所述第二存储器耦合，用于执行所述第二存储器中存储的所述程序，以用于：
基于多个用户访问网络页面所产生的数据及所述网络页面的截图，确定所述网络页面的样本数据；
收集不同网络页面对应的样本数据，以构建训练集；
基于所述训练集，对评测训练模型进行训练以得到体验评测模型；
根据所述训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型以得到用于预测页面热区的第一预测模型；
根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型以得到用于预测用户停留时长的第二预测模型；
根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第四训练模型进行训练以得到用于预测页面转化率的第三预测模型。
20.一种网络设备，其特征在于，包括：第三存储器、第三处理器及第三通信组件；其中，
所述第三存储器，用于存储程序；
所述第三通信组件，与所述第三处理器耦合，用于接收用户设备发送的待测页面的页面截图；
所述第三处理器，与所述第三存储器耦合，用于执行所述第三存储器中存储的所述程序，以用于：
提取所述页面截图中影响用户视觉体验的第一页面特征；
根据所述第一页面特征，对所述待测页面进行体验评测；
所述第三通信组件，还用于将评测结果反馈至所述用户设备，以使所述用户设备根据所述评测结果调整所述待测页面；
根据训练集中各网络页面的页面访问量PV、独立访问量UV、转化率、各组件的被操作次数以及各网络页面的第二页面特征，对第一训练模型进行训练以得到用于预测页面热区的第一预测模型；
将所述第一页面特征作为所述第一预测模型的输入，执行所述第一预测模型得到所述待测页面对应的热区预测结果；
根据所述训练集中各网络页面的人均停留时长及各网络页面的第二页面特征，对第二训练模型进行训练以得到用于预测用户停留时长的第二预测模型；
将所述第一页面特征作为所述第二预测模型的输入，执行所述第二预测模型得到所述待测页面对应的用户停留时长预测结果；
根据所述训练集中各网络页面的转化率及各网络页面的第二页面特征，对第三训练模型进行训练以得到用于预测页面转化率的第三预测模型；
将所述第一页面特征作为所述第三预测模型的输入，执行所述第三预测模型得到所述待测页面对应的转化率预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810933921.1A CN110837460B (zh) | 2018-08-16 | 2018-08-16 | 页面评测方法、模型构建方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810933921.1A CN110837460B (zh) | 2018-08-16 | 2018-08-16 | 页面评测方法、模型构建方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110837460A CN110837460A (zh) | 2020-02-25 |
| CN110837460B true CN110837460B (zh) | 2023-07-14 |
Family
ID=69573270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810933921.1A Active CN110837460B (zh) | 2018-08-16 | 2018-08-16 | 页面评测方法、模型构建方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837460B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022145499A1 (ko) * | 2020-12-28 | 2022-07-07 | 주식회사 앱테스트에이아이 | 유저 인터페이스 자율 테스트 시스템 및 방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777060A (zh) * | 2009-12-23 | 2010-07-14 | 中国科学院自动化研究所 | 网页视觉质量的自动评价方法及其系统 |
| CN103544169A (zh) * | 2012-07-12 | 2014-01-29 | 百度在线网络技术（北京）有限公司 | 页面调整方法及装置 |
| CN103544170A (zh) * | 2012-07-12 | 2014-01-29 | 百度在线网络技术（北京）有限公司 | 浏览质量的评估方法及装置 |
| JP2016167168A (ja) * | 2015-03-09 | 2016-09-15 | 株式会社Ｆａｂｅｒ ＆ Ｔｅｃｈｎｏｌｏｇｙ | アクセス解析画像提供装置、アクセス解析画像提供方法、及びプログラム |
| CN107562613A (zh) * | 2016-06-30 | 2018-01-09 | 阿里巴巴集团控股有限公司 | 程序测试方法、装置及系统 |
| CN107808000A (zh) * | 2017-11-13 | 2018-03-16 | 哈尔滨工业大学（威海） | 一种暗网数据采集与抽取系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130166394A1 (en) * | 2011-12-22 | 2013-06-27 | Yahoo! Inc. | Saliency-based evaluation of webpage designs and layouts |
-
2018
- 2018-08-16 CN CN201810933921.1A patent/CN110837460B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777060A (zh) * | 2009-12-23 | 2010-07-14 | 中国科学院自动化研究所 | 网页视觉质量的自动评价方法及其系统 |
| CN103544169A (zh) * | 2012-07-12 | 2014-01-29 | 百度在线网络技术（北京）有限公司 | 页面调整方法及装置 |
| CN103544170A (zh) * | 2012-07-12 | 2014-01-29 | 百度在线网络技术（北京）有限公司 | 浏览质量的评估方法及装置 |
| JP2016167168A (ja) * | 2015-03-09 | 2016-09-15 | 株式会社Ｆａｂｅｒ ＆ Ｔｅｃｈｎｏｌｏｇｙ | アクセス解析画像提供装置、アクセス解析画像提供方法、及びプログラム |
| CN107562613A (zh) * | 2016-06-30 | 2018-01-09 | 阿里巴巴集团控股有限公司 | 程序测试方法、装置及系统 |
| CN107808000A (zh) * | 2017-11-13 | 2018-03-16 | 哈尔滨工业大学（威海） | 一种暗网数据采集与抽取系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 毛布 ; 谢汶 ; .一种基于贝叶斯算法的页面置换评测系统.四川理工学院学报(自然科学版).2010,(02),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110837460A (zh) | 2020-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6778273B2 (ja) | パフォーマンスモデル悪影響補正 | |
| CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
| CN110245213A (zh) | 调查问卷生成方法、装置、设备和存储介质 | |
| CN109284729A (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
| CN109670104A (zh) | 基于机器学习的信息推送方法、设备、装置及存储介质 | |
| US20230306449A1 (en) | Pre-processing financial market data prior to machine learning training | |
| US20210232478A1 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
| CN104866831B (zh) | 特征加权的人脸识别算法 | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
| CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
| CN107766316B (zh) | 评价数据的分析方法、装置及系统 | |
| CN112368720A (zh) | 信息处理设备、信息处理方法和程序 | |
| CN115689415A (zh) | 一种基于数字孪生的物流监视与仿真系统 | |
| CN109063120A (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
| CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
| Shao et al. | Research on automatic identification system of tobacco diseases | |
| CN110837460B (zh) | 页面评测方法、模型构建方法及设备 | |
| CN111177495A (zh) | 一种智能识别数据内容并生成相应行业报告的方法 | |
| CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
| CN110275820A (zh) | 页面兼容性测试方法、系统及设备 | |
| CN107729424A (zh) | 一种数据可视化方法及设备 | |
| CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
| CN111105127A (zh) | 一种基于数据驱动的模块化产品设计评价方法 | |
| WO2016187504A1 (en) | Crowd-based sentiment indices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230625 Address after: No. 88, Dingxin Road, Haizhu District, Guangzhou, Guangdong Applicant after: Alibaba South China Technology Co.,Ltd. Address before: Box 847, four, Grand Cayman capital, Cayman Islands, UK Applicant before: ALIBABA GROUP HOLDING Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |