[发明专利]一种页面元素分类方法、解析器、介质及设备

权利要求书

1.一种页面元素分类方法，其特征在于，包括以下步骤：

S100：提取已知页面元素并分类，对已分类的所述已知页面元素进行元素特征提取；

S200：建立逻辑回归模型，对所述逻辑回归模型进行分类训练；

S300：根据训练完成的所述逻辑回归模型，对页面文件上的页面元素进行分类。

2.根据权利要求1所述的一种页面元素分类方法，其特征在于：根据所述已知页面元素的功能特点进行分类，所述已知页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；

通过判断所述元素特征包含的影响因子，对比所述影响因子的内容、顺序或比重确定元素类型，再根据所述元素类型提取所述元素特征，所述元素特征包括但不限于标签、结构、命名习惯或属性事件。

3.根据权利要求2所述的一种页面元素分类方法，其特征在于：基于Logistic分布函数建立所述逻辑回归模型，所述Logistic分布函数为

其中，μ为位置参数，γ0为形状参数。

4.根据权利要求3所述的一种页面元素分类方法，其特征在于：使用独热编码进行特征编码提取所述元素特征，所述元素特征对应的所述影响因子为已知影响因子时，所述元素特征形成分类样本；

通过所述分类样本对所述逻辑回归模型进行分类训练，再拟合决策边界建立决策边界与分类训练概率之间的联系，使所述逻辑回归模型得到页面元素的分类概率。

5.根据权利要求4所述的一种页面元素分类方法，其特征在于：所述元素特征对应的所述影响因子为未知影响因子时，利用稳定性选择方法中的随机逻辑回归进行特征筛选，再利用筛选后的补充元素特征添加到所述逻辑回归模型中，反向传播和修正所述逻辑回归模型中的元素特征及对应的影响因子。

6.根据权利要求1所述的一种页面元素分类方法，其特征在于，对页面文件上的文件页面元素进行分类包括以下步骤：

S301：提取页面文件上的页面元素；

S302：将提取的所述页面元素输入至已训练完成的所述逻辑回归模型；

S303：所述逻辑回归模型输出分类完成的页面元素组。

7.根据权利要求6所述的一种页面元素分类方法，其特征在于：步骤301中，在页面文件上使用XPath的模糊查找，基于document逐层解析Dom节点，进行页面元素的提取。

8.一种页面元素分类解析器，其特征在于，包括：

元素提取模块，用于提取已知页面元素并分类，对已分类的所述已知页面元素进行元素特征提取；

建模训练模块，用于建立逻辑回归模型，对所述逻辑回归模型进行分类训练；

元素分类模块，用于根据训练完成的所述逻辑回归模型，对页面文件上的页面元素进行分类。

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计算机指令，所述计算机被处理器执行时实现如权利要求1-7任一项所述的一种页面元素分类方法。

10.一种计算机设备，其特征在于：包括至少一个处理器、及与所述处理器通信连接的存储器，其中所述存储器存储可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使所述处理器执行如权利要求1-7任一项所述的一种页面元素分类方法。