网页识别模型的训练方法、装置、网页识别的方法制造方法及图纸

本申请实施例提供一种网页识别模型的训练方法、装置、网页识别的方法、电子设备以及存储介质，包括：采集样本集，对样本集中的每一训练图像进行特征提取，得到每一训练图像的图像特征，重复以下步骤，直至得到成熟的网页识别模型：根据卷积神经网络模型构建各图像特征对应的权重矩阵，根据权重矩阵对卷积神经网络模型的参数进行调整，网页识别模型用于识别正常网页和异常网页，通过基于正常网页的训练图像、以及异常网页的训练图像对卷积神经网路模型进行训练，生成用于对网页进行识别的网页识别模型，可以避免相关技术中，采用人工识别的方式造成的识别效率较低的弊端，提高了对网页进行识别的智能化，且提高了识别的准确性的技术效果。

【技术实现步骤摘要】
网页识别模型的训练方法、装置、网页识别的方法
本申请实施例涉及互联网
，尤其涉及一种网页识别模型的训练方法、装置、网页识别的方法、电子设备以及存储介质。
技术介绍
随着互联网和终端技术的发展，用户通过浏览器浏览网页以获取网络信息成了日常活动之一。当网页的脚本等发生错误时，可能导致浏览器无法加载完整的网页，从而导致用户打开的网页为携带错误信息的网页，或者为提示显示错误的网页，而在现有技术中，对网页进行识别的方式通常为人工的方式，即通过人工识别的方式确定网页是否为异常网页。在实现本申请过程中，专利技术人发现现有技术中至少存在如下问题：受人为主观因素地影响，可能造成识别的可靠性偏低，且效率较低的问题。
技术实现思路
本申请实施例提供一种网页识别模型的训练方法、装置、网页识别的方法、电子设备以及存储介质，用以解决网页识别的准确性较低的问题。第一方面，本申请实施例提供一种网页识别模型的训练方法，所述方法包括：采集样本集，其中，所述样本集包括：正常网页的训练图像、以及异常网页的训练图像；对所述样本集中的每一训练图像进行特征提取，得到每一训练图像的图像特征；重复以下步骤，直至得到成熟的网页识别模型：根据预设的卷积神经网络模型构建各图像特征对应的权重矩阵，并根据所述权重矩阵对所述卷积神经网络模型的参数进行调整；其中，所述权重矩阵中的每一权重表征，与所述每一权重对应的训练图像为异常网页的概率；其中，所述网页识别模型用于识别正常网页和异常网页。在本实施例中，通过基于正常网页的训练图像、以及异常网页的训练图像对卷积神经网路模型进行训练，生成用于对网页进行识别的网页识别模型，可以避免相关技术中，采用人工识别的方式造成的识别效率较低，且准确性较低的弊端，提高了对网页进行识别的智能化，且提高了识别的准确性和可靠性的技术效果。在一些实施例中，根据预设的卷积神经网络模型构建各图像特征对应的权重矩阵，包括：针对每一图像特征，确定所述每一图像特征对应的训练图像为异常网页的概率；根据所述概率为所述每一训练图像的图像特征分配权重；根据所述各图像特征各自对应的权重，构建所述权重矩阵。在本实施例中，基于概率分配权重，并基于权重构建权重矩阵，可以实现权重矩阵与网页的类型(即正常网页或者异常网页)高度关联，从而提高训练的可靠性和准确性的技术效果。在一些实施例中，所述每一训练图像具有第一类别信息，所述第一类别信息表征，训练图像为正常网页或异常网页；根据所述各图像特征各自对应的权重，构建所述权重矩阵，包括：基于所述每一训练图像的第一类别信息，对所述每一训练图像的图像特征所对应的权重进行调整，得到每一训练图像的图像特征的调整后的权重；根据各所述调整后的权重，得到所述权重矩阵。在本实施例中，通过每一训练图像的第一类别信息，对每一训练图像的权重进行调整，可以提高权重矩阵的可靠性，进而提高训练生成的网页识别模型的准确性的技术效果。在一些实施例中，根据所述权重矩阵对所述卷积神经网络模型的参数进行调整，包括根据所述权重矩阵，对所述卷积神经网络模型中的各卷积层的系数进行调整，所述卷积层的系数用于，结合所述权重矩阵确定所述每一训练图像为正常网页或异常网页。在一些实施例中，所述样本集还包括：正常网页的验证图像、以及异常网页的验证图像；根据所述权重矩阵对所述卷积神经网络模型的参数进行调整，包括：根据所述权重矩阵对所述卷积神经网络模型的参数进行调整，并基于调整后的卷积神经网络模型，确定所述样本集中各验证图像各自对应的验证结果，其中，每一验证结果表征，与所述每一验证结果对应的验证图像为正常网页或者为异常网页；根据各验证结果对调整后的卷积神经网络模型的参数进行调整。在本实施例中，引入了验证的特征，即通过验证图像(包括正常网页的验证图像、以及异常网页的验证图像)对调整后的卷积神经网络模型进行验证，得到网页识别模型，进一步提高网页识别模型的准确性和可靠性的技术效果。在一些实施例中，每一验证图像具有第二类别信息，所述第二类别信息表征，验证图像为正常网页或异常网页；根据各验证结果对调整后的卷积神经网络模型的参数进行调整，包括：基于所述每一验证结果、与所述每一验证结果对应的验证图像的第二类别信息，调整后的卷积神经网络模型的参数进行调整。在一些实施例中，所述样本集中的训练图像的像素相同。在本实施例中，通过采用相同像素的训练图像，对卷积神经网络模型进行训练，可以提高训练的效率和可靠性的技术效果。第二方面，本申请实施例提供了一种网页识别的方法，所述方法包括：获取待识别网页；基于预先训练的网页识别模型，对所述待识别网页进行识别，得到识别结果；其中，所述网页识别模型根据预设的卷积神经网络模型构建各训练图像对应的权重矩阵，并根据所述权重矩阵对所述卷积神经网络模型的参数进行调整得到的，所述权重矩阵中的每一权重表征，与所述每一权重对应的训练图像为异常网页的概率，所述识别结果为正常网页或异常网页。在本实施例中，通过网页识别模型对待识别网页进行识别，可以避免相关技术中才采用人工识别的方式，对网页进行识别造成的识别效率低，且可靠性偏低的问题，提供了网页识别的效率和准确性的技术效果。在一些实施例中，基于预先训练的网页识别模型，对所述待识别网页进行识别，得到识别结果，包括：基于所述网页识别模型对所述待识别网页进行特征提取，得到与所述待识别网页对应的图像特征，并基于与所述待识别网页对应的图像特征，确定所述识别结果。在一些实施例中，基于与所述待识别网页对应的图像特征，确定所述识别结果，包括：基于与所述待识别网页对应的图像特征、以及所述网页识别模型的各卷积层的系数，确定所述识别结果。在一些实施例中，在获取待识别网页之后，所述方法还包括：确定待识别网页的像素；若所述待识别网页的像素与所述各训练图像的像素不同，则将所述待识别网页的像素调整为与所述各训练图像的像素相同的像素。第三方面，本申请实施例还提供了一种网页识别模型的训练装置，所述装置包括：采集模块，用于采集样本集，其中，所述样本集包括：正常网页的训练图像、以及异常网页的训练图像；特征提取模块，用于对所述样本集中的每一训练图像进行特征提取，得到每一训练图像的图像特征；训练模块，用于重复以下步骤，直至得到成熟的网页识别模型：根据预设的卷积神经网络模型构建各图像特征对应的权重矩阵，并根据所述权重矩阵对所述卷积神经网络模型的参数进行调整；其中，所述权重矩阵中的每一权重表征，与所述每一权重对应的训练图像为异常网页的概率；其中，所述网页识别模型用于识别正常网页和异常网页。在一些实施例中，所述训练模块用于，针对每一图像特征，确定所述每一图像特征对应的训练图像为异常网页的概率，根据所述概率为所述每一训练图像的图像特征分配权重，根据所述各图像特征各自对应的权重，构建本文档来自技高网...

【技术保护点】
1.一种网页识别模型的训练方法，所述方法包括：/n采集样本集，其中，所述样本集包括：正常网页的训练图像、以及异常网页的训练图像；/n对所述样本集中的每一训练图像进行特征提取，得到每一训练图像的图像特征；/n重复以下步骤，直至得到成熟的网页识别模型：根据预设的卷积神经网络模型构建各图像特征对应的权重矩阵，并根据所述权重矩阵对所述卷积神经网络模型的参数进行调整；其中，所述权重矩阵中的每一权重表征，与所述每一权重对应的训练图像为异常网页的概率；/n其中，所述网页识别模型用于识别正常网页和异常网页。/n

【技术特征摘要】
1.一种网页识别模型的训练方法，所述方法包括：
采集样本集，其中，所述样本集包括：正常网页的训练图像、以及异常网页的训练图像；
对所述样本集中的每一训练图像进行特征提取，得到每一训练图像的图像特征；
重复以下步骤，直至得到成熟的网页识别模型：根据预设的卷积神经网络模型构建各图像特征对应的权重矩阵，并根据所述权重矩阵对所述卷积神经网络模型的参数进行调整；其中，所述权重矩阵中的每一权重表征，与所述每一权重对应的训练图像为异常网页的概率；
其中，所述网页识别模型用于识别正常网页和异常网页。


2.根据权利要求1所述的方法，其中，根据预设的卷积神经网络模型构建各图像特征对应的权重矩阵，包括：
针对每一图像特征，确定所述每一图像特征对应的训练图像为异常网页的概率；
根据所述概率为所述每一训练图像的图像特征分配权重；
根据所述各图像特征各自对应的权重，构建所述权重矩阵。


3.根据权利要求2所述的方法，其中，所述每一训练图像具有第一类别信息，所述第一类别信息表征，训练图像为正常网页或异常网页；根据所述各图像特征各自对应的权重，构建所述权重矩阵，包括：
基于所述每一训练图像的第一类别信息，对所述每一训练图像的图像特征所对应的权重进行调整，得到每一训练图像的图像特征的调整后的权重；
根据各所述调整后的权重，得到所述权重矩阵。


4.根据权利要求1所述的方法，其中，根据所述权重矩阵对所述卷积神经网络模型的参数进行调整，包括
根据所述权重矩阵，对所述卷积神经网络模型中的各卷积层的系数进行调整，所述卷积层的系数用于，结合所述权重矩阵确定所述每一训练图像为正常网页或异常网页。


5.根据权利要求1至4中任一项所述的方法，其中，所述样本集还包括：正常网页的验证图像、以及异常网页的验证图像；根据所述权重矩阵对所述卷积神经网络模型的参数进行调整，包括：
根据所述权重矩阵对所述卷积神经网络模型的参数进行调整，并基于调整后的卷积神经网络模型，确定所述样本集中各验证图像各自对应的验证结果，其中，每一验证结果表征，与所述每一验证结果对应的验证图像为正常网页或者为异常网页；
根据各验证结果对调整后的卷积神经网络模型的参数进行调整。


6.根据权利要求5所述的方法，其中，每一验证图像具有第二类别信息，所述第二类别信息表征，验证图像为正常网页或异常网页；根据各验证结果对调整后的卷积神经网络模型的参数进行调整，包括：
基于所述每一验证结果、与所述每一验证结果对应的验证图像的第二类别信息，调整后的卷积神经网络模型的参数进行调整。


7.根据权利要求1至4中任一项所述的方法，其中，所述样本集中的训练图像的像素相同。


8.一种网页识别的方法，所述方法包括：
获取待识别网页；
基于预先训练的网页识别模型，对所述待识别网页进行识别，得到识别结果；其中，所述网页识别模型根据预设的卷...

【专利技术属性】
技术研发人员：周余钱，
申请(专利权)人：京东数字科技控股股份有限公司，
类型：发明
国别省市：北京;11