一种页面分析方法及装置与流程

1.本发明涉及数据处理技术领域，尤其涉及一种页面分析方法及装置。


背景技术：

2.分析页面的页面结构是一项常见且基础的工作。例如：在进行应用程序(application)稳定性测试时，常常需要分析app中各个页面的页面结构，并根据分析结果对各个页面内的控件执行不同的操作，进而实现app的自动化遍历以测试应用的稳定性。
3.分析页面的页面结构的关键技术为提取页面的结构特征。现有技术中普遍采用基于页面结构树的方式表示页面结构。例如：通过可扩展标记语言(extensible markup language，xml)文件表示页面中的每一个控件的位置坐标、类名、文本等属性信息。在使用页面结构进行页面分析时，页面结构需要为数据化的页面结构，然而，由于不同页面中的控件的数量不同，无法转换为一个维度固定的向量，而且页面结构树中的控件表示顺序还会影响页面结构的最终表示结果，因此基于页面结构树表示的页面结构难以数据化，无法应用于页面分析。


技术实现要素：

4.有鉴于此，本发明提供了一种页面分析方法及装置，用于解决基于页面结构树表示的页面结构难以数据化，无法应用于页面分析的问题。
5.为了实现上述目的，本发明实施例提供技术方案如下：
6.第一方面，本发明的实施例提供了一种页面分析方法，包括：
7.获取目标页面中各个控件的属性信息；
8.根据各个控件的属性信息获取各个控件的控件特征；
9.通过全局特征提取函数，对所述各个控件的控件特征进行融合，得到所述目标页面的结构特征；其中，所述全局特征提取函数支持对任意数量的控件进行控件特征融合，且，在所述全局特征提取函数中所述任意数量控件的控件特征采用不同的输入位置的情况下，所述全局特征提取函数输出的页面结构特征均相同；
10.基于所述目标页面的结构特征对所述目标页面进行分析。
11.作为本发明实施例一种可选的实施方式，所述基于所述目标页面的结构特征对所述目标页面进行分析，包括：
12.根据所述目标页面的结构特征获取所述目标页面的类别。
13.作为本发明实施例一种可选的实施方式，所述基于所述目标页面的结构特征对所述目标页面进行分析，包括：
14.根据所述目标页面的结构特征和第一页面的结构特征，获取所述目标页面与所述第一页面的相似度。
15.作为本发明实施例一种可选的实施方式，所述根据各个控件的属性信息获取各个控件的控件特征，包括：
16.分别在以各个控件的属性信息为第一函数的自变量时，获取所述第一函数的因变量作为各个控件的控件特征；
17.其中，所述第一函数为非线性函数。
18.作为本发明实施例一种可选的实施方式，所述根据各个控件的属性信息获取各个控件的控件特征，包括：
19.分别根据各个控件的属性信息和特征提取模型获取各个控件的控件特征；
20.其中，所述特征提取模型为基于第一样本数据对第一神经网络模型进行训练获取的模型，所述第一样本数据包括：多个控件的属性信息和所述多个控件的控件特征。
21.作为本发明实施例一种可选的实施方式，所述根据所述目标页面的结构特征对所述目标页面进行分析，包括：
22.分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重；
23.根据各个控件的比重和sigmoid函数获取各个控件的执行概率。
24.作为本发明实施例一种可选的实施方式，所述根据所述目标页面的结构特征对所述目标页面进行分析，包括：
25.分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重；
26.根据各个控件的比重和softmax函数获取各个控件的执行动作的类型。
27.作为本发明实施例一种可选的实施方式，所述分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重，包括：
28.分别在以各个控件的控件特征和所述目标页面的结构特征为第二函数的自变量时，获取所述第二函数的因变量作为各个控件的比重；
29.其中，所述第二函数为非线性函数。
30.作为本发明实施例一种可选的实施方式，所述分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重，包括：
31.分别根据各个控件的控件特征、所述目标页面的结构特征以及比重提取模型获取各个控件的比重；
32.其中，所述比重提取模型为基于第二样本数据对第二神经网络模型进行训练获取的模型，所述第二样本数据包括：多个页面中各个控件的控件特征、所述多个页面的结构特征以及所述多个页面中各个控件的比重。
33.第二方面，本发明实施例提供一种页面分析装置，包括：
34.获取单元，用于获取目标页面中各个控件的属性信息；
35.第一特征提取单元，用于根据各个控件的属性信息获取各个控件的控件特征；
36.第二特征提取单元，用于通过全局特征提取函数，对所述各个控件的控件特征进行融合，得到所述目标页面的结构特征；其中，所述全局特征提取函数支持对任意数量的控件进行控件特征融合，且，在所述全局特征提取函数中所述任意数量控件的控件特征采用不同的输入位置的情况下，所述全局特征提取函数输出的页面结构特征均相同；
37.分析单元，用于基于所述目标页面的结构特征对所述目标页面进行分析。
38.作为本发明实施例一种可选的实施方式，所述分析单元具体用于根据所述目标页
面的结构特征获取所述目标页面的类别。
39.作为本发明实施例一种可选的实施方式，所述分析单元具体用于根据所述目标页面的结构特征和第一页面的结构特征，获取所述目标页面与所述第一页面的相似度。
40.作为本发明实施例一种可选的实施方式，所述第一特征提取单元具体用于分别在以各个控件的属性信息为第一函数的自变量时，获取所述第一函数的因变量作为各个控件的控件特征；
41.其中，所述第一函数为非线性函数。
42.作为本发明实施例一种可选的实施方式，所述第一特征提取单元具体用于分别根据各个控件的属性信息和特征提取模型获取各个控件的控件特征；
43.其中，所述特征提取模型为基于第一样本数据对第一神经网络模型进行训练获取的模型，所述第一样本数据包括：多个控件的属性信息和所述多个控件的控件特征。
44.作为本发明实施例一种可选的实施方式，所述分析单元具体用于分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重；根据各个控件的比重和sigmoid函数获取各个控件的执行概率。
45.作为本发明实施例一种可选的实施方式，所述分析单元具体用于分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重；根据各个控件的比重和softmax函数获取各个控件的执行动作的类型。
46.作为本发明实施例一种可选的实施方式，所述分析单元具体用于分别在以各个控件的控件特征和所述目标页面的结构特征为第二函数的自变量时，获取所述第二函数的因变量作为各个控件的比重；
47.其中，所述第二函数为非线性函数。
48.作为本发明实施例一种可选的实施方式，所述分析单元具体用于分别根据各个控件的控件特征、所述目标页面的结构特征以及比重提取模型获取各个控件的比重；
49.其中，所述比重提取模型为基于第二样本数据对第二神经网络模型进行训练获取的模型，所述第二样本数据包括：多个页面中各个控件的控件特征、所述多个页面的结构特征以及所述多个页面中各个控件的比重。
50.第三方面，本发明实施例提供一种电子设备，包括：存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于在执行计算机程序时，使得所述电子设备实现上述任一实施例提供的页面分析方法。
51.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被计算设备执行时，使得所述计算设备实现上述任一实施例提供的页面分析方法。
52.第五方面，本发明实施例提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机实现上述任一实施例提供的页面分析方法。
53.本发明实施例提供的页面分析方法首先获取目标页面中各个控件的属性信息，然后根据各个控件的属性信息获取各个控件的控件特征，再通过全局特征提取函数对所述各个控件的控件特征进行融合，得到所述目标页面的结构特征，最后基于所述目标页面的结构特征对所述目标页面进行分析。一方面，由于全局特征提取函数支持输入任意数量的控件特征，因此包含任意数量的控件的页面均可以通过本发明实施例提供的页面分析方法进
行数据化的结构特征的提取。另一方面，由于多个的控件特征采用不同的输入位置输入所述全局特征提取函数得到的页面结构特征均相同相同，因此本发明实施例提供的页面分析方法还可以避免控件特征的输入顺序影响数据化的页面结构的表示结果。综上，本发明实施例提供了一种可以提取数据化的页面结构的方法，解决了页面结构无法应用于页面分析的问题。
附图说明
54.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
55.为了更清楚地说明本发明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简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
56.图1为本发明实施例提供的页面分析方法的步骤流程图；
57.图2为本发明实施例提供的页面分析方法的数据流程图之一；
58.图3为本发明实施例提供的页面分析方法的数据流程图之二；
59.图4为本发明实施例提供的页面分析方法的数据流程图之三；
60.图5为本发明实施例提供的页面分析方法的数据流程图之四；
61.图6为本发明实施例提供的页面分析方法的数据流程图之五；
62.图7为本发明实施例提供的页面分析方法的数据流程图之六；
63.图8为本发明实施例提供的页面分析装置的结构示意图；
64.图9为本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
65.为了能够更清楚地理解本发明的上述目的、特征和优点，下面将对本发明的方案进行进一步描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
66.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但本发明还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本发明的一部分实施例，而不是全部的实施例。
67.本发明的说明书和权利要求书中的术语“第一”和“第二”等是用于区别同步的对象，而不是用于描述对象的特定顺序。例如，第一发送单元和第二发送单元等是用于区别不同的发送单元，而不是用于发送单元的特定顺序。
68.在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。此外，在本发明实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。
69.在上述内容的基础上，本发明实施例提供了一种页面分析方法，参照图1所示，本发明实施例提供的页面分析方法包括如下步骤s101至s104：
70.s101、获取目标页面中各个控件的属性信息。
71.具体的，本发明实施例中的目标页面可以为应用程序的用户界面、网页页面等。目标用户界面中包括至少一个控件，控件的属性信息包括：控件的位置坐标、控件的高度、控件的宽度、控件的类名(class name)、控件的文本信息等。
72.s102、根据各个控件的属性信息获取各个控件的控件特征。
73.可选的，根据各个控件的属性信息获取各个控件的控件特征的实现方式可以包括如下两种：
74.实现方式一、
75.作为本发明实施例一种可选的实施方式，上述步骤s102(根据各个控件的属性信息获取各个控件的控件特征)包括：
76.分别在以各个控件的属性信息为第一函数的自变量时，获取所述第一函数的因变量作为各个控件的控件特征；
77.其中，所述第一函数为非线性函数。
78.本发明实施例中的第一函数可以为任意非线性函数，例如：第一函数可以为：指数函数、幂函数、对数函数、多项式函数、三角函数等，本发明实施例中对第一函数的函数表达式不做限定，以第一函数为非线性函数为准。
79.由于第一函数的复杂程度会直接影响获取的控件特征的复杂度，进而影响最终的页面分析结果的准确性，因此在配置第一函数时可以根据对最终的页面分析结果的准确性的要求选择合适复杂度的第一函数。
80.由于各个控件的属性信息的数量均是相同的，因此第一函数的自变量数量是预先设定的，其值为控件的属性信息的数量。
81.设：目标页面中的控件i的属性信息xi包括[xi、yi、hi、wi、class namei
……
]，第一函数为f1(x)，目标页面中的控件i的控件特征为yi，则有：
[0082]
yi＝f1(xi)＝f1(xi、yi、hi、wi、class namei
……
)
[0083]
实现方式二、
[0084]
作为本发明实施例一种可选的实施方式，上述步骤s102(根据各个控件的属性信息获取各个控件的控件特征)包括：
[0085]
分别根据各个控件的属性信息和特征提取模型获取各个控件的控件特征；
[0086]
其中，所述特征提取模型为基于第一样本数据对第一神经网络模型进行训练获取的模型，所述第一样本数据包括：多个控件的属性信息和所述多个控件的控件特征。
[0087]
即，预先基于包括多个控件的属性信息和所述多个控件的控件特征的第一样本数据对第一神经网络模型进行训练，获取特征提取模型。当需要根据各个控件的属性信息获取各个控件的控件特征时，分别将各个控件的属性信息输入所述特征提取模型，并获取所述特征提取模型的输出作为各个控件的控件特征。其中，第一神经网络模型可以为任意结构的神经网络模型，本发明实施例对第一神经网络模型的结构不做限定。
[0088]
s103、通过全局特征提取函数，对所述各个控件的控件特征进行融合，得到所述目标页面的结构特征。
[0089]
其中，所述全局特征提取函数支持对任意数量的控件进行控件特征融合，且，在所述全局特征提取函数中所述任意数量控件的控件特征采用不同的输入位置的情况下，所述
全局特征提取函数输出的页面结构特征均相同。
[0090]
可选的，可以将各个控件的控件特征为全局特征提取函数的自变量，并获取所述全局特征提取函数的因变量作为所述目标页面的结构特征。
[0091]
其中，所述全局特征提取函数支持输入任意数量的自变量，且多个自变量以不同顺序输入所述全局特征提取函数得到的因变量相同。
[0092]
即，本发明实施例中的全局特征提取函数需要满足如下2个条件：
[0093]
条件1、支持输入任意数量的自变量。
[0094]
条件2、自变量的输入顺序不影响因变量的值。
[0095]
设：全局特征提取函数为g(
…
)，则g(
…
)可以为g(y1)、g(y1，y2)、g(y1，y2，y3)等，且g(y1，y2)＝g(y2，y1)。
[0096]
示例性的，全局特征提取函数可以为求最大值函数、求平均值函数等简单函数。
[0097]
s104、基于所述目标页面的结构特征对所述目标页面进行分析。
[0098]
参照图2所示，图2为本发明实施例提供的页面分析方法的数据流程图。图2中以目标页面中包括三个控件，其分别为：控件o1、控件o2以及控件o3为例示出。本发明实施例提供的页面分析方法首先提取控件o1的属性信息x1、控件o2的属性信息x2、控件o3的属性信息x3，然后分别将x1、x2、x3输入第一函数或特征提取模型，获取控件o1的控件特征y1、控件o2的控件特征y2以及控件o3的控件特征y3，再将y1、y2、y3输入全局特征提取函数，得到目标页面的结构特征yall，最后将目标页面的结构特征yall输入分析单元对所述目标页面进行分析，获取的目标页面的分析结果。
[0099]
本发明实施例提供的页面分析方法首先获取目标页面中各个控件的属性信息，然后根据各个控件的属性信息获取各个控件的控件特征，再通过全局特征提取函数对所述各个控件的控件特征进行融合，得到所述目标页面的结构特征，最后基于所述目标页面的结构特征对所述目标页面进行分析。一方面，由于全局特征提取函数支持输入任意数量的控件特征，因此包含任意数量的控件的页面均可以通过本发明实施例提供的页面分析方法进行数据化的结构特征的提取。另一方面，由于多个的控件特征采用不同的输入位置输入所述全局特征提取函数得到的页面结构特征均相同相同，因此本发明实施例提供的页面分析方法还可以避免控件特征的输入顺序影响数据化的页面结构的表示结果。综上，本发明实施例提供了一种可以提取数据化的页面结构的方法，解决了页面结构无法应用于页面分析的问题。
[0100]
作为本发明实施例一种可选实施方式，上述步骤s104(基于所述目标页面的结构特征对所述目标页面进行分析)包括：
[0101]
根据所述目标页面的结构特征获取所述目标页面的类别。
[0102]
示例性的，可以预先配置页面的结构特征与页面类别的对应关系，并根据目标页面的结构特征查找预先配置的对应关系，获取目标页面的类别。
[0103]
参照图3所示，图3为本发明实施例提供的另一种页面分析方法的数据流程图。在图2所示数据流程图的基础上，分析单元具体为分类单元，且分析结果具体为目标页面的类别。
[0104]
作为本发明实施例一种可选实施方式，上述步骤s104(基于所述目标页面的结构特征对所述目标页面进行分析)包括：
[0105]
根据所述目标页面的结构特征和第一页面的结构特征，获取所述目标页面与所述第一页面的相似度。
[0106]
参照图4所示，图4为本发明实施例提供的另一种页面分析方法的数据流程图。在图2所示数据流程图的基础上，分析单元具体为相似度计算单元，通过本发明实施例提供的页面分析方法得到第一页面的结构特征yall_1后，并将目标页面的结构特征yall和第一页面的结构特征yall_1输入相似度计算单元，获取目标页面与第一页面的相似度。
[0107]
作为本发明实施例一种可选实施方式，上述步骤s104(基于所述目标页面的结构特征对所述目标页面进行分析)包括如下步骤a和步骤b：
[0108]
步骤a、分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重。
[0109]
可选的，根据各个控件的属性信息获取各个控件的控件特征的实现方式可以包括如下两种：
[0110]
实现方式一、
[0111]
作为本发明实施例一种可选的实施方式，分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重，包括：
[0112]
分别在以各个控件的控件特征和所述目标页面的结构特征为第二函数的自变量时，获取所述第二函数的因变量作为各个控件的比重；
[0113]
其中，所述第二函数为非线性函数。
[0114]
本发明实施例中的第二函数可以为任意非线性函数，例如：第二函数可以为：指数函数、幂函数、对数函数、多项式函数、三角函数等，本发明实施例中对第二函数的函数表达式不做限定，以第二函数为非线性函数为准。
[0115]
还需要说明的是，本发明实施例中的第一函数可以与第二函数相同，也可以与第一函数分别为不同的非线性函数。
[0116]
设：第二函数为f2(x)，目标页面中的控件i的控件特征为yi，目标页面的全局特征为g，目标页面中的控件i权重为fi则有：
[0117]
fi＝f2(xi)＝f2(yi，g)
[0118]
实现方式二、
[0119]
作为本发明实施例一种可选的实施方式，分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重，包括：
[0120]
分别根据各个控件的控件特征、所述目标页面的结构特征以及比重提取模型获取各个控件的比重；
[0121]
其中，所述比重提取模型为基于第二样本数据对第二神经网络模型进行训练获取的模型，所述第二样本数据包括：多个页面中各个控件的控件特征、所述多个页面的结构特征以及所述多个页面中各个控件的比重。
[0122]
即，预先基于包括页面的结构特征、页面中控件的控件特征、以及页面中控件的比重的第二样本数据对第二神经网络模型进行训练，获取比重提取模型。当获取了控件的控件特征和页面的结构特征后，分别将各个控件的控件特征和页面的结构特征输入所述比重提取模型，并获取所述比重提取模型的输出作为各个控件的比重。其中，第二神经网络模型可以为任意结构的神经网络模型，本发明实施例对第二神经网络模型的结构不做限定。
[0123]
同样，训练得到比重提取模型后，还可以对特征提取模型的输入和输出进行拟合，获取比重提取模型对应的非线性函数，并将比重提取模型对应的非线性函数作为上述实现方式一中的第二函数，从而通过上述实现方式一实现根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重。
[0124]
步骤b、根据各个控件的比重和softmax函数获取各个控件的执行动作的类型。
[0125]
参照图5所示，图5为本发明实施例提供的另一种页面分析方法的数据流程图。在图2所示数据流程图的基础上，分析单元具体用于分别将(y1，yall)、(y2，yall)、(y3，yall)输入第二函数或比重提取模型，获取控件o1的比重f1、控件o2的比重f2以及控件o3的比重f3，再将控件o1的比重f1、控件o2的比重f2以及控件o3的比重f3分别输入softmax函数得到控件o1的执行动作的类型c1、控件o2的执行动作的类型c2以及控件o3的执行动作的类型c3。
[0126]
作为本发明实施例一种可选实施方式，上述步骤s104(基于所述目标页面的结构特征对所述目标页面进行分析)包括如下步骤1和步骤2：
[0127]
步骤1、分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重。
[0128]
步骤1的实现方式与上述步骤a的实现方式相同，具体参照上述步骤a的说明，在不再赘述。
[0129]
步骤2、根据各个控件的比重和sigmoid函数获取各个控件的执行概率。
[0130]
参照图6所示，图6为本发明实施例提供的另一种页面分析方法的数据流程图。在图2所示数据流程图的基础上，分析单元具体用于分别将(y1，yall)、(y2，yall)、(y3，yall)输入第二函数或比重提取模型，获取控件o1的比重f1、控件o2的比重f2以及控件o3的比重f3，再将控件o1的比重f1、控件o2的比重f2以及控件o3的比重f3分别输入sigmoid函数得到控件o1的执行概率p1、控件o2的执行概率p2以及控件o3的执行概率p3。
[0131]
需要说明的是的，上述实施例中根据所述目标页面的结构特征对所述目标页面进行分析的实现方式分别为：根据所述目标页面的结构特征获取所述目标页面的类别、根据所述目标页面的结构特征和第一页面的结构特征获取所述目标页面与所述第一页面的相似度、分别根据各个控件的控件特征和所述目标页面的结构特征获取各个控件的比重，并根据各个控件的比重和sigmoid函数获取各个控件的执行概率、分别根据各个控件的控件特征和所述目标页面的结构特征获取各个控件的比重，并根据各个控件的比重和softmax函数获取各个控件的执行概率，但本发明实施例并不限定于此，本发明实施例中根据所述目标页面的结构特征对所述目标页面进行分析的实现方式还可以包括其中的多种。例如：参照图7所示，图7中以根据所述目标页面的结构特征对所述目标页面进行分析的实现方式包括：根据所述目标页面的结构特征获取所述目标页面的类别、分别根据各个控件的控件特征和所述目标页面的结构特征获取各个控件的比重，并根据各个控件的比重和sigmoid函数获取各个控件的执行概率以及根据各个控件的比重和softmax函数获取各个控件的执行概率为例示出。
[0132]
基于同一发明构思，作为对上述方法的实现，本发明实施例还提供了一种页面分析装置，该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的页面分析装置能够对应实
现前述方法实施例中的全部内容。
[0133]
本发明实施例提供了一种页面分析装置，所述装置上运行有编辑实例。图8为该页面分析装置的结构示意图，如图8所示，该页面分析装置800包括：
[0134]
获取单元81，用于获取目标页面中各个控件的属性信息；
[0135]
第一特征提取单元82，用于根据各个控件的属性信息获取各个控件的控件特征；
[0136]
第二特征提取单元83，用于通过全局特征提取函数，对所述各个控件的控件特征进行融合，得到所述目标页面的结构特征；其中，所述全局特征提取函数支持对任意数量的控件进行控件特征融合，且，在所述全局特征提取函数中所述任意数量控件的控件特征采用不同的输入位置的情况下，所述全局特征提取函数输出的页面结构特征均相同；
[0137]
分析单元84，用于基于所述目标页面的结构特征对所述目标页面进行分析。
[0138]
作为本发明实施例一种可选的实施方式，所述分析单元84具体用于根据所述目标页面的结构特征获取所述目标页面的类别。
[0139]
作为本发明实施例一种可选的实施方式，所述分析单元84具体用于根据所述目标页面的结构特征和第一页面的结构特征，获取所述目标页面与所述第一页面的相似度。
[0140]
作为本发明实施例一种可选的实施方式，所述第一特征提取单元82具体用于分别在以各个控件的属性信息为第一函数的自变量时，获取所述第一函数的因变量作为各个控件的控件特征；
[0141]
其中，所述第一函数为非线性函数。
[0142]
作为本发明实施例一种可选的实施方式，所述第一特征提取单元82具体用于分别根据各个控件的属性信息和特征提取模型获取各个控件的控件特征；
[0143]
其中，所述特征提取模型为基于第一样本数据对第一神经网络模型进行训练获取的模型，所述第一样本数据包括：多个控件的属性信息和所述多个控件的控件特征。
[0144]
作为本发明实施例一种可选的实施方式，所述分析单元84具体用于分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重；根据各个控件的比重和sigmoid函数获取各个控件的执行概率。
[0145]
作为本发明实施例一种可选的实施方式，所述分析单元84具体用于分别根据各个控件的控件特征和所述目标页面的结构特征，获取各个控件的比重；根据各个控件的比重和softmax函数获取各个控件的执行动作的类型。
[0146]
作为本发明实施例一种可选的实施方式，所述分析单元84具体用于分别在以各个控件的控件特征和所述目标页面的结构特征为第二函数的自变量时，获取所述第二函数的因变量作为各个控件的比重；
[0147]
其中，所述第二函数为非线性函数。
[0148]
作为本发明实施例一种可选的实施方式，所述分析单元84具体用于分别根据各个控件的控件特征、所述目标页面的结构特征以及比重提取模型获取各个控件的比重；
[0149]
其中，所述比重提取模型为基于第二样本数据对第二神经网络模型进行训练获取的模型，所述第二样本数据包括：多个页面中各个控件的控件特征、所述多个页面的结构特征以及所述多个页面中各个控件的比重。
[0150]
上述实施例提供的页面分析装置可以执行上述方法实施例提供的页面分析方法，其实现原理与技术效果类似，此处不再赘述。
[0151]
基于同一发明构思，本发明实施例还提供了一种电子设备。图9为本发明实施例提供的电子设备的结构示意图，如图9所示，本实施例提供的电子设备包括：存储器91和处理器92，所述存储器91用于存储计算机程序；所述处理器92用于在执行计算机程序时执行上述实施例提供的页面分析方法。
[0152]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被计算设备执行时，使得所述计算设备实现上述实施例提供的页面分析方法。
[0153]
本发明实施例还提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机实现上述实施例提供的页面分析方法。
[0154]
本领域技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0155]
处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0156]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。
[0157]
计算机可读介质包括永久性和非永久性、可移动和非可移动存储介质。存储介质可以由任何方法或技术来实现信息存储，信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。根据本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
[0158]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。