页面组件显示方法、装置、设备及存储介质

技术领域

本发明涉及用户界面技术领域，尤其涉及一种页面组件显示方法、装置、设备及存储介质。

背景技术

当前，由于部分网站未针对移动端设备做适配，因此，使用移动设备通过浏览器或远程桌面访问未做适配的网站时，整个网站页面会全部展示在移动设备的屏幕中，用户需要手动对页面进行缩放和移动才能完成输入，例如，当用户执行登录操作时，往往需要把登录框放大一定比例并移动到屏幕中部才能做登录相关操作，操作复杂，用户体验差。

发明内容

本发明的主要目的在于提供一种页面组件显示方法、装置、设备及存储介质，旨在解决目前网站未针对移动端设备做适配时页面全部显示，需要用户手动缩放操作的技术问题。

为实现上述目的，本发明提供一种页面组件显示方法，所述方法包括以下步骤：

获取目标页面中目标组件在所述目标页面中的组件位置和组件尺寸，以及获取目标设备的设备分辨率；

采用缩放比预测模型根据所述组件尺寸和所述设备分辨率预测得到目标缩放比，其中，所述缩放比预测模型是以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的；

采用位置预测模型根据所述组件尺寸、所述组件位置、所述设备分辨率和所述目标缩放比预测得到目标位置，其中，所述位置预测模型是以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比作为输入特征，并以组件在设备桌面中的显示位置作为训练目标进行训练得到的；

根据所述目标缩放比对所述目标组件进行缩放，将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处。

可选地，所述位置预测模型包括横坐标预测模型和纵坐标预测模型，所述采用位置预测模型根据所述组件尺寸、所述设备分辨率和所述目标缩放比预测得到目标位置的步骤包括：

采用所述横坐标预测模型根据所述组件尺寸中的组件宽、所述组件位置中的组件横坐标、所述设备分辨率中的分辨率宽和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示横坐标，其中，所述横坐标预测模型以组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的横坐标作为训练目标进训练得到；

采用所述纵坐标预测模型根据所述组件尺寸中的组件长、所述组件位置中的组件纵坐标、所述设备分辨率中的分辨率高和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示纵坐标，其中，所述纵坐标预测模型以组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的纵坐标作为训练目标进训练得到；

将所述显示横坐标和所述显示纵坐标作为目标位置。

可选地，所述根据所述目标缩放比对所述目标组件进行缩放的步骤之后，还包括：

根据所述设备分辨率和缩放后的目标组件的尺寸检测缩放后的目标组件是否能在所述目标设备桌面中正常显示；

若是，则执行所述将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处的步骤；

若否，则将缩放后的目标组件按照所述设备分辨率进行缩小后显示在所述目标设备桌面的中心位置。

可选地，所述根据所述设备分辨率和缩放后的目标组件的尺寸检测缩放后的目标组件是否能在所述目标设备桌面中正常显示的步骤包括：

根据所述组件尺寸和所述目标缩放比计算缩放后目标组件的目标尺寸；

检测所述目标尺寸中的尺寸长是否大于所述设备分辨率中的分辨率高，以及检测所述目标尺寸中的尺寸宽是否大于所述设备分辨率中的分辨率宽；

若所述尺寸长大于所述分辨率高或所述尺寸宽大于所述分辨率宽，则确定缩放后的目标组件不能在所述目标设备桌面中正常显示；

若所述尺寸长不大于所述分辨率高且所述尺寸宽不小于所述分辨率宽，则确定缩放后的目标组件能够在所述目标设备桌面中正常显示。

可选地，所述将缩放后的目标组件按照所述设备分辨率进行缩小后显示在所述目标设备桌面的中心位置的步骤之后，还包括：

根据所述组件尺寸、所述设备分辨率、所述目标缩放比和缩小比例生成第一训练数据，将所述第一训练数据添加至所述缩放比预测模型的第一训练数据集，以基于添加训练数据后的第一训练数据集对所述缩放比预测模型进行优化；

根据所述组件尺寸、所述组件位置、所述设备分辨率、所述目标缩放比、所述缩小比例和所述目标设备桌面的中心位置生成第二训练数据，将所述第二训练数据添加至所述位置预测模型的第二训练数据集，以基于添加训练数据后的第二训练数据集对所述位置依存模型进行优化。

可选地，所述采用缩放比预测模型根据所述组件尺寸和所述设备分辨率预测得到目标缩放比的步骤之前，还包括：

获取根据待训练模型的输入特征和训练目标采集的训练数据集，并从所述训练数据集中抽选出多个训练数据组；

分别将各所述训练数据组带入所述待训练模型中进行计算，得到所述待训练模型的多组备选模型参数；

分别统计在所述待训练模型中采用各组所述备选模型参数对所述训练数据集中训练数据进行预测时误差在预设范围内的有效数据量；

根据各所述有效数据量中最大的有效数据量对应的备选模型参数确定最终模型参数，将由所述最终模型参数限定的所述待训练模型作为所述缩放比模型或所述位置预测模型。

可选地，所述根据各所述有效数据量中最大的有效数据量对应的备选模型参数确定最终模型参数的步骤包括：

将各所述有效数据量中最大的有效数据量对应的备选模型参数作为有效模型参数；

获取在所述待训练模型中采用所述有效模型参数对所述训练数据集中训练数据进行预测时误差不在所述预设范围内的无效训练数据；

将各所述无效训练数据中组件在设备桌面中能够正常显示的训练数据作为临界训练数据；

采用所述临界训练数据训练得到所述待训练模型的临界模型参数；

将所述临界模型参数和所述有效模型参数进行合并得到最终模型参数。

为实现上述目的，本发明还提供一种页面组件显示装置，所述装置包括：

获取模块，用于获取目标页面中目标组件在所述目标页面中的组件位置和组件尺寸，以及获取目标设备的设备分辨率；

第一预测模块，用于采用缩放比预测模型根据所述组件尺寸和所述设备分辨率预测得到目标缩放比，其中，所述缩放比预测模型是以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的；

第二预测模块，用于采用位置预测模型根据所述组件尺寸、所述组件位置、所述设备分辨率和所述目标缩放比预测得到目标位置，其中，所述位置预测模型是以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比作为输入特征，并以组件在设备桌面中的显示位置作为训练目标进行训练得到的；

显示模块，用于根据所述目标缩放比对所述目标组件进行缩放，将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处。

为实现上述目的，本发明还提供一种页面组件显示设备，所述页面组件显示设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的页面组件显示程序，所述页面组件显示程序被所述处理器执行时实现如上所述的页面组件显示方法的步骤。

此外，为实现上述目的，本发明还提出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页面组件显示程序，所述页面组件显示程序被处理器执行时实现如上所述的页面组件显示方法的步骤。

本发明中，通过获取目标页面中目标组件在该目标页面中的组件位置和组件尺寸，以及获取目标设备的设备分辨率，采用缩放比预测模型根据组件尺寸和设备分辨率预测得到目标缩放比，再采用位置预测模型根据组件位置、组件尺寸、设备分辨率和该目标缩放比预测得到目标位置，根据该目标缩放比对该目标组件进行缩放，将缩放后的目标组件显示在目标设备桌面中该目标位置处。由于缩放比预测模型是预先以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的，所以采用缩放比预测模型预测得到的目标缩放比是较为合适的缩放比，使得将目标组件以目标缩放比进行缩放后能以合适的大小显示在目标设备桌面上，从而无需用户进行复杂的缩放和移动操作来调整组件的大小。又由于位置预测模型是预先以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比为输入特征，并以组件在设备桌面中的显示位置为训练目标进行训练得到的，所以采用位置预测模型预测得到的目标位置是较为合适的位置，也即将目标组件以目标位置显示在目标设备桌面上时，对用户而言是位置是合适的，从而无需用户进行复杂的移动操作来调整组件的位置。因此，本发明能够实现对页面中的组件进行自动的适配，自动地将组件以合适的大小和位置显示在设备桌面上，使得在网站未针对移动端设备做适配时，无需用户手动缩放和移动来调整组件位置和大小，提高了用户体验。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的结构示意图；

图2为本发明页面组件显示方法第一实施例的流程示意图；

图3为本发明实施例涉及的一种页面组件显示大小适配场景示意图；

图4为本发明页面组件显示装置较佳实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。

需要说明的是，本发明实施例页面组件显示设备可以是智能手机、个人计算机和服务器等设备，在此不做具体限制。

如图1所示，该页面组件显示设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的设备结构并不构成对页面组件显示设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及页面组件显示程序。操作系统是管理和控制设备硬件和软件资源的程序，支持页面组件显示程序以及其它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的页面组件显示程序，并执行以下操作：

获取目标页面中目标组件在所述目标页面中的组件位置和组件尺寸，以及获取目标设备的设备分辨率；

采用缩放比预测模型根据所述组件尺寸和所述设备分辨率预测得到目标缩放比，其中，所述缩放比预测模型是以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的；

采用位置预测模型根据所述组件尺寸、所述组件位置、所述设备分辨率和所述目标缩放比预测得到目标位置，其中，所述位置预测模型是以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比作为输入特征，并以组件在设备桌面中的显示位置作为训练目标进行训练得到的；

根据所述目标缩放比对所述目标组件进行缩放，将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处。

进一步地，所述位置预测模型包括横坐标预测模型和纵坐标预测模型，所述采用位置预测模型根据所述组件尺寸、所述设备分辨率和所述目标缩放比预测得到目标位置的步骤包括：

采用所述横坐标预测模型根据所述组件尺寸中的组件宽、所述组件位置中的组件横坐标、所述设备分辨率中的分辨率宽和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示横坐标，其中，所述横坐标预测模型以组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的横坐标作为训练目标进训练得到；

采用所述纵坐标预测模型根据所述组件尺寸中的组件长、所述组件位置中的组件纵坐标、所述设备分辨率中的分辨率高和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示纵坐标，其中，所述纵坐标预测模型以组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的纵坐标作为训练目标进训练得到；

将所述显示横坐标和所述显示纵坐标作为目标位置。

进一步地，所述根据所述目标缩放比对所述目标组件进行缩放的步骤之后，还包括：

根据所述设备分辨率和缩放后的目标组件的尺寸检测缩放后的目标组件是否能在所述目标设备桌面中正常显示；

若是，则执行所述将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处的步骤；

若否，则将缩放后的目标组件按照所述设备分辨率进行缩小后显示在所述目标设备桌面的中心位置。

进一步地，所述根据所述设备分辨率和缩放后的目标组件的尺寸检测缩放后的目标组件是否能在所述目标设备桌面中正常显示的步骤包括：

根据所述组件尺寸和所述目标缩放比计算缩放后目标组件的目标尺寸；

检测所述目标尺寸中的尺寸长是否大于所述设备分辨率中的分辨率高，以及检测所述目标尺寸中的尺寸宽是否大于所述设备分辨率中的分辨率宽；

若所述尺寸长大于所述分辨率高或所述尺寸宽大于所述分辨率宽，则确定缩放后的目标组件不能在所述目标设备桌面中正常显示；

若所述尺寸长不大于所述分辨率高且所述尺寸宽不小于所述分辨率宽，则确定缩放后的目标组件能够在所述目标设备桌面中正常显示。

进一步地，所述将缩放后的目标组件按照所述设备分辨率进行缩小后显示在所述目标设备桌面的中心位置的步骤之后，还包括：

根据所述组件尺寸、所述设备分辨率、所述目标缩放比和缩小比例生成第一训练数据，将所述第一训练数据添加至所述缩放比预测模型的第一训练数据集，以基于添加训练数据后的第一训练数据集对所述缩放比预测模型进行优化；

根据所述组件尺寸、所述组件位置、所述设备分辨率、所述目标缩放比、所述缩小比例和所述目标设备桌面的中心位置生成第二训练数据，将所述第二训练数据添加至所述位置预测模型的第二训练数据集，以基于添加训练数据后的第二训练数据集对所述位置依存模型进行优化进一步地，所述采用缩放比预测模型根据所述组件尺寸和所述设备分辨率预测得到目标缩放比的步骤之前，还包括：

获取根据待训练模型的输入特征和训练目标采集的训练数据集，并从所述训练数据集中抽选出多个训练数据组；

分别将各所述训练数据组带入所述待训练模型中进行计算，得到所述待训练模型的多组备选模型参数；

分别统计在所述待训练模型中采用各组所述备选模型参数对所述训练数据集中训练数据进行预测时误差在预设范围内的有效数据量；

根据各所述有效数据量中最大的有效数据量对应的备选模型参数确定最终模型参数，将由所述最终模型参数限定的所述待训练模型作为所述缩放比模型或所述位置预测模型。

进一步地，所述根据各所述有效数据量中最大的有效数据量对应的备选模型参数确定最终模型参数的步骤包括：

将各所述有效数据量中最大的有效数据量对应的备选模型参数作为有效模型参数；

获取在所述待训练模型中采用所述有效模型参数对所述训练数据集中训练数据进行预测时误差不在所述预设范围内的无效训练数据；

将各所述无效训练数据中组件在设备桌面中能够正常显示的训练数据作为临界训练数据；

采用所述临界训练数据训练得到所述待训练模型的临界模型参数；

将所述临界模型参数和所述有效模型参数进行合并得到最终模型参数。

基于上述的结构，提出页面组件显示方法的各个实施例。

参照图2，图2为本发明页面组件显示方法第一实施例的流程示意图。

本发明实施例提供了页面组件显示方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。在本实施例中，页面组件显示方法包括：

步骤S10，获取目标页面中目标组件在所述目标页面中的组件位置和组件尺寸，以及获取目标设备的设备分辨率；

在本实施例中，将需要适配显示页面的设备作为目标设备，目标设备可以是智能手机、个人计算机和服务器等设备，本发明页面组件显示方法各个实施例的执行主体可以是目标设备，也可以是与目标设备连接的其他智能手机、个人计算机或服务器等设备，为便于描述，以下各实施例中省略执行主体进行阐述。

将需要在目标设备中显示的页面作为目标页面，例如，目标设备通过浏览器获取服务器中的网页页面后，可将该网页页面作为目标页面，又如，目标设备访问远程桌面时，可以将远程桌面中显示的页面作为目标页面。

在确定目标页面后，可以获取目标页面中目标组件在目标页面中的位置(以下称组件位置以示区别)和尺寸(以下称组件尺寸以示区别)。具体地，可从目标页面的页面文件中获取组件位置和组件尺寸。页面文件是用于描述页面中各个页面元素信息的文件，从页面文件中可以提取出某个页面元素在页面中的位置和尺寸；预先可以将某个组件(组件是页面元素的一种)或某组组件作为目标组件，例如将登录框作为目标组件；根据目标组件的元素名即可从页面文件中提取出目标组件的组件位置和组件尺寸。其中，组件在页面中的位置可以是组件中某一点相对于页面中某一点的偏离位置，在具体实施方式中可以做一个统一的规定，例如以页面左上角顶点为坐标原点，向右方向为横坐标正方向，向下方向为纵坐标正方向，以组件的中心点在坐标系中的坐标作为组件在页面中的位置。组件在页面中的尺寸是指组件在页面中的大小，例如采用组件的长和宽表示。

步骤S20，采用缩放比预测模型根据所述组件尺寸和所述设备分辨率预测得到目标缩放比，其中，所述缩放比预测模型是以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的；

可以理解的是，如果在目标页面没有针对目标设备做适配的情况下，将目标页面直接显示在目标设备中，可能会导致呈现给用户的目标组件过小，或目标组件不在目标设备桌面的合适位置，那么用户需要手动对目标设备中显示的目标页面进行放大和移动，以使得目标组件在目标设备桌面上的位置和尺寸都合适。因此，在本实施例中，对页面中的组件进行自动的适配，自动地将组件以合适的大小和位置显示在设备桌面上。

预先可以训练一个缩放比预测模型，训练完成的缩放比预测模型可以用于根据组件在页面中的尺寸和设备的分辨率预测得到合适的页面缩放比。其中，缩放比预测模型可以采用能够解决回归问题的机器学习模型，例如线性回归模型、决策树模型等，在本实施例中不做限制。特别地，在本实施例中，缩放比预测模型是以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的，也即，旨在通过模型训练，使得缩放比预测模型能够根据组件的尺寸和设备的分辨率预测得到合适的页面缩放比，使得将该组件以该页面缩放比缩放后显示在该设备的桌面时，对于用户来说大小是合适的。在实际场景中，当用户将页面进行缩放，以使得组件在设备桌面中以合适大小显示时，用户将页面进行缩放的比例(页面的缩放比)是与组件在页面中的尺寸和用户设备的分辨率相关的，也即，设备分辨率不同，组件在页面中的尺寸不同，用户缩放的比例也是不同的，因此，本实施例是根据这一特点来构建缩放比预测模型的。缩放比预测模型的训练过程可以参照常规的机器学习训练过程，在本实施例中不做限制。

可以采用训练得到的缩放比预测模型根据组件尺寸和设备分辨率预测得到目标缩放比，也即，可以将组件尺寸和设备分辨率输入到缩放比预测模型，经过模型处理输出得到目标缩放比。由于缩放比预测模型是预先经过训练得到的，并且以缩放比为训练目标，所以采用缩放比预测模型预测得到的目标缩放比是较为合适的缩放比，使得将目标组件以目标缩放比进行缩放后能以合适的大小显示在目标设备桌面上，从而无需用户进行复杂的缩放和移动操作。

步骤S30，采用位置预测模型根据所述组件尺寸、所述组件位置、所述设备分辨率和所述目标缩放比预测得到目标位置，其中，所述位置预测模型是以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比作为输入特征，并以组件在设备桌面中的显示位置作为训练目标进行训练得到的；

预先可以训练一个位置预测模型，训练完成的位置预测模型可以用于根据组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比预测得到该组件在该设备桌面中合适的显示位置。位置预测模型可以采用能够解决回归问题的机器学习模型，例如线性回归模型、决策树模型等，在本实施例中不做限制。特别地，在本实施例中，位置预测模型是以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比为输入特征，并以组件在设备桌面中的显示位置为训练目标进行训练得到的，也即，旨在通过模型训练，使得位置预测模型能够根据组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比预测得到合适的显示位置，使得将该组件以该显示位置显示在该设备的桌面时，对于用户来说位置是合适的。在实际场景中，用户将页面进行缩放，以使得组件在设备桌面中以合适大小显示时，组件最终显示的位置与组件在页面中的尺寸、组件在页面中的位置、用户设备的分辨率和页面的缩放比都是有关的，也即，组件在页面中的尺寸不同，组件在页面中的位置不同，设备的分辨率不同，页面的缩放比不同，都会使得组件最终在页面中显示的位置不同，因此，本实施例是根据这一特点来构建位置预测模型的。位置预测模型的训练过程可以参照常规的机器学习训练过程，在本实施例中不做限制。

组件在设备桌面中的显示位置可以是组件中某一点相对于设备桌面中某一点的偏离位置，在具体实施方式中可以做一个统一的规定，例如以设备桌面左上角顶点为坐标原点，向右方向为横坐标正方向，向下方向为纵坐标正方向，以组件的中心点在坐标系中的坐标作为组件在设备桌面中的位置。需要说明的是，在一实施方式中，可以将组件在设备桌面中的横坐标和纵坐标都作为预测目标，此时，可以通过设置位置预测模型的模型结构，使得模型能够输出两个结果；在具体实施方式中，可以通过设置两个独立的模型用于分别预测横坐标和纵坐标，也可以是采用多任务预测的方式设置模型，使得模型能够输出两个结果。在另一实施方式中，可以只将横坐标和纵坐标中的一个作为预测目标，另一个则可以采用设置的默认值，例如，横坐标通过预测得到，纵坐标默认采用设备高度的一半。

可以采用训练得到的位置预测模型根据组件尺寸、组件位置、设备分辨率和上一步得到的目标缩放比预测得到目标位置，也即，可以将组件尺寸、组件位置、设备分辨率和目标缩放比输入到位置预测模型，经过模型处理输出得到目标位置。由于位置预测模型是预先经过训练得到的，并且以组件在设备桌面中的显示位置为训练目标，所以采用位置预测模型预测得到的目标位置是较为合适的位置，也即将目标组件以目标位置显示在目标设备桌面上时，对用户而言是较为合适的，从而无需用户进行复杂的移动操作。

步骤S40，根据所述目标缩放比对所述目标组件进行缩放，将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处。

在得到目标缩放比和目标位置后，可以根据目标缩放比对目标组件进行缩放，将缩放后的目标组件显示在目标设备桌面中的该目标位置处。其中需要说明的是，当目标缩放比大于1时，对目标组件进行的是放大处理，当目标缩放比小于1时，对目标组件进行的是缩小处理，可能也会出现目标缩放比等于1的情况，此时相当于保留目标组件原本在页面中的尺寸。在一实施方式中，可以只对目标组件进行缩放和位置调整，目标页面仍然全部显示在桌面上，若对目标组件进行的是放大处理，那么放大后的目标组件遮住了目标页面的部分区域，若对目标组件进行的是缩小处理，那么目标页面中缺失的部分可以采用空白区域来填充。在另一实施方式中，可以对目标页面整体进行缩放，那么目标组件也会同时被缩放，缩放后，将目标组件显示在目标位置，目标页面的一部分区域可能超出桌面范围未被显示出来。

在本实施例中，通过获取目标页面中目标组件在该目标页面中的组件位置和组件尺寸，以及获取目标设备的设备分辨率，采用缩放比预测模型根据组件尺寸和设备分辨率预测得到目标缩放比，再采用位置预测模型根据组件位置、组件尺寸、设备分辨率和该目标缩放比预测得到目标位置，根据该目标缩放比对该目标组件进行缩放，将缩放后的目标组件显示在目标设备桌面中该目标位置处。由于缩放比预测模型是预先以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的，所以采用缩放比预测模型预测得到的目标缩放比是较为合适的缩放比，使得将目标组件以目标缩放比进行缩放后能以合适的大小显示在目标设备桌面上，从而无需用户进行复杂的缩放和移动操作来调整组件的大小。又由于位置预测模型是预先以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比为输入特征，并以组件在设备桌面中的显示位置为训练目标进行训练得到的，所以采用位置预测模型预测得到的目标位置是较为合适的位置，也即将目标组件以目标位置显示在目标设备桌面上时，对用户而言是位置是合适的，从而无需用户进行复杂的移动操作来调整组件的位置。因此，本实施例能够实现对页面中的组件进行自动的适配，自动地将组件以合适的大小和位置显示在设备桌面上，使得在网站未针对移动端设备做适配时，无需用户手动缩放和移动来调整组件位置和大小，提高了用户体验。

进一步地，基于上述第一实施例，提出本发明页面组件显示方法第二实施例，在本实施例中，所述步骤S30包括：

步骤S301，采用所述横坐标预测模型根据所述组件尺寸中的组件宽、所述组件位置中的组件横坐标、所述设备分辨率中的分辨率宽和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示横坐标，其中，所述横坐标预测模型以组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的横坐标作为训练目标进训练得到；

在本实施例中，可以将组件在设备桌面中显示时的横坐标和纵坐标作为预测目标，并训练横坐标预测模型和纵坐标预测模型这两个模型，分别用于预测横坐标和纵坐标。

具体地，横坐标预测模型可以采用能够解决回归问题的机器学习模型，例如线性回归模型、决策树模型等，在本实施例中不做限制。特别地，在本实施例中，横坐标预测模型是以组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽和页面的缩放比为输入特征，并以组件在设备桌面中显示时的横坐标为训练目标进行训练得到的，也即，旨在通过模型训练，使得横坐标预测模型能够根据组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽和页面的缩放比预测得到合适的横坐标，使得将该组件以该横坐标显示在该设备的桌面时，对于用户来说组件的横向位置是合适的。在实际场景中，用户将页面进行缩放，以使得组件在设备桌面中以合适大小显示时，组件最终显示的横坐标是与组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽和页面的缩放比相关的，也即，组件在页面中的宽不同，组件在页面中的横坐标不同，设备分辨率的宽不同，页面的缩放比不同，都会使得组件最终在页面中显示的横坐标不同，因此，本实施例是根据这一特点来构建横坐标预测模型的。横坐标预测模型的训练过程可以参照常规的机器学习训练过程，在本实施例中不做限制。

可以采用训练得到的横坐标预测模型根据组件尺寸中的组件宽、组件位置中的组件横坐标、设备分辨率中的分辨率宽和上一步得到的目标缩放比预测得到目标设备桌面中的显示横坐标，也即，可以将组件尺寸中的组件宽、组件位置中的组件横坐标、设备分辨率中的分辨率宽和目标缩放比输入到横坐标预测模型，经过模型处理输出得到目标设备桌面中的显示横坐标。

步骤S302，采用所述纵坐标预测模型根据所述组件尺寸中的组件长、所述组件位置中的组件纵坐标、所述设备分辨率中的分辨率高和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示纵坐标，其中，所述纵坐标预测模型以组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的纵坐标作为训练目标进训练得到；

纵坐标预测模型可以采用能够解决回归问题的机器学习模型，例如线性回归模型、决策树模型等，在本实施例中不做限制。特别地，在本实施例中，纵坐标预测模型是以组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高和页面的缩放比为输入特征，并以组件在设备桌面中显示时的纵坐标为训练目标进行训练得到的，也即，旨在通过模型训练，使得纵坐标预测模型能够根据组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高和页面的缩放比预测得到合适的纵坐标，使得将该组件以该纵坐标显示在该设备的桌面时，对于用户来说组件的纵向位置是合适的。在实际场景中，用户将页面进行缩放，以使得组件在设备桌面中以合适大小显示时，组件最终显示的纵坐标是与组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高和页面的缩放比相关的，也即，组件在页面中的长不同，组件在页面中的纵坐标不同，设备分辨率的高不同，页面的缩放比不同，都会使得组件最终在页面中显示的纵坐标不同，因此，本实施例是根据这一特点来构建纵坐标预测模型的。纵坐标预测模型的训练过程可以参照常规的机器学习训练过程，在本实施例中不做限制。

可以采用训练得到的纵坐标预测模型根据组件尺寸中的组件长、组件位置中的组件纵坐标、设备分辨率中的分辨率高和上一步得到的目标缩放比预测得到目标设备桌面中的显示纵坐标，也即，可以将组件尺寸中的组件长、组件位置中的组件纵坐标、设备分辨率中的分辨率高和目标缩放比输入到纵坐标预测模型，经过模型处理输出得到目标设备桌面中的显示纵坐标。

步骤S303，将所述显示横坐标和所述显示纵坐标作为目标位置。

在横坐标预测模型预测得到显示横坐标，采用纵坐标预测模型预测得到显示纵坐标后，可以将显示横坐标和显示纵坐标作为目标位置。在将目标组件按照目标缩放比进行缩放后，显示在目标设备桌面的该目标位置处。例如，若以组件的中心点的坐标表示组件的位置，那么将缩放后的目标组件显示在目标设备桌面的目标位置处后，中心点在目标设备桌面中的横坐标即预测得到的显示横坐标，中心点在目标设备桌面上的纵坐标即预测得到的显示纵坐标。

在本实施例中，通过将组件在设备桌面中的横坐标和纵坐标分开来预测，利用组件在设备桌面上的横坐标与组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽以及页面缩放比之间的关系来训练横坐标预测模型，采用训练得到的横坐标预测模型预测目标组件在目标设备桌面中的显示横坐标，又利用组件在设备桌面上的纵坐标与组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高以及页面缩放比之间的关系来训练纵坐标预测模型，采用训练得到的纵坐标预测模型预测目标组件在目标设备桌面中的显示纵坐标，分别提高了横坐标和纵坐标的预测准确率，从而使得当将目标组件以该横坐标和纵坐标在目标设备桌面进行显示时，能够更加符合用户对目标组件显示位置的需求，从而进一步提升用户体验。

进一步地，基于上述第一和/或第二实施例，提出本发明页面组件显示方法第三实施例，在本实施例中，所述步骤S40中根据所述目标缩放比对所述目标组件进行缩放的步骤之后，还包括：

步骤S50，根据所述设备分辨率和缩放后的目标组件的尺寸检测缩放后的目标组件是否能在所述目标设备桌面中正常显示；

由于在训练缩放比预测模型时所采用的训练数据不一定涵盖了所有类型的设备和所有类型的页面，特别是出现一种新型分辨率的设备时，可能预测出的缩放比会不太准确，也即可能采用预测得到的缩放比对目标组件进行缩放后，目标组件不能正常地在目标设备桌面中显示。对此，在本实施例中，在得到目标缩放比和目标位置，根据目标缩放比对目标组件进行缩放后，可以根据设备分辨率和缩放后的目标组件的尺寸检测缩放后的目标组件是否能够在目标设备桌面中正常显示。在一实施方式中，可以认为当缩放后的目标组件的长小于设备分辨率中的高或当缩放后的目标组件的宽小于设备分辨率中的宽时，目标组件能够在目标设备桌面中正常显示，也即，只要目标组件有一边能够在目标设备桌面中完整显示即可认为目标组件能够在目标设备桌面中正常显示。在另一实施方式中，可以是当缩放后的目标组件的长小于设备分辨率中的高且缩放后的目标组件的宽小于设备分辨率中的宽时，才认为目标组件能够在目标设备桌面中正常显示，也即，需要目标组件的两个边都能够在目标设备桌面中完整显示才可认为目标组件能够在目标设备桌面中正常显示。

步骤S60，若是，则执行所述步骤S40中将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处的步骤；

若检测到缩放后的目标组件能够在目标设备桌面中正常显示，则可以将缩放后的目标组件显示在目标设备桌面中的目标位置处。

步骤S70，若否，则将缩放后的目标组件按照所述设备分辨率进行缩小后显示在所述目标设备桌面的中心位置。

若检测到缩放后的目标组件不能够在目标设备桌面中正常显示，则说明目标组件至少有一边不能在目标设备桌面中完整显示，此时，可以将缩放后的目标组件按照设备分辨率再进行缩小后显示在目标设备桌面的中心位置。可以计算设备分辨率的高与缩放后的目标组件的长之间的比例，计算设备分辨率的宽与缩放后的目标组件的宽之间的比例，选取两个比例中小的比例作为缩小比例，按照该缩小比例将缩放后的目标组件的长和宽再进行缩小。将缩小后的目标组件显示在目标设备桌面的中心位置，也即，将目标组件的中心点显示在目标设备桌面的中心点。

进一步地，在一实施方式中，所述步骤S50包括：

步骤S501，根据所述组件尺寸和所述目标缩放比计算缩放后目标组件的目标尺寸；

根据目标组件在目标页面中的组件尺寸和目标缩放比计算缩放后目标组件的目标尺寸。具体地，可以将组件尺寸中的组件长乘以目标缩放比得到缩放后的组件长，将组件尺寸中的组件宽乘以目标缩放比得到缩放后的组件宽。需要说明的是，若设备分辨率的单位与组件尺寸的单位不同，则还需要获取两个单位之间的换算比例，将乘以目标缩放比后的组件宽和组件长按照换算比例换算到与设备分辨率统一的单位，得到目标尺寸。

步骤S502，检测所述目标尺寸中的尺寸长是否大于所述设备分辨率中的分辨率高，以及检测所述目标尺寸中的尺寸宽是否大于所述设备分辨率中的分辨率宽；

步骤S503，若所述尺寸长大于所述分辨率高或所述尺寸宽大于所述分辨率宽，则确定缩放后的目标组件不能在所述目标设备桌面中正常显示；

步骤S504，若所述尺寸长不大于所述分辨率高且所述尺寸宽不小于所述分辨率宽，则确定缩放后的目标组件能够在所述目标设备桌面中正常显示。

假设存在一种非常规的设备分辨率，分辨率宽为510(单位采用常规的分辨率单位)，分辨率高为240，目标组件在页面中的原始尺寸(单位为常规的页面元素尺寸单位)为Length

进一步地，基于上述第三实施例，提出本发明页面组件显示方法第四实施例，在本实施例中，所述步骤S70之后，还包括：

步骤S80，根据所述组件尺寸、所述设备分辨率、所述目标缩放比和缩小比例生成第一训练数据，将所述第一训练数据添加至所述缩放比预测模型的第一训练数据集，以基于添加训练数据后的第一训练数据集对所述缩放比预测模型进行优化；

在一实施方式中，当根据预测出的目标缩放比对目标组件进行缩放后，不能够正常显示在目标设备桌面中，而需要对目标组件进行再一次缩小，以使得目标组件正常显示在目标设备桌面中时，说明缩放比预测模型依据这一类的设备分辨率和这样大小的组件进行预测缩放比时，准确率不够高。对此，在本实施例中，可以根据目标组件在目标页面中的组件尺寸、目标设备的设备分辨率、目标缩放比和缩小比例生成一条训练数据，称为第一训练数据，将该第一训练数据添加至缩放比预测模型的第一训练数据集。其中，第一训练数据集是预先收集的用于对缩放比预测模型进行训练的数据集。具体地，可以将目标组件在目标页面中的组件尺寸和设备分辨率作为第一训练数据中的特征数据，将目标缩放比和对目标组件进行缩小的缩小比例相乘后，作为第一训练数据中的标签数据。

将第一训练数据加入第一训练数据集后，或者在第一训练数据集中新添加的训练数据达到一定数量后，可以采用添加训练数据后的第一训练数据集对缩放比预测模型进行优化。具体地，优化方式可以是采用重新再训练一个缩放比预测模型，也可以是对缩放比预测模型原有的参数进行微调，具体可参照现有的机器学习模型训练方法，在此不做赘述。

通过将第一训练数据添加至第一训练数据集，再采用添加训练数据后的第一训练数据集来优化缩放比预测模型，能够进一步提高缩放比预测模型的泛化能力。

步骤S90，根据所述组件尺寸、所述组件位置、所述设备分辨率、所述目标缩放比、所述缩小比例和所述目标设备桌面的中心位置生成第二训练数据，将所述第二训练数据添加至所述位置预测模型的第二训练数据集，以基于添加训练数据后的第二训练数据集对所述位置依存模型进行优化。

另外，也可以根据目标组件在目标页面中的组件尺寸、组件位置、目标设备的设备分辨率、目标缩放比、缩小比例和目标设备桌面的中心位置生成一条训练数据，称为第二训练数据，将该第二训练数据添加至位置预测模型的第二训练数据集。其中，第二训练数据集是预先收集的用于对位置预测模型进行训练的数据集。具体地，可以目标缩放比和对目标组件进行缩小的缩小比例相乘得到实际缩放比，将组件尺寸、组件位置、设备分辨率和实际缩放比作为第二训练数据中的特征数据，将目标设备桌面的中心位置作为第二训练数据中的标签数据。

将第二训练数据加入第二训练数据集后，或者在第二训练数据集中新添加的训练数据达到一定数量后，可以采用添加训练数据后的第二训练数据集对位置预测模型进行优化。具体地，优化方式可以是采用重新再训练一个位置预测模型，也可以是对位置预测模型原有的参数进行微调，具体可参照现有的机器学习模型训练方法，在此不做赘述。

通过将第二训练数据添加至第二训练数据集，再采用添加训练数据后的第二训练数据集来优化位置预测模型，能够进一步提高位置预测模型的泛化能力。

进一步地，基于上述第一、第二、第三和/或第四实施例，提出本发明页面组件显示方法第五实施例，在本实施例中，所述方法还包括：

步骤A10，获取根据待训练模型的输入特征和训练目标采集的训练数据集，并从所述训练数据集中抽选出多个训练数据组；

在本实施例中，提出一种缩放比预测模型和位置预测模型的较优的训练方法，可以采用这种训练方法来训练缩放比预测模型或位置预测模型。

根据输入特征和训练目标设置一个待训练模型，待训练模型可以采用线性回归模型或决策树模型。具体地，要训练缩放比预测模型时，可以根据缩放比预测模型的输入特征和训练目标来设置一个待训练模型，要训练位置预测模型时，可以根据位置预测模型的输入特征和训练目标来设置一个待训练模型，待训练模型中的参数是需要经过训练确定的。具体根据输入特征和训练目标设置待训练模型的方法根据模型类型不同而不同，在本实施例中不做限制。

获取根据待训练模型的输入特征和训练目标采集的训练数据集。训练数据集中包括多条训练数据，每条训练数据包括输入特征对应的一组特征数据和训练目标对应的一个标签数据。例如，要训练缩放比预测模型时，一条训练数据包括一组作为特征数据的组件在页面中的尺寸和设备的分辨率，还包括一个作为标签数据的页面缩放比；要训练位置预测模型时，一条训练数据包括一组作为特征数据的组件在页面中的尺寸、组件在页面中的位置、设备分辨率和页面缩放比，还包括一个作为标签数据的组件在设备桌面中的显示位置。训练数据的采集方式有多种，例如当用户使用设备查看某页面时，对页面进行缩放和移动以使得某一组件以合适的大小和位置显示，此时设备采集页面缩放比和组件在设备桌面中的位置，结合组件在页面中的尺寸和位置以及设备分辨率，即可生成一条用于训练缩放比预测模型的训练数据和一条用于训练位置预测模型的训练数据。或者，也可以通过人工构造出符合用户习惯的训练数据。

在获取到训练数据集后，从训练数据集中抽选出多个训练数据组，每个训练数据组中包括多条训练数据，训练数据组中训练数据的数量至少保证能够计算出待训练模型的一组备选模型参数。训练数据组的个数可以根据需要进行设置。为提高训练出的模型的预测准确度，抽选出的各个训练数据组中的训练数据组合起来至少要将训练数据集中所有训练数据覆盖到，也即，训练数据集中的每条训练数据都至少属于一个训练数据组。由于是采用抽选的方式得到训练数据组，所以各个训练数据组中的训练数据是可以允许重复的。

步骤A20，分别将各所述训练数据组带入所述待训练模型中进行计算，得到所述待训练模型的多组备选模型参数；

分别将各个训练数据组带入待训练模型进行计算，得到待训练模型的多组备选模型参数。也即，将一个训练数据组带入待训练模型进行计算，可以得到一个组备选模型参数，将各个训练数据组分别带入进行计算，就可以得到多组备选模型参数。具体地，可以理解为将待训练模型的模型参数作为未知数，将训练数据组带入待训练模型中计算未知数的解。

步骤A30，分别统计在所述待训练模型中采用各组所述备选模型参数对所述训练数据集中训练数据进行预测时误差在预设范围内的有效数据量；

在得到多组备选模型参数后，对于每组备选模型参数，在待训练模型中采用该组备选模型参数对训练数据集中的各条训练数据分别进行预测，得到各条训练数据对应的预测结果，根据预测结果和训练数据中的标签数据可以计算预测的误差，若对一条训练数据的预测误差在预设范围内，则确定该条训练数据是该组备选模型参数对应的有效数据，否则为无效数据，统计该组备选模型参数对应的有效数据的数量，即有效数据量。对各组备选模型参数执行同样的统计步骤，即可得到各组备选模型参数分别对应的有效数据量。预设范围可以根据具体需要进行设置，表示允许出现的误差范围。

步骤A40，根据各所述有效数据量中最大的有效数据量对应的备选模型参数确定最终模型参数，将由所述最终模型参数限定的所述待训练模型作为所述缩放比模型或所述位置预测模型。

根据各个有效数据量中最大的有效数据量对应的备选模型参数确定待训练模型的最终模型参数。将由最终模型参数限定的待训练模型作为缩放比模型或位置预测模型。可以理解的是，当根据缩放比预测模型的输入特征和训练目标来设置待训练模型和采集训练数据集时，将由最终模型参数限定的待训练模型作为缩放比预测模型，当根据位置预测模型的输入特征和训练目标来设置待训练模型和采集训练数据集时，将由最终模型参数限定的待训练模型作为位置预测模型。

具体地，在一实施方式中，可以直接选取对应有效数据量最多的备选模型参数作为待训练模型的最终模型参数。

在另一实施方式中，所述步骤A40包括：

步骤A401，将各所述有效数据量中最大的有效数据量对应的备选模型参数作为有效模型参数；

步骤A402，获取在所述待训练模型中采用所述有效模型参数对所述训练数据集中训练数据进行预测时误差不在所述预设范围内的无效训练数据；

在得到各组备选模型参数分别对应的有效训练数据后，可以将各个有效数据量中最大的有效数据量对应的备选模型参数作为有效模型参数。获取在待训练模型中采用该有效模型参数对待训练数据集中训练数据进行预测时误差不在预设范围内的无效训练数据。若在待训练数据中采用该有效模型参数对一条训练数据进行预测得到预测结果，根据该预测结果和该条训练数据的标签数据计算预测误差，当预测误差不在预设范围时，将该条训练数据作为该有效模型参数对应的无效训练数据。

步骤A403，将各所述无效训练数据中组件在设备桌面中能够正常显示的训练数据作为临界训练数据；

将无效训练数据中组件在设备桌面中能够正常显示的训练数据作为临界训练数据。具体地，缩放比预测模型的训练数据和位置预测模型的训练数据中都包括组件在页面中的尺寸、设备的分辨率和页面缩放比，可以根据无效训练数据中组件在页面中的尺寸、设备的分辨率和页面缩放比来检测该组件在该设备桌面中是否能够正常显示。具体的检测方法可以参照上述第三实施例中的检测方法，在此不再赘述。如果一条无效训练数据中组件在设备桌面中能够正常显示，则可以将该条无效训练数据作为临界训练数据。

步骤A404，采用所述临界训练数据训练得到所述待训练模型的临界模型参数；

采用临界训练数据训练得到待训练模型的临界模型参数。具体训练方法可以是采用上述步骤A10～A40中根据训练数据集训练得到有效模型参数的方法，也即，将各条临界训练数据作为一个训练数据集，采用上述步骤A10～A40的方法根据临界训练数据组成的该训练数据集训练得到一组模型参数，作为临界模型参数。或者，可以采用其他机器学习模型的训练方法根据临界训练数据训练得到临界模型参数，在此不做限制。

步骤A405，将所述临界模型参数和所述有效模型参数进行合并得到最终模型参数。

在得到临界模型参数和有效模型参数后，可以将两组模型参数进行合并得到最终的模型参数。具体地，可以将两组模型参数中按照参数项对应平均或加权平均，得到各个参数项最终的参数值。其中，加权平均的权重可以是根据有效训练数据的数据量和临界训练数据的数据量的比值来设置，也即，那组模型参数对应的训练数据量越多，对应的权重就越大。

在本实施例中，将没有参与有效模型参数训练的训练数据中能够在设备桌面中正常显示的临界训练数据也利用起来，采用临界训练数据和有效训练数据分别训练得到的模型参数合并得到最终模型参数，使得训练得到的缩放比预测模型或位置预测模型的泛化能力更强。

进一步地，在一实施方式中，缩放比预测模型、横坐标预测模型和纵坐标预测模型均可以采用多项式回归模型。特别地，作为缩放比预测模型的多项式回归模型中，设备分辨率的宽x1、设备分辨率的高x2、组件在页面中的宽x3和组件在页面中的长x4这四个特征项对应的指数依次增多，例如，四个特征项的指数分别为1、2、3和4，缩放比预测模型的表达式如下：

Zoom＝A

其中A

缩放比预测模型的部分训练数据如下表1所示：

表1

作为横坐标预测模型的多项式回归模型中，设备分辨率的宽、组件在页面中的宽、组件在页面中的横坐标和页面缩放比这四个特征项对应的指数依次增多，例如，四个特征项的指数分别为1、2、3和4，横坐标预测模型的表达式如下：

P

其中B

横坐标预测模型的部分训练数据如下表2所示：

表2

作为纵坐标预测模型的多项式回归模型中，设备分辨率的高、组件在页面中的长、组件在页面中的纵坐标和页面缩放比这四个特征项对应的指数依次增多，例如，四个特征项的指数分别为1、2、3和4，纵坐标预测模型的表达式如下：

P

其中C

纵坐标预测模型的部分训练数据如下表3所示：

表3

此外，此外本发明实施例还提出一种页面组件显示装置，参照图4，所述装置包括：

获取模块10，用于获取目标页面中目标组件在所述目标页面中的组件位置和组件尺寸，以及获取目标设备的设备分辨率；

第一预测模块20，用于采用缩放比预测模型根据所述组件尺寸和所述设备分辨率预测得到目标缩放比，其中，所述缩放比预测模型是以组件在页面中的尺寸和设备的分辨率为输入特征，并以页面的缩放比为训练目标进行训练得到的；

第二预测模块30，用于采用位置预测模型根据所述组件尺寸、所述组件位置、所述设备分辨率和所述目标缩放比预测得到目标位置，其中，所述位置预测模型是以组件在页面中的尺寸、组件在页面中的位置、设备的分辨率和页面的缩放比作为输入特征，并以组件在设备桌面中的显示位置作为训练目标进行训练得到的；

显示模块40，用于根据所述目标缩放比对所述目标组件进行缩放，将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处。

进一步地，所述位置预测模型包括横坐标预测模型和纵坐标预测模型，所述第二预测模块30包括：

第一预测单元，用于采用所述横坐标预测模型根据所述组件尺寸中的组件宽、所述组件位置中的组件横坐标、所述设备分辨率中的分辨率宽和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示横坐标，其中，所述横坐标预测模型以组件在页面中的宽、组件在页面中的横坐标、设备分辨率的宽和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的横坐标作为训练目标进训练得到；

第二预测单元，用于采用所述纵坐标预测模型根据所述组件尺寸中的组件长、所述组件位置中的组件纵坐标、所述设备分辨率中的分辨率高和所述目标缩放比，预测得到所述目标组件在所述目标设备桌面中的显示纵坐标，其中，所述纵坐标预测模型以组件在页面中的长、组件在页面中的纵坐标、设备分辨率的高和页面的缩放比作为输入特征，并以组件在设备桌面中显示时的纵坐标作为训练目标进训练得到；

第一确定单元，用于将所述显示横坐标和所述显示纵坐标作为目标位置。

进一步地，所述装置还包括：

检测模块，用于根据所述设备分辨率和缩放后的目标组件的尺寸检测缩放后的目标组件是否能在所述目标设备桌面中正常显示；

缩放模块，用于若否，则将缩放后的目标组件按照所述设备分辨率进行缩小后显示在所述目标设备桌面的中心位置

所述显示模块40用于若是，则执行所述将缩放后的目标组件显示在所述目标设备桌面中的所述目标位置处的步骤；

进一步地，所述检测模块包括：

计算单元，用于根据所述组件尺寸和所述目标缩放比计算缩放后目标组件的目标尺寸；

检测单元，用于检测所述目标尺寸中的尺寸长是否大于所述设备分辨率中的分辨率高，以及检测所述目标尺寸中的尺寸宽是否大于所述设备分辨率中的分辨率宽；

第二确定单元，用于若所述尺寸长大于所述分辨率高或所述尺寸宽大于所述分辨率宽，则确定缩放后的目标组件不能在所述目标设备桌面中正常显示；

第三确定单元，用于若所述尺寸长不大于所述分辨率高且所述尺寸宽不小于所述分辨率宽，则确定缩放后的目标组件能够在所述目标设备桌面中正常显示。

进一步地，所述装置还包括：

第一生成模块，用于根据所述组件尺寸、所述设备分辨率、所述目标缩放比和缩小比例生成第一训练数据，将所述第一训练数据添加至所述缩放比预测模型的第一训练数据集，以基于添加训练数据后的第一训练数据集对所述缩放比预测模型进行优化；

第二生成模块，用于根据所述组件尺寸、所述组件位置、所述设备分辨率、所述目标缩放比、所述缩小比例和所述目标设备桌面的中心位置生成第二训练数据，将所述第二训练数据添加至所述位置预测模型的第二训练数据集，以基于添加训练数据后的第二训练数据集对所述位置依存模型进行优化。

进一步地，所述获取模块10还用于获取根据待训练模型的输入特征和训练目标采集的训练数据集，并从所述训练数据集中抽选出多个训练数据组；

所述装置还包括：

计算模块，用于分别将各所述训练数据组带入所述待训练模型中进行计算，得到所述待训练模型的多组备选模型参数；

统计模块，用于分别统计在所述待训练模型中采用各组所述备选模型参数对所述训练数据集中训练数据进行预测时误差在预设范围内的有效数据量；

确定模块，用于根据各所述有效数据量中最大的有效数据量对应的备选模型参数确定最终模型参数，将由所述最终模型参数限定的所述待训练模型作为所述缩放比模型或所述位置预测模型。

进一步地，所述确定模块包括：

第四确定单元，用于将各所述有效数据量中最大的有效数据量对应的备选模型参数作为有效模型参数；

获取单元，用于获取在所述待训练模型中采用所述有效模型参数对所述训练数据集中训练数据进行预测时误差不在所述预设范围内的无效训练数据；

第五确定单元，用于将各所述无效训练数据中组件在设备桌面中能够正常显示的训练数据作为临界训练数据；

训练单元，用于采用所述临界训练数据训练得到所述待训练模型的临界模型参数；

合并单元，用于将所述临界模型参数和所述有效模型参数进行合并得到最终模型参数。

本发明页面组件显示装置的具体实施方式的拓展内容与上述页面组件显示方法各实施例基本相同，在此不做赘述。

此外，本发明实施例还提出一种计算机可读存储介质，所述存储介质上存储有页面组件显示程序，所述页面组件显示程序被处理器执行时实现如下所述的页面组件显示方法的步骤。

本发明页面组件显示设备和计算机可读存储介质各实施例，均可参照本发明页面组件显示方法各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。