页面优化方法、装置、设备及存储介质

技术领域

本申请涉及人工智能视觉技术领域，具体涉及一种页面优化方法及装置、电子设备、计算机可读存储介质、以及计算机程序产品。

背景技术

在使用对象浏览信息展示界面中展示的信息的过程中，若使用对象对当前展示的信息不感兴趣，则可以触发数据更新操作或页面优化操作，以优化信息展示界面中包含的信息和页面布局。

相关技术中，在页面数据更新过程中，通常是重新获取未在信息展示界面中展示的信息，并将获取的信息展示在信息展示界面中。但是，这种数据更新方式使得更新后的内容何页面布局与使用对象的需求之间的匹配度较低，使用对象需要多次触发数据更新操作，以查看到需要的页面信息和相匹配的页面布局，降低了页面优化时数据刷新的准确度，影响用户的使用体验。

发明内容

为解决上述技术问题，本申请的实施例提供了一种页面优化方法及装置、电子设备、存储介质，进而至少在一定程度上优化触发刷新操作的页面使得优化后的内容以及布局与用户之间的匹配度，提高用户的使用体验。

根据本申请实施例的一个方面，提供了一种页面优化方法，包括：获取待优化页面上的信息流和用户数据，所述信息流包括页面内容和页面布局；对所述信息流和用户数据进行特征提取，得到所述待优化页面上的多个页面特征参数；基于所述多个页面特征参数生成所述待优化页面优化后的目标页面的预测结果；将所述目标页面的预测结果发送给目标浏览器，以基于所述目标浏览器加载所述目标页面的页面内容和页面布局。

根据本申请实施例的一个方面，

所述方法还包括：

将所述待优化页面上的信息流和用户数据输入至所述预设页面优化模型进行页面优化处理，输出目标页面的预测结果；

其中，所述预设页面优化模型中包括布局处理层、页面内容处理层以及用户操作处理层；所述布局处理层对所述信息流中的页面布局进行优化，输出优化后的页面布局，所述页面内容处理层对所述信息流中的页面内容进行预测，输出页面内容预测结果，所述用户操作处理层用于对所述用户数据进行预测，输出用户使用习惯预测结果。

根据本申请实施例的一个方面，在将所述待优化页面上的信息流和用户数据输入至所述预设页面优化模型进行页面优化处理，输出目标页面的预测结果之前，所述方法还包括：获取所述待优化页面的上下文信息流，并提取所述上下文信息流中的页面特征信息，所述页面特征信息包括页面内容信息和页面布局信息；获取所述待优化页面的历史用户行为轨迹信息，并提取出所述历史用户行为轨迹信息中的用户使用习惯标签；基于所述页面内容信息、所述页面布局信息以及所述用户使用习惯标签，训练得到所述预设页面优化模型。

根据本申请实施例的一个方面，所述基于所述页面内容信息、所述页面布局信息以及所述用户使用习惯标签，训练得到所述预设页面优化模型，包括：提取所述页面内容信息、所述页面布局信息以及所述用户使用标签中的页面特征信息；遍历所述页面特征信息，将达到预设分类能力以上的页面特征作为关键页面特征；基于所述关键页面特征进行至少一次模型训练任务，以训练得到所述预设页面优化模型，其中，所述预设页面优化模型中包括布局处理层、页面内容处理层以及用户操作处理层。

根据本申请实施例的一个方面，所述基于所述关键页面特征进行至少一次模型训练任务，以训练得到所述预设页面优化模型，包括：将所述关键页面特征作为根节点，以基于所述根节点将所述页面特征信息划分为多个页面特征子集；确定所述多个页面特征子集中的多个子节点，所述子节点为每一页面特征子集中分类能力最强的页面特征；基于多个子节点进行至少一次模型训练任务，以训练得到所述预设页面优化模型。

根据本申请实施例的一个方面，所述方法还包括：确定所述目标页面的预测结果中的目标缓存数据；生成所述目标页面对应的标签页目标页面布局，所述目标页面布局包括所述目标缓存数据对应的数据结构以及数据链接；基于所述目标缓存数据对应的数据结构和数据链接，在所述目标页面布局中加载出所述目标页面。

根据本申请实施例的一个方面，所述确定所述目标页面的预测结果中的目标缓存数据，包括：解析所述目标页面的预测结果，得到多个页面数据；若所述页面数据在所述目标页面中的访问需求量大于预设访问需求量阈值，则确定所述页面数据为目标缓存数据；若所述页面数据的计算任务量大于预设计算任务量阈值，则确定所述页面数据为目标缓存数据。

根据本申请实施例的一个方面，提供了一种页面优化装置，所述装置包括：获取模块，用于获取待优化页面上的信息流和用户数据，所述信息流包括页面内容和页面布局；特征提取模块，用于对所述信息流和用户数据进行特征提取，得到所述待优化页面上的多个页面特征参数；预测模块，用于基于所述多个页面特征参数生成所述待优化页面优化后的目标页面的预测结果；

加载模块，用于将所述目标页面的预测结果发送给目标浏览器，以基于所述目标浏览器加载所述目标页面的页面内容和页面布局。

根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如前所述的页面优化方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的页面优化方法。

在本申请的实施例所提供的技术方案中，通过对待优化页面上的信息流和用户数据进行特征提取，得到待优化页面上的多个页面特征参数，然后根据多个页面特征参数确定待优化页面优化后的目标页面对应的预测结果，使得所得到的预测结果更贴近用户的浏览需求；最后，将目标页面的预测结果发送给目标浏览器，以基于目标浏览器加载目标页面的页面内容和页面布局，从而提升优化得到的目标页面与用户之间的匹配度，提升页面优化后的准确度和灵活度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，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的附图。在附图中：

图1是本申请实施例的技术方案的示例性实施环境的示意图；

图2是本申请实施例的技术方案的另一示例性实施环境的示意图；

图3是本申请的一示例性实施例示出的页面优化方法的流程图；

图4是本申请的另一示例性实施例示出的一种页面优化方法的流程图；

图5是图4所示的实施例中的步骤S430在一示例性的实施例中的流程示意图；

图6是图5所示的实施例中的步骤S530在一示例性的实施例中的流程示意图；

图7是是本申请的一示例性实施例示出的更新与调整操作的关系示意图；

图8A是本申请的一示例性实施例示出的刷新操作的示意图；

图8B是本申请的一示例性实施例示出的更新与调整操作的关系示意图；

图9A是本申请的一示例性实施例示出的信息展示界面示意图；

图9B是本申请的一示例性实施例示出的信息展示界面示意图；

图10是本申请的另一示例性实施例示出的一种页面优化方法的流程图；

图11是本申请的一示例性实施例示出的页面加载的示意图；

图12是图10所示的实施例中的步骤S1010在一示例性的实施例中的流程示意图；

图13是在一示例性的应用场景下进行页面优化的简要流程示意图；

图14是本申请的一示例性实施例示出的页面优化装置的框图；

图15示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

在本申请中提及的“多个”是指两个或者两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。

请参阅图1，图1示出了可以应用本申请实施例的技术方案的示例性应用场景的示意图。

如图1所示，在本申请的一个应用场景中，可以在终端设备110上显示待优化页面展示界面120，当终端设备110的使用对象触发了针对信待优化页面展示界面120的优化操作，则可以通过获取待优化页面上的信息流和用户数据，其中，信息流包括页面内容和页面布局，从而通过对信息流展示界面120上的信息流和用户数据进行特征提取得到多个页面特征参数，从而基于多个页面特征参数生成待优化页面的目标页面的预测结构，从而基于终端设备110中的目标浏览器加载出目标页面对应的内容和布局从而实现对页面的优化，进而提升优化后的内容与用户之间的匹配度，提高用户的使用体验。

图1所示的应用场景是由单个终端设备实现的应用场景，本申请的实施例还可以由终端设备和服务器联合实现。如图2所示，可选的，终端设备210可以和服务器220通过有线或无线方式建立连接。终端设备210上可以显示待优化页面，当终端设备210的使用用户出发针对待优化页面230的优化操作，则可以根据服务器230获取待优化页面230上的信息流和用户数据，其中，信息流包括页面内容和页面布局，然后对信息流和用户数据进行特征提取，以得到待优化页面230上的多个页面特征参数，以基于多个页面特征参数生成待优化页面优化后的目标页面的预测结果，从而根据目标页面的预测结果加载出待优化页面优化后的目标页面的内容和布局。

需要说明的是，本申请实施例中的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算(Cloud Computing)、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能家居、车载终端、飞行器等，但并不局限于此。

可以理解的是，在本申请的具体实施方式中，涉及到终端设备的使用对象的信息，诸如操作信息等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得使用对象许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

以下对本申请实施例的技术方案的各种实现细节进行详细阐述：

请参阅图3，图3是本申请的一实施例示出的数据更新方法的流程图。该方法可由终端设备来执行，也可由服务器来执行，还可以由终端设备与服务器共同执行。如图3所示，该数据更新方法至少包括步骤S310-S340，详细介绍如下：

步骤S310，获取待优化页面上的信息流和用户数据，信息流包括页面内容和页面布局。

需要说明的是，待优化页面展示界面是指用于展示信息的界面，可选的，信息流展示界面可以是新闻展示界面、视频推荐界面、商品浏览界面等。展示的信息包括但不限于视频、文字、图片等。用户数据包括用户身份信息、用户在待优化页面上的行为轨迹信息、浏览时长、点击操作、双击操作、长按操作(按压时长达到对应时长阈值的按压操作)、滑动操作、重按操作(按压压力达到对应压力阈值的按压操作)等。

具体的，在用户触发对当前显示的待优化页面的展示界面进行进行优化操作时，则获取当前显示的待优化界面上的页面内容和页面布局，页面布局就包括页面的样式，页面的布局以及图片的大小尺寸、文字字数、文字字体、文字的展示方式等。

S320，对信息流和用户数据进行特征提取，得到待优化页面上的多个页面特征参数。

针对从当前待优化页面的展示页面上获取到的信息流和用户数据进行特征提取，可选的，信息流包括信息流展示界面可以是新闻展示界面、视频推荐界面、商品浏览界面等。展示的信息包括但不限于视频、文字、图片等。用户数据包括用户在当前显示屏幕上的单击操作、双击操作、滑动操作、长按操作、重按操作等，以根据当前时刻待优化页面上的信息流和用户数据，从而得到待优化页面上的多个页面特征参数。

其中，在一些可实现的实施例中，页面特征参数还可以包括页面信息流中的每个信息类别对应的更新比例是指更新后的信息流展示界面中包含的该信息类别对应的信息的数量与更新后的信息流展示界面中包含的信息总数量之间的比值。其中，信息类别的分类方式可以根据实际需要灵活设置，可选的，可以根据信息内容、信息评分、信息所带来的情绪等分类标准进行分类得到信息类别。在一个示例中，可以根据信息内容进行分类得到新闻、娱乐、汽车、小说等信息类别；在另一示例中，假设信息为视频，可以根据视频评分得到0-2分、2-4分、4-6分、6-8分等信息类别；根据视频是否恐怖进行分类得到不恐怖、微恐怖、中恐怖、超恐怖等信息类别，根据视频内容是否悲惨进行分类得到不悲惨、微悲惨、中悲惨、超悲惨等信息类别，根据视频内容所带来的情绪进行分类得到喜、怒、哀、乐等信息类别。

步骤S330，基于多个页面特征参数生成待优化页面优化后的目标页面的预测结果。

在确定待优化的页面上的多个页面特征参数后，可以根据多个页面特征参数生成待优化页面优化后得到的目标页面对应的预测结果，即，根据当前待优化页面上的信息内容，用户的操作数据，用户账号，用户标签等页面特征信息对待优化页面所对应的目标页面进行预测，以生成待优化页面优化后的目标页面对应的信息内容和基于用户的操作习惯调整的页面布局，触发方式等。

示例性的，若是待优化的页面上的多个页面特征参数表征该用户在页面显示内容上的偏好，例如，含新闻、娱乐、汽车、小说的信息类别403，以及新闻、娱乐、汽车、小说分别对应的更新比例，在视频推荐界面中，当使用对象向下滑动触发刷新操作后，在信息流展示界面中显示更新的视频数量、多个视频类别以及每个视频类别对应的更新比例404，其中，以多个视频类别为不恐怖、微恐怖、中恐怖、超恐怖为例进行说明，以多个视频类别为不悲惨、微悲惨、中悲惨、超悲惨为例进行说明，以多个视频类别为喜、怒、哀、乐为例进行说明。

步骤S340，将目标页面的预测结果发送给目标浏览器，以基于目标浏览器加载目标页面的页面内容和页面布局。

进一步的，将上述得到的目标页面的预测结果发送给目标服务器，目标服务器接收到来自客户段发的目标页面的预测结果之后，根据配置请求创建浏览器实例，以通过浏览器实例启动浏览器。应理解的是，在面向对象的编程中，把用类创建对象的过程称为实例化，是一个将抽象的概念类具体到该类实物的过程，采用此种方式所创建的对象则称为实例，因此本实施例创建的浏览器实例也是指通过此种方式创建的浏览器对象。

服务器在创建浏览器实例后，通过浏览器实例启动的浏览器并不是通常意义下的用来检索、展示以及传递网页信息资源的应用程序，而是服务器中模拟的浏览器程序，此浏览器一般为无核浏览器。应理解，浏览器内核(Rendering Engine)是指浏览器核心的部分，负责对网页语法的解释并渲染网页，因此通常所称的浏览器内核也是浏览器所采用的渲染引擎，由于本实施例在服务器中模拟的浏览器不需要执行过多的解释及渲染，因此采用无核浏览器即可，以节省服务器的计算资源。另外还需要说明的是，本实施例并不限制浏览器实例仅能模拟为无核浏览器的形式。

在本实施例中，通过对待优化页面上的信息流和用户数据进行特征提取，得到待优化页面上的多个页面特征参数，然后根据多个页面特征参数确定待优化页面优化后的目标页面对应的预测结果，使得所得到的预测结果更贴近用户的浏览需求；最后，将目标页面的预测结果发送给目标浏览器，以基于目标浏览器加载目标页面的内容和布局，从而提升优化得到的目标页面与用户之间的匹配度，提升页面优化后的准确度和灵活度。

进一步的，基于上述实施例，请参照图4，在本申请所提供的其中一个实例性的实施例中，上述页面优化方法的具体实现过程还可以包括如下步骤，详细介绍如下：

将待优化页面上的信息流和用户数据输入至预设页面优化模型进行页面优化处理，输出目标页面的预测结果。

在一些可实现的实施例中，可以通过将从待优化页面上展示的信息流和用户数据输入至预先训练好的页面优化模型中，以基于预先训练好的页面优化模型中的特征提取层提取出待优化页面上的多个页面特征参数。

示例性的，将待优化页面上展示的信息流和用户数据输入至预先训练好的页面优化模型，并依次通过多个处理单元对待处理图像进行处理，得到每个处理单元输出的特征参数；其中，在通过多个处理单元中的第m+1个处理单元对待处理图像进行处理的过程中，通过第m+1个处理单元对第m个处理单元输出的特征参数进行处理，得到第m+1个处理单元输出的特征参数，m为整数，第m+1个处理单元输出的特征参数的数量大于第m个处理单元输出的页面特征参数的数量。

页面特征参数为表征待优化页面的特征的参数，其形式包括但不限制于特征图、特征向量等。

其中，m为整数，其取值范围可以是[1，M]，也就是说，m为大于等于1、且小于等于M的整数。其中，M为处理单元的数量，M为大于1的整数。

为了提升所得到的目标页面的预测结果的准确度，本实施例中，将待优化页面的信息流和用户数数据输入至页面优化模型，页面优化模型包含的多个处理单元会依次对待优化页面的信息流和用户数数据进行处理。

其中，预设页面优化模型中包括布局处理层、页面内容处理层以及用户操作处理层；布局处理层对信息流中的页面布局进行优化，输出优化后的页面布局，页面内容处理层对信息流中的页面内容进行预测，输出页面内容预测结果，用户操作处理层用于对用户数据进行预测，输出用户使用习惯预测结果。

承接上述实施例所言，在预先训练好的页面优化模型还包括输出层，其中，输出层中包括多个处理单元，其中，多个处理单元一次连接，然后根据对上述待优化页面的多个页面特征参数进行数据清洗和数据预处理，其中，就包括，重复数据处理，去除重复的数据，只保留唯一的数据样本；异常值处理，去除明显偏离正常范围的数据，例如极大数据或极小数据；缺失值处理：去除缺失的数据，例如用户行为数据中缺少关键信息，如用户ID、时间等；无法使用的数据处理，去除无法使用的数据，例如页面数据中包含异常字符或非法字符等；不相关的数据处理：去除与用户行为和页面优化不相关的或影响不大的数据，例如用户IP地址、设备信息等。

进一步，对预处理后的多个页面特征参数进行特征选择，即从众多页面特征中选取出对于分类最为重要的特征，以减少特征数量，提高目标页面预测结果的准确性。

具体的，在一些可实现的实施例中，可以将待优化页面上的信息流和用户数据输入到预设页面优化模型中，从而可以通过预设页面优化模型中的布局处理层对信息流中的页面布局进行优化，例如，对页面的版式进行调节会对页面不同板块的面积进行调节等，可以通过预设页面优化模型中的页面内容处理层基于信息流中的页面内容对目标页面的页面内容进行预测，并输出页面内容的预测结果，可以通过预设页面优化模型中的用户操作处理层基于用户数据对目标页面的用户数据进行预测，以输出用户使用习惯预测结果。

在本实施例中，通过将待优化页面上的信息流和用户数据输入至预先训练好的页面优化模型中，以此，通过页面优化模型中的多个处理单元对待优化页面的信息流和用户数据生成输出目标页面的预测结果，从而提升优化得到的目标页面与用户之间的匹配度，提升页面优化后的准确度和灵活度。

进一步的，基于上述实施例，在本申请所提供的其中一个示例性的实施例中，上述页面优化方法的具体实现过程还可以包括如下步骤S410至步骤S430，详细介绍如下：

步骤S410，获取待优化页面的上下文信息流，并提取上下文信息流中的页面特征信息，页面特征信息包括页面内容信息和页面布局信息。

可选的，在预先训练页面优化模型时，可以通过获取待优化页面的上下文信息流，其中，可以获取预设时间范围内待优化页面的上下文信息流，其中获取上文信息流可以分析待优化页面的历史轨迹信息，其中，包括从待优化页面上文信息流中提取出上文页面中的页面特征信息，页面内容信息以及页面布局信息，其中，页面布局信息需要考虑在页面的展示版式，展示版式中的展示列等，考虑到展示列的显示高度为该展示列中所有元素节点的高度之和。由于每个元素节点的高度可能存在差异，因此页面中每个展示列的显示高度也可能存在差异，展示列的显示高度差会使得网页中存在空白区域，现有技术中由于并未考虑展示列的显示高度，则当需要显示网页的新的页面数据时，这些空白区域则影响网页的显示效果。本发明实施例中，为了保证网页的显示效果，本步骤考虑了窗口的展示列的显示高度，即考虑了展示列中各个元素节点的高度差异的情况，基于展示列的显示高度，确定网页的新的页面数据的显示位置，可保证当需要显示网页的新的页面数据时，窗口中每个展示列的显示高度相对一致，减少网页中的空白区域，提升网页的显示效果。

此外，在另外一方面，获取待优化页面的下文信息流包括获取终端操作用户在当前页面上执行的信息流更新操作，例如，信息流更新参数是指针对更新后的信息的相关设置参数，可选的，包括但不限于以下参数中的至少一种：更新的信息数量、更新的多个信息类别、每个信息类别对应的更新比例。其中，更新的信息数量是指更新后的信息流展示界面中包含的信息的数量，更新的信息类别是指更新后的信息流展示界面中包含的信息的类别；每个信息类别对应的更新比例是指更新后的信息流展示界面中包含的该信息类别对应的信息的数量与更新后的信息流展示界面中包含的信息总数量之间的比值。其中，信息类别的分类方式可以根据实际需要灵活设置，可选的，可以根据信息内容、信息评分、信息所带来的情绪等分类标准进行分类得到信息类别。

步骤S420，获取待优化页面的历史用户行为轨迹信息，并提取出历史用户行为轨迹信息中的用户使用习惯标签。

可选的，在一些可实现的实施例中，获取待优化页面对一个的历史用户行为轨迹信息，例如，用户在待优化页面对应的应用程序上的历史行为轨迹信息，例如，用户点开的链接，用户的浏览时长，用户在界面上的滑动，用户所选择的内容偏好等，然后基于该用户在该应用程序上的历史行为轨迹信息生成该用户的使用习惯标签。信息类别的分类方式可以根据实际需要灵活设置，可选的，假设信息是商品，可以根据商品内容、商品评分、商品的价格区间，商品的用途，商品的浏览时长等分类标准进行分类得到信息类别。

步骤S430，基于页面内容信息、页面布局信息以及用户使用习惯标签，训练得到预设页面优化模型。

可选的，可以基于上述待优化页面的上下文信息流中的页面内容信息、页面布局信息以及用户使用习惯标签作为训练数据，从而通过训练得到上述预设页面优化模型。

示例性的，可以按照类别分别对上述页面内信息，页面布局信息以及用户使用标签的所有特征进行预处理，其中，预处理的过程包括计算所有特征的平均值和标准差，分别计算每个特征对于分类结果的方案，并将特征按照方差从大到小排序，以选择出方差较大的特征。然后，分别计算每个特征与分类结果之间的相关系数，在将特征按照相关系数从大到小排序，选择相关系数较大的特征，以通过计算两个变量之间的相关程度来识别出相关性较强的特征。

在实际应用中，可以将方差分析和相关信息系数结合起来使用，例如可以先使用方差分析选择出较为相关的的一组特征，再使用相关信息系数进一步筛选出相关性最强的特征。例如，方差分析如下：

方差＝sum((x

其中，x

相关信息系数：

相关系数＝(covariance(x,y)/std(x)*std(y))

其中，x和y为两个特征，covariance(x,y)为两个特征的协方差，std(x)和std(y)分别为两个特征的标准差。

进一步的，可以通过构建决策树的方式来对采集到的样本数据，其中样本数据可以为待优化页面的上下文信息流，通过决策树来从样本数据中，选取出最具有分类能力的特征作为根节点，然后根据根节点的特征将样本数据集分裂成若干个子集，其中，每一子集对应一个子节点，对于每一个子节点在进行重复执行上述选取特征和分裂数据，当所有样本都属于同一类别或者没有可用的特征时，停止构建子节点。

此外，为了避免过拟合，可以对决策树进行剪枝，删除一些不必要的节点和边，使得决策树更加简洁和准确。以下是确定哪些节点和边是不必要的一般规则：叶节点数量较少的节点：叶节点数量较少的节点通常是不必要的，因为它们对于分类结果的贡献较小；重复的节点：如果两个节点在特征选择和分裂数据上高度相似，则其中一个节点可以被删除；置信度较低的节点：如果一个节点的置信度较低，即它的子节点对于分类结果的贡献较小，则该节点可以被删除；信息增益较小的节点：如果一个节点的信息增益比其它节点小，则该节点可以被删除。且在确定哪些节点和边是不必要的时，需要综合考虑用户数据和页面数据的特点，以及决策树的结构和分类结果。可以使用交叉验证、调整树的结构等方法来对决策树进行剪枝。剪枝后的决策树可以更加简洁和准确，有利于提高分类结果的准确性和泛化能力。

在本实施例中，通过决策树学习模型对待优化页面上的信息流以及用户数据进行处理，从而使得训练得到的页面优化模型更加高效，精确度更高，进而使得所得到的目标页面预测结果与用户的匹配度更高，进而提高用户的使用体验。

进一步的，基于上述实施例，请参照图5，在本申请所提供的其中一个示例性的实施例中，上述基于页面内容信息、页面布局信息以及用户使用习惯标签，训练得到预设页面优化模型的具体实现过程还可以包括如下步骤S510和步骤S530，详细介绍如下：

步骤S510，提取页面内容信息、页面布局信息以及用户使用标签中的页面特征信息；

步骤S520，遍历页面特征信息，将达到预设分类能力以上的页面特征作为关键页面特征；

步骤S530，基于关键页面特征进行至少一次模型训练任务，以训练得到预设页面优化模型，其中，预设页面优化模型中包括布局处理层、页面内容处理层以及用户操作处理层。

在一些可实现的实施例中，通过待优化页面的上下文信息流中的页面内容信息、页面布局信息以及用户使用标签进行预处理，具体的，对页面内容信息、页面布局信息以及用户使用标签进行特征提取，将提取得到的特征助威训练预设页面优化模型的训练样本。

具体地，在训练过程中，遍历所有页面特征信息，并将页面特征信息中达到预设分类能力以上的页面特征作为关键页面特征，从而可以将关键页面特征作为根节点，将页面特征信息中的所有页面特征划分为多个页面特征子集，然后再确定多个页面特征子集中每一页面特征子对应的子节点，然后从多个子节点选取最具有分类能力的子节点作为根节点重复执行特征分裂的步骤，直至样本特征中所有样本都属于同一类别或者没有可用特征。

然后，可以基于关键页面特征进行至少一次的模型训练任务，从而训练得到预设优化模型，其中，包括训练出预设页面优化模型中的布局处理层、页面内容处理层以及用户操作处理层。

在本实施例中，通过将待优化页面的上下文信息流以及用户数据中的页面内容信息、页面布局信息以及用户使用标签中的关键页面特征进行至少一次的模型训练，从而使得训练得到的预设页面优化模型更加有效，所获得目标页面预测结果更加精准，提升用户的使用体验。

进一步的，基于上述实施例，请参照图6，在本申请所提供的其中一个示例性的实施例中，上述基于关键页面特征进行至少一次模型训练任务，以训练得到预设页面优化模型的具体实现过程还可以包括步骤S610至步骤S630，详细介绍如下：

步骤S610，将关键页面特征作为根节点，以基于根节点将页面特征信息划分为多个页面特征子集；

步骤S620，确定多个页面特征子集中的多个子节点，子节点为每一页面特征子集中分类能力最强的页面特征；

步骤S630，基于多个子节点进行至少一次模型训练任务，以训练得到预设页面优化模型。

承接上述实施例所言，可以基于页面特征信息构建决策树的方式得到预设页面优化模型，示例性的，将上述关键页面特征作为根节点，从而可以根据根节点将页面特征信息划分为多个页面特征子集，然后在确定出多个页面特征子集中的多个子节点，其中，子节点为每一页面特征子集找那个分类能力最强的的页面特征，从而可以基于多个子节点进行至少一次的模型训练任务，以训练得到对应的预设页面优化模型。

示例性的，可以通过根节点和多个子节点来构建对应的决策树。在构建决策树时，可以使用信息增益、信息增益比、基尼指数等指标来衡量特征的分类能力。其中，信息增益公式为：

IG(D,E)＝Ent(D)-E(D|F)

其中，D表示数据集，E表示类别，F表示特征，Ent(D)表示数据集D的熵，E(D|F)表示在特征F的条件下数据集D的条件熵。信息增益越大，表示该特征对于分类结果的贡献越大。

基尼指数公式为：

Gini(D)＝sum(p

其中，D表示数据集，p

需要注意的是，在构建决策树时，需要避免过拟合和欠拟合的问题。可以使用交叉验证、调整树的结构等方法来避免这些问题。

在本实施例中，基于待优化页面的上下文页面信息中的关键页面特征作为根节点进行决策树构建，从而可以通过决策树的构建实现预设页面优化模型的训练，从而保障了所输出的目标页面的预测结果的准确性，提高了有目标页面的预测结果的灵活性和可靠性。

此外，在一些可实现的实施例中，还可以通过获取用户在待优化页面上对应留下的点击、滑动以空间的停留时长可以是针对页面更新和调整的操作，进而通过将用户的操作标签输入值预设的页面优化模型中，通过页面优化迷信输出的目标页面对应的操作参数，其中操作包括调整操作、更新操作以及连续操作等，对此本申请不作任何限制。

可选的，在调整操作与更新操作是连续操作的条件下，更新调整操作对信息流更新参数进行调整，并显示调整后的信息流更新参数。也就是说，使用对象可以连续触发更新操作和调整操作，并且，需要先触发更新操作，再触发调整操作。对应的，可以在调整操作与更新操作非连续操作的条件下，可以禁止响应调整操作。

其中，在一可选的实施方式中，调整操作与更新操作连续可以是指二者的触发时间之间的时差小于第一设定时长阈值，对应的，响应于与更新操作连续的调整操作，显示调整后的信息流更新参数的过程可以包括：响应于触发时间与更新操作的触发时间之间的时差小于第一设定时长阈值的调整操作，显示根据调整操作调整后的信息流更新参数。其中，第一设定时长阈值可以是1秒、2秒等。

也就是说，更新操作和调整操作可以是两个独立的操作，为了保障数据更新的实时性，在检测到更新操作之后，若又检测到调整操作，且更新操作的触发时间与调整操作的触发时间之间的时差小于对应的设定时长阈值，则可以视为调整操作与更新操作是连续的操作，因此，响应于该调整操作，对信息流更新参数进行调整，并显示调整后的信息流更新参数；若在更新操作的触发时间之后的时长阈值范围内，未检测到调整操作，则可以直接根据未调整的信息流更新参数获取内容。在一示例中，参见图7所示，假设第一时长阈值为3秒，更新操作是垂直向下滑动的操作，信息类别删除操作为在待删除的信息类别的显示位置进行双击的操作，使用对象垂直向下滑动触发更新操作后，显示包含信息类别的信息流更新参数，然后，若在3秒内，使用对象在“新闻”对应的显示位置双击，则在信息流展示界面中删除“新闻”。

在另一可选的实施方式中，在更新操作包括在信息流展示界面上朝向第一方向上的滑动操作的条件下，调整操作与更新操作连续可以是调整操作为更新操作的延续操作，对应的，响应于与更新操作连续的调整操作，显示调整后的信息流更新参数的过程可以包括：若检测到延续于更新操作的触控操作与调整操作相匹配，则显示根据调整操作调整后的信息流更新参数。其中，第一方向的具体方位可以根据实际需要灵活设置，可选的，第一方向可以是竖直向下、竖直向上、水平向左、水平向右等方向，在一示例中，使用对象沿着垂直向下的方向滑动，从而触发了刷新操作；在另一示例中，参见图8A所示，使用对象沿着水平向左的方向滑动，从而触发了刷新操作。

也就是说，调整操作和更新操作为不间断的操作，使用对象可以先沿着第一方向滑动触发更新操作，然后，继续滑动以触发调整操作。也就是说，针对一个滑动操作，其前半部分可以用于触发滑动操作，后半部分可以用于触发调整操作。例如，假设调整操作为垂直向下的滑动操作，调整操作为水平向左的滑动操作，使用对象可以先垂直向下滑动触发更新操作，然后继续水平向左滑动触发调整操作；假设调整操作为水平向右的滑动操作，调整操作为水平向上的滑动操作，使用对象可以先水平向右滑动触发更新操作，然后继续水平向上滑动触发调整操作。在一个示例中，参见图8B所示，假设使用对象的滑动轨迹为801，其中，使用对象先水平向下滑动触发更新操作802，以在信息展示界面中显示信息更新参数，然后，继续水平向左滑动触发更新比例调整操作803，以调整信息类别对应的更新比例。

在一些示例性的实施例中，为进一步提升模拟得到的实时位置的准确性，在待优化页面的目标页面的模拟过程中还需要考虑更加全面的情况，例如待优化页面上用户的使用习惯(如浏览习惯、排版习惯)、点击时长、滑动频率、点击频率等，因此可以采用机器学习的手段来模拟用户在待优化页面上的用户使用习惯。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。其中，机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

基于机器学习的强大学习能力，可通过针对大量的历史轨迹的机器学习过程，可以实现机器学习模型对于导航对象的如浏览习惯、排版习惯)、点击时长、滑动频率、点击频率等全方位特征的位移偏置估计，以保证所预估得到的目标页面上的页面内容和页面布局是更加准确可信的。示例性的，机器学习模型可以包括基于神经网络的监督模型，例如二分类机器学习模型，通过使用大量的历史轨迹对机器学习模型进行训练，以使机器学习模型在训练过程中进行模型参数调整，使得调整后的模型参数对于目标页面的上的页面内容、页面版式以及用户习惯等全方位特征具有综合性的预测表现。

进一步的，基于上述实施例，本申请所提供的其中一个示例性的实施例中，上述页面优化方法的具体实现过程还可以包括如下步骤，详细介绍如下：

根据待优化页面上的信息流确定待优化页面对应的页面信息，页面信息包括图片、文字以及页面布局。

从待优化页面上的信息流确定待优化页面对应的页面信息，其中，页面信息包括页面上的图片，文字，页面布局，例如，若待优化页面上的内容是商品，则可以从待优化页面上提取出对应的商品信息，其中，商品信息包括商品的价格，商品的用途，商品的品牌，商品的排版方式；还可以提取待优化页面上的文字信息，文字信息包括文字的大小，文字字数的多少，文字字体，文字与商品界面的搭配方式；以及提取待优化页面上的页面布局，即，页面布局信息需要考虑在页面的展示版式，展示版式中的展示列等，考虑到展示列的显示高度为该展示列中所有元素节点的高度之和。由于每个元素节点的高度可能存在差异。

将页面信息输入至预设页面优化模型中，以基于预设页面优化模型输出目标页面所对应的图片、文字以及页面布局的预测结果。

可选的，预设页面优化模型根据待优化页面上页面信息，其中页面信息包括多个信息类别以及每个信息类别对应的比例，以通过预设页面优化模型根据多个信息类别以及每个信息类别对应的比例，页面布局的展示列尺寸输出待优化页面优化后的目标页面的预测结果。

可选的，若使用对象在信息流展示界面上沿着第一方向滑动以触发更新操作后，继续滑动并停留在多个信息类别的中心区域，则控制多个信息类别对应的更新比例是均分的。

其中，中心区域的尺寸和具体位置可以根据实际需要灵活设置。例如，参见图9A所示，图9A以多个信息类别包括新闻、娱乐、汽车、小说为例进行说明，若使用对象的触控操作停留至多个信息类别的中心区域1101，则新闻、娱乐、汽车、小说对应的更新比例均为25％；参见图9B所示，图9B以多个信息类别包括新闻、美妆、娱乐、汽车、小说、情感为例进行说明，若使用对象的触控操作停留至多个信息类别的中心区域1102，则新闻、美妆、娱乐、汽车、小说、情感对应的更新比例均为17％。

在本实施例中，通过还可以通过获取待优化页面的上下文信息以及用户的历史行为轨迹信息训练得到页面优化模型，从而使得所训练得到的页面优化模型更加精准，保证所得到的目标页面的预测结果与用户的匹配度更高，从而提高用户的使用体验。

进一步的，基于上述实施例，请参照图10，在本申请所提供的其中一个示例性的实施例中，上述页面优化方法的具体实现过程还可以包括如下步骤S1010至步骤S1030，详细介绍如下：

步骤S1010，确定目标页面的预测结果中的目标缓存数据。

可选的，在确定目待优化页面优化后的目标页面对应的预测结果后，可以通过相应的浏览器来加载目标页面对应的预测结果中的数据，但是目标页面对应的预测结果中包含的数据众多，故，在一些可实现的实施例中，先加载需要进行缓存的目标数据，再将需要缓存的目标数据进行缓存。

步骤S1020，生成目标页面对应的标签页目标页面布局，目标页面布局包括目标缓存数据对应的数据结构以及数据链接。

承接上述实施例所言，在目标浏览器中生成目标页面的标签页的目标页面布局，如图11所示，首先将该目标页面的布局加载出来，然后再选择合适的缓存数据结构，例如哈希表、链表等来将对应的目标页面数据缓存到对应的区域。同时，在一些可实现的实施例中，由于浏览器存储区域有限，并可以在浏览器的存储的区域内的数据设置对应的有效期限，例如，当存储区域内的缓存数据在预设时长内没有被调用，或者，在目标页面的页面内容中并不包含该目缓存数据，则可以将该缓存数据进行删除处理，以减轻浏览器的存储压力。

步骤S1030，基于目标缓存数据对应的数据结构和数据链接，在目标页面布局中加载出目标页面。

具体的，在一些可实现的实施例中，在向目标浏览器发送的目标页面配置请求例如表示为“nodeapi/convert/analyze？url＝xxx”，其中，“url＝xxx”表示落地页对应的链接。服务器根据接收到的配置请求加载convert模块并执行analyze方法，analyze方法首先新建一个pupprteer实例并存储为browser对象，以得到浏览器实例。

需要理解的是，pupprteer是一个通过DevTools(是一款基于Chrome游览器的插件，用于远程调试)协议控制Chromium(是由谷歌公司主导开发的网页浏览器，具体是一个开源项目)浏览器或者Chrome浏览器的具备高级API(Application ProgrammingInterface，应用程序接口)的Node库。browser对象即为浏览器对象。

在本实施例中，通过首先从目标页面的预测中确定出对应的目标缓存数据，并搭建目标缓存数据对应的数据结构以及生成对应的数据链接，从而提高页面加载的速度，保证目标数据的读取和写入的速度，从而提高用户的使用体验。

进一步的，基于上述实施例，请参照图12，在本申请所提供的其中一个示例性的实施例中，上述页面优化方法的具体实现过程还可以包括如下步骤S1210和步骤S1230，详细介绍如下：

步骤S1210，解析目标页面的预测结果，得到多个页面数据。

可选的，可以通过解析目标页面的预测结果，得该目标页面对应的多个页面数据，其中页面数据可以包括目标页面上的图片，文字，商品，新闻等，并向目标浏览器发送一个标签页配置请求，其中，可通过浏览器对象(browser对象)的newPage方法创建一个新的标签页，并将标签页存储为page对象，从而得到页面对象。使用页面对象的setRequestInterception方法启动请求拦截的功能。同时，监听浏览器中的所有请求，并针对监听到的请求进行拦截。若拦截到前述模拟的数据请求，则判断该数据请求是否为历史请求，也即判断是否为重复发起的数据请求。若判断为并非历史请求，则根据数据请求在浏览器中加载落地页。若判断为是历史请求，则不会进行请求响应。

步骤S1220，若页面数据在目标页面中的访问需求量大于预设访问需求量阈值，则确定页面数据为目标缓存数据。

可选的，可以通过计算浏览器加载该多个页面数据各自对应的访问需求量，若是页面数据的访问需求量大于预设的访问需求量，则表征该页面数据的访问需求量大，需要优先缓存到对应的存储区域，以方便在后续目标页面加载过程中使用。

步骤S1230，若页面数据的计算任务量大于预设计算任务量阈值，则确定页面数据为目标缓存数据。

可选的，可以通过计算浏览器加载该多个页面数据各自对应的计算任务量，若是页面数据的计算任务量大于预设的计算任务量阈值，则表征该页面数据的计算任务量很大，若是不提前缓存下来，在浏览器加载过程中务必会造成浏览器负荷过大，故需要优先缓存到对应的存储区域，以方便在后续目标页面加载过程中使用。

此外，在一些可实现的实施例中，还可以通过以下方式判断页面数据是否为目标缓存数据，如下：

首先判断数据请求所属的资源类型是否为第一预设类型。第一预设类型例如包括document(文件)、stylesheet(样式表)、image(图像)等类型中的至少一种，在此不进行限定。若判断为是，则确定数据请求并非历史请求，继续执行数据请求。若判断为否，则继续判断数据请求中包含的后缀是否为第二预设类型。

第二预设类型例如包括“.js”、“.json”、“.json”中的至少一种，在此也不对此进行限制。若判断为是，则继续执行数据请求。若判断为否，则继续根据数据请求中包含的属性信息生成唯一信息。

数据请求中包含的属性信息例如包括origin(起源信息，用于指向本地的代码库托管的版本)和pathname(路径名称)，通过合并origin和pathname对应的参数则可生成唯一信息。然后，可判断该唯一信息是否被记录，若判断为是则表示此数据请求之前已请求过，因此确定其为历史请求，若判断为否则确定数据请求并非历史请求，因此继续执行数据请求。

通过如上流程，能够从多个方面来对拦截到的数据请求是否为历史请求进行全面性的判断，以保证浏览器所执行的落地页加载的过程是有效的，由此也可以保证服务器不会被浪费。

即，可以根据页面数据是否为预设类型的数据，若是则可以用过提前加载出预设类型的数据，使得在目标页面加载过程中快速调用预设类型的数据，从而保证可以快速加载出目标页面，提升用户的使用体验。

在本实施例中，通过将访问需求量大的页面数据作为目标数据，将计算任务量大的数据作为目标数据，有效的提高了目标页面的加载过程，保证了目标数据的读取速度，提高了页面的加载速度，提升了用户的使用体验。

图13是在一示例性的应用场景下进行展示界面中页优化的简要流程示意图。在13所示的应用场景下，用户触发页面优化操作，终端设备获取待优化页面上的信息流和用户数据，其中，信息流包括当前待优化页面上的页面内容和页面布局，用户数据包括用户在当前待优化页面上的点击，滑动以及控件停留的时长，然后，对信息流和用户数据进行特征提取，以得到待优化页面上的多个页面特征参数，再基于待优化页面上的多个页面特征参数生成待优化页面对应的预测结果，再基于服务器中对应的浏览器加载出目标页面的预测结果对应的页面内容和布局，详细的实现过程请参见前述各个实施例中的记载，本处不再对此进行赘述。

图14是本申请的一示例性实施例示出的页面优化装置的框图。该装置可以应用于图2所示的实施环境，并具体配置在智能终端210中。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。

如图14所示，该示例性的页面优化装置包括：获取模块1410，用于获取待优化页面上的信息流和用户数据；特征提取模块1420，用于对信息流和用户数据进行特征提取，得到待优化页面上的多个页面特征参数；预测模块1430，用于基于多个页面特征参数生成待优化页面优化后的目标页面的预测结果；加载模块1440，用于将目标页面的预测结果发送给目标浏览器，以基于目标浏览器加载目标页面的页面内容和页面布局。

在另一示例性的实施例中，上述页面优化装置还包括：

页面优化模型模块，用于将待优化页面上的信息流和用户数据输入至预设页面优化模型进行页面优化处理，输出目标页面的预测结果；

其中，预设页面优化模型中包括布局处理层、页面内容处理层以及用户操作处理层；布局处理层对信息流中的页面布局进行优化，输出优化后的页面布局，页面内容处理层对信息流中的页面内容进行预测，输出页面内容预测结果，用户操作处理层用于对用户数据进行预测，输出用户使用习惯预测结果。

在另一示例性的实施例中，上述页面优化装置还包括：上下文获取模块，用于获取待优化页面的上下文信息流，并提取上下文信息流中的页面信息，页面信息包括页面内容信息和页面布局信息；行为轨迹获取模块，用于获取待优化页面的历史用户行为轨迹信息，并提取出历史用户行为轨迹信息中的用户使用习惯标签；模型训练模块，用于基于页面内容信息、页面布局信息以及用户使用习惯标签，训练得到预设页面优化模型。

在另一示例性的实施例中，上述页面优化装置还包括：提取模块，用于提取页面内容信息、页面布局信息以及用户使用标签中的页面特征；筛选模块，用于遍历页面特征，将达到预设分类能力以上的页面特征作为关键页面特征；任务训练模块，用于基于关键页面特征进行至少一次模型训练任务，以训练得到预设页面优化模型，其中，预设页面优化模型中包括布局处理层、页面内容处理层以及用户操作处理层。

在另一示例性的实施例中，上述任务训练模块，具体包括：划分单元，用于将关键页面特征作为根节点，以基于根节点将页面特征信息划分为多个页面特征子集；确定单元，用于确定多个页面特征子集中的多个子节点，子节点为每一页面特征子集中分类能力最强的页面特征；训练单元，用于基于多个子节点进行至少一次模型训练任务，以训练得到预设页面优化模型。

在另一示例性的实施例中，上述第二确定模块还包括：解析单元，用于解析目标页面的预测结果，得到多个页面数据；第一确定单元，用于若页面数据在目标页面中的访问需求量大于预设访问需求量阈值，则确定页面数据为目标缓存数据；第二确定单元，用于若页面数据的计算任务量大于预设计算任务量阈值，则确定页面数据为目标缓存数据。

需要说明的是，上述实施例所提供的页面优化装置与上述实施例所提供的页面优化方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的页面优化装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得电子设备实现上述各个实施例中提供的页面优化方法。

图15示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图15示出的电子设备的计算机系统1500仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图15所示，计算机系统1500包括中央处理单元(Central Processing Unit，CPU)1501，其可以根据存储在只读存储器(Read-Only Memory，ROM)1502中的程序或者从储存部分1508加载到随机访问存储器(Random Access Memory，RAM)1503中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在RAM 1503中，还存储有系统操作所需的各种程序和数据。CPU 1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(Input/Output，I/O)接口1505也连接至总线1504。

以下部件连接至I/O接口1505：包括键盘、鼠标等的输入部分1506；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1507；包括硬盘等的储存部分1508；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1510上，以便于从其上读出的计算机程序根据需要被安装入储存部分1508。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1509从网络上被下载和安装，和/或从可拆卸介质1511被安装。在该计算机程序被中央处理单元(CPU)1501执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，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，上述模块、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中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的页面优化方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的页面优化方法。

上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。