CN115952371A - 一种页面预加载方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种页面预加载方法、装置、电子设备及存储介质，该方法包括：获取目标应用程序的当前访问页面链接对应的链接序列；使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列；对页面链接序列中的多个页面链接进行预加载，获得预加载的页面文件。在上述方案的实现过程中，通过使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列，并对页面链接序列中的多个页面链接进行预加载，从而有效地改善了采取无差别的加载策略进行网页预加载导致内存占满无法响应的情况，改善了容易出现死机重启的问题。

Description

一种页面预加载方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机数据处理和计算机通信的技术领域，具体而言，涉及一种页面预加载方法、装置、电子设备及存储介质。

背景技术

目前，用户浏览(例如手机或平板电脑中的)当前应用程序(APP)的网络页面时，可以提前下载并缓存用户未来要浏览的一个或多个页面(包括页面中的图片文件或视频文件等)，这样在用户点击页面链接并切换下一页面时，就可以快速地浏览到该网络页面，并且比较流畅地访问页面，从而极大地改善用户体验，此种技术可称为页面预加载。现有的应用程序(APP)在执行页面预加载时，对所有页面都采取无差别的加载策略，例如，对用户当前浏览的网络页面中的每个页面链接，都提前下载并缓存每个页面链接对应的页面内容。

在采取无差别的加载策略进行网页预加载的过程中，当一些网络页面中的页面链接非常多时，下载并缓存每个页面会导致内存占满无法响应，甚至容易出现死机重启的问题。

发明内容

本申请实施例的目的在于提供一种页面预加载方法、装置、电子设备及存储介质，用于改善容易出现死机重启的问题。

本申请实施例提供了一种页面预加载方法，包括：获取目标应用程序的当前访问页面链接对应的链接序列；使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列；对页面链接序列中的多个页面链接进行预加载，获得预加载的页面文件。在上述方案的实现过程中，通过使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列，并对页面链接序列中的多个页面链接进行预加载，从而有效地改善了采取无差别的加载策略进行网页预加载导致内存占满无法响应的情况，改善了容易出现死机重启的问题。

可选地，在本申请实施例中，对页面链接序列中的多个页面链接进行预加载，包括：从页面链接序列中解析出多个页面链接，并下载多个页面链接中的目标文件。在上述方案的实现过程中，通过从页面链接序列中解析出多个页面链接，并下载多个页面链接中的目标文件，从而提前下载了页面链接中的目标文件，有效地提高了目标应用程序的响应速度。

可选地，在本申请实施例中，下载多个页面链接中的目标文件，包括：针对多个页面链接中的每个页面链接，判断该页面链接中的目标文件尺寸是否大于尺寸阈值；若是，则下载该页面链接中的目标文件。在上述方案的实现过程中，通过在该页面链接中的目标文件尺寸大于尺寸阈值的情况下，从而提前下载了页面链接中的目标文件，有效地提高了目标应用程序的响应速度。

可选地，在本申请实施例中，在使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测之前，还包括：获取历史访问页面链接，并对历史访问页面链接进行编码，获得页面编码序列；使用页面编码序列对机器学习模型进行训练，获得训练后的机器学习模型。在上述方案的实现过程中，通过使用页面编码序列对机器学习模型进行训练，并使用训练后的机器学习模型预测需要预加载的页面链接序列，从而有效地改善了采取无差别的加载策略进行网页预加载导致内存占满无法响应的情况，改善了容易出现死机重启的问题。

可选地，在本申请实施例中，对历史访问页面链接进行编码，包括：统计出目标应用程序的全部页面链接，并对全部页面链接进行编码，获得页面唯一编码；使用页面唯一编码对历史访问页面链接进行编码，获得页面编码序列。在上述方案的实现过程中，通过使用页面唯一编码对历史访问页面链接进行编码，获得页面编码序列，从而改善直接使用页面链接来训练机器学习模型，有效地减少了机器学习模型的训练时长。

可选地，在本申请实施例中，在获得预加载的页面文件之后，还包括：响应于多个页面链接中的一个页面链接的访问操作，根据预加载的页面文件生成该页面链接对应的网络页面。在上述方案的实现过程中，通过根据预加载的页面文件生成该页面链接对应的网络页面，有效地改善了实时获取页面文件并生成网络页面，导致响应速度较慢的情况，从而提高了目标应用程序的响应速度。

可选地，在本申请实施例中，机器学习模型是基于transformer结构的神经网络模型。

本申请实施例还提供了一种页面预加载装置，包括：链接序列获取模块，用于获取目标应用程序的当前访问页面链接对应的链接序列；链接序列预测模块，用于使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列；页面预加载模块，用于对页面链接序列中的多个页面链接进行预加载，获得预加载的页面文件。

可选地，在本申请实施例中，页面预加载模块，包括：目标文件下载模块，用于从页面链接序列中解析出多个页面链接，并下载多个页面链接中的目标文件。

可选地，在本申请实施例中，目标文件下载模块，包括：文件尺寸判断子模块，用于针对多个页面链接中的每个页面链接，判断该页面链接中的目标文件尺寸是否大于尺寸阈值；页面文件下载子模块，用于若该页面链接中的目标文件尺寸大于尺寸阈值，则下载该页面链接中的目标文件。

可选地，在本申请实施例中，页面预加载装置，还包括：编码序列获取模块，用于获取历史访问页面链接，并对历史访问页面链接进行编码，获得页面编码序列；机器模型获得模块，用于使用页面编码序列对机器学习模型进行训练，获得训练后的机器学习模型。

可选地，在本申请实施例中，编码序列获取模块，包括：页面唯一编码子模块，用于统计出目标应用程序的全部页面链接，并对全部页面链接进行编码，获得页面唯一编码；历史页面编码子模块，用于历史使用页面唯一编码对历史访问页面链接进行编码，获得页面编码序列。

可选地，在本申请实施例中，页面预加载装置，还包括：网络页面生成模块，用于响应于多个页面链接中的一个页面链接的访问操作，根据预加载的页面文件生成该页面链接对应的网络页面。

可选地，在本申请实施例中，机器学习模型是基于transformer结构的神经网络模型。

本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。

本申请实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请实施例中的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出的本申请实施例提供的页面预加载方法的流程示意图；

图2示出的本申请实施例提供的目标应用程序的当前访问页面的示意图；

图3示出的本申请实施例提供的训练机器学习模型的流程示意图；

图4示出的本申请实施例提供的页面预加载装置的结构示意图；

图5示出的本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请实施例中的附图仅起到说明和描述的目的，并不用于限定本申请实施例的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请实施例中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请实施例内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请实施例的一部分，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请实施例的详细描述并非旨在限制要求保护的本申请实施例的范围，而是仅仅表示本申请实施例的选定实施例。

可以理解的是，本申请实施例中的“第一”“第二”用于区别类似的对象。本领域技术人员可以理解“第一”“第二”等字样并不对数量和执行次序进行限定，并且“第一”“第二”等字样也并不限定一定不同。在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。术语“多个”指的是两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)。

需要说明的是，本申请实施例提供的页面预加载方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和UNIX服务器。

下面介绍该页面预加载方法适用的应用场景，这里的应用场景包括但不限于：在用户访问电子设备(例如智能手机、个人电脑或平板电脑等)的目标应用程序的某个页面时，该页面中可能包括大量的图片链接或者视频链接，也可能有其它网页链接(该网页中可能包括大尺寸图片或高清视频)。此时用户点击其它网页链接、图片链接或者视频链接时，才从服务器上下载并加载网页文件、图片或视频文件。若下载并加载的速度较慢，就会影响目标应用程序的响应速度。此时就可以使用该页面预加载方法加快目标应用程序的响应速度，改善该电子设备的内存占满导致无法响应的情况。

请参见图1示出的本申请实施例提供的页面预加载方法的流程示意图；该页面预加载方法的主要思路是，对机器学习模型预测出的页面链接序列中的多个页面链接进行预加载(可以理解为提前从服务器下载并加载在电子设备的内存中)，加快目标应用程序中的页面链接的响应速度，该实施方式可以包括：

步骤S110：获取目标应用程序的当前访问页面链接对应的链接序列。

请参见图2示出的本申请实施例提供的目标应用程序的当前访问页面的示意图；可以理解的是，该目标应用程序的当前访问页面链接可以显示在电子设备的屏幕上，也可以不显示在电子设备的屏幕上，此处的当前访问页面可以是超文本标记语言(Hyper TextMarkup Language，HTML)格式的网页(又被称为web页面)。为了方便理解，图中示出的目标应用程序的当前访问页面中显示了当前访问页面链接，图中的当前访问页面链接是www.abc.com。

当前访问页面链接对应的链接序列是指用户访问过的页面链接序列对应的历史编码序列，此处的历史编码序列可以是用户截止到目前为止访问过的页面唯一编码序列，也可以是历史编码序列中的部分子编码序列(例如去掉当前页面唯一编码的子编码序列，或者去掉当前页面唯一编码及上一页面唯一编码的子编码序列等)。具体地，当前访问页面链接对应的链接序列例如：假设用户访问过的页面链接序列依次是页面A、页面C、页面X和页面E，那么该页面链接序列对应的历史编码序列可以依次是页面A编码、页面C编码、页面X编码和页面E编码，此时可以将页面A编码、页面C编码、页面X编码和页面E编码的序列确定为当前访问页面链接对应的链接序列(即上述的用户截止到目前为止访问过的页面唯一编码序列)，也可以将页面A编码、页面C编码、页面X编码的序列确定为当前访问页面链接对应的链接序列(即上述的去掉当前页面唯一编码的子编码序列)，当然也可以将页面A编码、页面C编码的序列确定为当前访问页面链接对应的链接序列(即上述的去掉当前页面唯一编码及上一页面唯一编码的子编码序列)。

上述步骤S110的实施方式例如：使用预设编程语言编译或者解释的可执行程序获取目标应用程序(APP)的当前访问页面链接，其中，可以使用的编程语言例如：C、C++、Java、BASIC、JavaScript、LISP、Shell、Perl、Ruby、Python和PHP等等。若该页面链接中的目标文件尺寸大于尺寸阈值，则下载该页面链接中的目标文件。可以理解的是，该当前访问页面链接可以是该目标应用程序(APP)的开发公司所拥有服务器的域名链接(即APP内部链接)，也可以是其它公司的域名链接(即APP外部链接)，当前访问页面链接的具体内容不应限制为APP内部链接。

步骤S120：使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列。

机器学习模型(Machine Learning Model)，是指使用机器学习方式训练的，且用于预测页面链接序列的神经网络模型，此处的机器学习模型可以是基于transformer结构或者基于Seq2Seq结构的神经网络模型。

上述步骤S120的实施方式例如：使用基于transformer结构或者基于Seq2Seq结构的神经网络模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列，具体例如：假设机器学习模型在训练时被喂给用户A的页面编码序列是[0,1,3,4,5,15,26,1000]，那么该机器学习模型在接收一段序列输出后续三个序列之后，用户A历史访问的链接序列，输入前面[0,1,3]，此处的编码3是当前访问页面链接对应的编码，机器学习模型会预测输出的页面链接序列是[4,5,15]。其中，上述的基于transformer结构的神经网络模型可以是通过用户访问的链接序列数据进行训练的(具体训练过程将在下面详细地说明)，因此训练后的神经网络模型的网络参数(又被称为模型系数)是与基于transformer结构的原始神经网络是不同的，此处的基于transformer结构的神经网络模型例如：双向编码表示变形器(Bidirectional Encoder Representations from Transformers，BERT)模型、RoBERTa模型、SentenceBERT模型或双向自回归变形器(Bidirectional and Auto-RegressiveTransformers，BART)模型等等，基于Seq2Seq结构的神经网络模型例如：XLNet模型、GloVe模型或GPT模型等等。

步骤S130：对页面链接序列中的多个页面链接进行预加载，获得预加载的页面文件。

可以理解的是，用户D登陆本手机APP后显示在手机上的第一个“初始页面”，“初始页面”的编码为0，后续每当用户访问一个页面，用户页面链接序列就会增加一个编码，当用户第二步访问的页面D时，由于“页面D”的编码为4，此时的页面链接序列变成[0,4]，依此类推，每次多访问一个页面，该页面的编码会加入到页面链接序列中，因此，页面链接序列中包括多个编码，而多个编码中的每个编码对应一个页面链接，具体可以将每个编码解析为页面链接后加载进行预加载，从而获得预加载的页面文件。

在上述的实现过程中，通过使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列，并对页面链接序列中的多个页面链接进行预加载，从而有效地改善了采取无差别的加载策略进行网页预加载导致内存占满无法响应的情况，改善了容易出现死机重启的问题。

作为上述步骤S130的一种可选实施方式，在对页面链接进行预加载时，还可以下载页面链接中的目标文件，该实施方式可以包括：

步骤S131：电子设备从页面链接序列中解析出多个页面链接。

上述步骤S131的实施方式例如：假设电子设备从页面链接序列中获取到的是[0,4,5,1,5,2,9,1000]，那么可以将编码0解析为初始页面的页面链接，也可以将编码4解析为页面D的页面链接，也可以将编码5解析为页面E的页面链接，依次类推，从而电子设备从页面链接序列中解析出的多个页面链接是[初始页面,页面D,页面E,页面A,页面E,页面B,页面I,退出页面]。

步骤S132：电子设备下载多个页面链接中的目标文件。

上述步骤S132的实施方式例如：假设页面I对应的页面链接是目标文件的下载链接，那么电子设备可以提前将页面I对应的目标文件进行下载。在本申请实施例的一些实施例中，下载目标文件指将目标文件的内容全部保存至本地。在本申请实施例的另一些实施例中，下载目标文件可以指下载目标文件的部分内容，例如，下载目标文件中的图像、动画等多媒体信息，或者，在目标文件为需要多页显示或上下拖动才能完全显示的文件时，下载目标文件的第一页或前几页。通过下载目标文件可以指下载目标文件的部分内容，而不是下载全部内容，这样能够达到既提高目标应用程序的响应速度，又不占用大量内存的效果，即能够有效地兼顾响应速度和内存资源的平衡。

又例如，若目标文件为视频文件，下载视频文件的一部分，下载量可以是设定值，如2MB或10MB的数据，也可以根据电子设备的下行传输速度确定该下载量。可选的，可以先判断类型为视频的目标文件的数据量大小，若数据量小于阈值，则全部下载，若数据量大于阈值，则下载视频文件的一部分。

可选地，电子设备在下载目标文件之后，还可以将目标文件进行打包和压缩，获得压缩后的目标文件。当页面链接被加载，且需要获取该目标文件时，直接从电子设备的本地存储获取并解压，即可获得目标文件。

作为上述步骤S132的一种可选实施方式，下载多个页面链接中的目标文件，包括：

步骤S132a：针对多个页面链接中的每个页面链接，判断该页面链接中的目标文件尺寸是否大于尺寸阈值。

步骤S132b：若该页面链接中的目标文件尺寸大于尺寸阈值，则下载该页面链接中的目标文件。

上述步骤S132a至步骤S132b的实施方式例如：针对多个页面链接中的每个页面链接，使用预设编程语言编译或者解释的可执行程序判断该页面链接中的目标文件尺寸是否大于尺寸阈值。其中，可以使用的编程语言例如：C、C++、Java、BASIC、JavaScript、LISP、Shell、Perl、Ruby、Python和PHP等等。若该页面链接中的目标文件尺寸大于尺寸阈值，则电子设备提前下载该页面链接中的目标文件，此处的尺寸阈值可以根据具体情况设置，例如将尺寸阈值设置为2MB或3MB等等。

作为上述页面预加载方法的一种可选实施方式，在获得预加载的页面文件之后，还可以根据该页面文件生成该页面链接对应的网络页面，该实施方式可以包括：

步骤S140：响应于多个页面链接中的一个页面链接的访问操作，根据预加载的页面文件生成该页面链接对应的网络页面。

上述步骤S140的实施方式例如：电子设备响应于多个页面链接中的一个页面链接的访问操作，使用预设编程语言编译或者解释的可执行程序根据预加载的页面文件生成该页面链接对应的网络页面，具体可以将预加载的页面文件对应的文件链接嵌入到HTML格式的网络页面中。其中，可以使用的编程语言例如：C、C++、Java、BASIC、JavaScript、LISP、Shell、Perl、Ruby、Python和PHP等等。

请参见图3示出的本申请实施例提供的训练机器学习模型的流程示意图；作为上述页面预加载方法的一种可选实施方式，在使用机器学习模型进行预测之前或者之后，还可以训练该机器学习模型，包括：

步骤S210：获取历史访问页面链接，并对历史访问页面链接进行编码，获得页面编码序列。

步骤S220：使用页面编码序列对机器学习模型进行训练，获得训练后的机器学习模型。

作为上述步骤S210的一种可选实施方式，对历史访问页面链接进行编码，包括：

步骤S211：统计出目标应用程序的全部页面链接，并对全部页面链接进行编码，获得页面唯一编码。

上述步骤S211的实施方式例如：对该目标应用程序的全部页面链接进行统计，可以理解的是，该目标应用程序的全部页面可以包括：功能不同的页面，以及静态(HTML)内容不同的页面，上述的页面链接可以是由英文字母、标点符号和数字组合而成的字符串，也可以是唯一标识该页面的名称，具体例如：初始页面、页面A、页面B、……、页面Z和退出页面等等。然后，可以对全部页面链接进行排序并依次编码，具体例如：按照页面链接对应的名称或链接内容(例如www.abc.com)拼音字母从小到大的顺序排序，然后，将初始页面编码为0，将页面A编码为1，将页面B编码为2，以此类推。在具体实施方式中，可以将退出页面编码为预设的最大数字(假设为1000)。

步骤S212：获取历史访问页面链接，并使用页面唯一编码对历史访问页面链接进行编码，获得页面编码序列。

上述步骤S212的实施方式例如：假设获取用户A的历史访问页面链接是[初始页面,页面A,页面C,页面D,页面E,页面O,页面Z,退出页面]，那么使用页面唯一编码对历史访问页面链接进行唯一编码标识，获得页面编码序列是[0,1,3,4,5,15,26,1000]。同理地，假设获取用户D的历史访问页面链接是[初始页面,页面D,页面E,页面A,页面E,页面B,页面I,退出页面]，那么使用页面唯一编码对历史访问页面链接进行唯一编码标识，获得页面编码序列是[0,4,5,1,5,2,9,1000]。最终，就可以获得多个用户历史访问的页面编码序列。

上述步骤S220的一种可选实施方式例如：针对多个用户中的每个用户历史访问的页面编码序列，以每个用户历史访问的页面编码序列中的前面N个编码(N可以取3、4、5或6等)为训练数据，以该页面编码序列中的第N个至N+a个编码(N可以取3、4、5或6等，且a可以取3或4等)为训练标签，对机器学习模型(可以是基于transformer结构或者基于Seq2Seq结构的神经网络模型)进行训练，具体可以使用机器学习模型对该页面编码序列中的前面N个编码进行预测，获得预测编码序列，具体例如：该机器学习模型在接收一段序列输出后续三个序列之后，比如用户A的序列，输入前面[0,1,3]，机器学习模型会输出[4,5,15]。然后，计算该预测编码序列和训练标签中的第N个至第N+a个编码之间的损失值，再根据该损失值更新机器学习模型的网络权重参数，直到机器学习模型的正确率不再升高或者迭代次数(epoch)数量大于预设阈值时，即可获得训练后的机器学习模型。其中，上述的预设阈值也可以根据具体情况进行设置，例如设置为100或者1000等等。

作为上述页面预加载方法的一种可选实施方式，上述的机器学习模型是基于transformer结构的神经网络模型或者基于Seq2Seq结构的神经网络模型。其中，上述的基于transformer结构的神经网络模型可以是通过用户访问的链接序列数据进行训练的，因此训练后的神经网络模型的网络参数(又被称为模型系数)是与基于transformer结构的原始神经网络是不同的，此处的基于transformer结构的神经网络模型例如：双向编码表示变形器(Bidirectional Encoder Representations from Transformers，BERT)模型、RoBERTa模型和、SentenceBERT模型或双向自回归变形器(Bidirectional and Auto-RegressiveTransformers，BART)模型等等，基于Seq2Seq结构的神经网络模型例如：XLNet模型、GloVe模型或GPT模型等等。

请参见图4示出的本申请实施例提供的页面预加载装置的结构示意图；本申请实施例提供了一种页面预加载装置300，包括：

链接序列获取模块310，用于获取目标应用程序的当前访问页面链接对应的链接序列。

链接序列预测模块320，用于使用训练后的机器学习模型对当前访问页面链接对应的链接序列进行预测，获得页面链接序列。

页面预加载模块330，用于对页面链接序列中的多个页面链接进行预加载，获得预加载的页面文件。

可选地，在本申请实施例中，页面预加载模块，包括：

目标文件下载模块，用于从页面链接序列中解析出多个页面链接，并下载多个页面链接中的目标文件。

可选地，在本申请实施例中，目标文件下载模块，包括：

文件尺寸判断子模块，用于针对多个页面链接中的每个页面链接，判断该页面链接中的目标文件尺寸是否大于尺寸阈值。

页面文件下载子模块，用于若该页面链接中的目标文件尺寸大于尺寸阈值，则下载该页面链接中的目标文件。

可选地，在本申请实施例中，页面预加载装置，还包括：

编码序列获取模块，用于获取历史访问页面链接，并对历史访问页面链接进行编码，获得页面编码序列。

机器模型获得模块，用于使用页面编码序列对机器学习模型进行训练，获得训练后的机器学习模型。

可选地，在本申请实施例中，编码序列获取模块，包括：

页面唯一编码子模块，用于统计出目标应用程序的全部页面链接，并对全部页面链接进行编码，获得页面唯一编码。

历史页面编码子模块，用于历史使用页面唯一编码对历史访问页面链接进行编码，获得页面编码序列。

可选地，在本申请实施例中，页面预加载装置，还包括：

网络页面生成模块，用于响应于多个页面链接中的一个页面链接的访问操作，根据预加载的页面文件生成该页面链接对应的网络页面。

可选地，在本申请实施例中，机器学习模型是基于transformer结构的神经网络模型。

应理解的是，该装置与上述的页面预加载方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。

请参见图5示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的机器可读指令，机器可读指令被处理器410执行时执行如上的方法。

本申请实施例还提供了一种计算机可读存储介质430，该计算机可读存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。其中，计算机可读存储介质430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(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Read-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这主要根据所涉及的功能而定。

另外，在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。此外，在本说明书的描述中，参考术语“一个实施例”“一些实施例”“示例”“具体示例”“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims (10)

1.一种页面预加载方法，其特征在于，包括：

获取目标应用程序的当前访问页面链接对应的链接序列；

使用训练后的机器学习模型对所述当前访问页面链接对应的链接序列进行预测，获得页面链接序列；

对所述页面链接序列中的多个页面链接进行预加载，获得预加载的页面文件。

2.根据权利要求1所述的方法，其特征在于，所述对所述页面链接序列中的多个页面链接进行预加载，包括：

从所述页面链接序列中解析出所述多个页面链接，并下载所述多个页面链接中的目标文件。

3.根据权利要求2所述的方法，其特征在于，所述下载所述多个页面链接中的目标文件，包括：

针对所述多个页面链接中的每个页面链接，判断该页面链接中的目标文件尺寸是否大于尺寸阈值；

若是，则下载该页面链接中的目标文件。

4.根据权利要求1所述的方法，其特征在于，在所述使用训练后的机器学习模型对所述当前访问页面链接对应的链接序列进行预测之前，还包括：

获取历史访问页面链接，并对所述历史访问页面链接进行编码，获得页面编码序列；

使用所述页面编码序列对所述机器学习模型进行训练，获得所述训练后的机器学习模型。

5.根据权利要求4所述的方法，其特征在于，所述对所述历史访问页面链接进行编码，包括：

统计出所述目标应用程序的全部页面链接，并对所述全部页面链接进行编码，获得页面唯一编码；

使用所述页面唯一编码对所述历史访问页面链接进行编码，获得所述页面编码序列。

6.根据权利要求1-5任一所述的方法，其特征在于，在所述获得预加载的页面文件之后，还包括：

响应于所述多个页面链接中的一个页面链接的访问操作，根据所述预加载的页面文件生成该页面链接对应的网络页面。

7.根据权利要求1-5任一所述的方法，其特征在于，所述机器学习模型是基于transformer结构的神经网络模型。

8.一种页面预加载装置，其特征在于，包括：

链接序列获取模块，用于获取目标应用程序的当前访问页面链接对应的链接序列；

链接序列预测模块，用于使用训练后的机器学习模型对所述当前访问页面链接对应的链接序列进行预测，获得页面链接序列；

页面预加载模块，用于对所述页面链接序列中的多个页面链接进行预加载，获得预加载的页面文件。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。

Images