访问资源预加载方法、装置和计算机设备与流程

摘要: 本技术涉及资源加载优化,特别是涉及一种访问资源预加载方法、装置和计算机设备。背景技术:1、资源预加载是一种基于用户历史行为的统计预测用户下一步操作而提前加载资源...
访问资源预加载方法、装置和计算机设备与流程

本技术涉及资源加载优化,特别是涉及一种访问资源预加载方法、装置和计算机设备。

背景技术:

1、资源预加载是一种基于用户历史行为的统计预测用户下一步操作而提前加载资源的一种行为。当页面资源加载过久时,用户可能会选择放弃访问,通过提前匹配用户喜好,在用户行为发生前提前预测,并加载下一步可能点击的资源页面,能够明显提升用户的使用体验。

2、传统技术中,主要采用一阶马尔可夫链预测用户下一步资源,结合概率、时间衰减与资源代价的评分公式进行动态优先级排序。然而,一阶马尔可夫链的核心假设是“未来状态仅依赖于当前状态”,忽略了到达当前状态之前的所有历史信息,无法区分不同历史路径下相同的当前状态,导致预测精度较低。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够提高用户行为预测精度的访问资源预加载方法、装置和计算机设备。

2、第一方面,本技术提供了一种访问资源预加载方法,包括:

3、根据用户行为数据获取状态转移样本,并根据历史预加载记录为状态转移样本添加对应的命中标记;状态转移样本包括上下文和转移目标;命中标记用于标识状态转移样本的转移目标是否已由客户端执行预加载操作;

4、根据各上下文对应的状态转移样本的命中标记,获取未命中转移计数和命中转移计数,并根据未命中转移计数和命中转移计数获取诱导系数;

5、根据命中转移计数获取去偏置信权重,根据未命中转移计数、命中转移计数、诱导系数和去偏置信权重,获取去偏有效计数和去偏转移概率;

6、根据去偏有效计数和去偏转移概率获取目标上下文模型,并根据去偏转移概率获取稀疏模型;

7、获取当前用户行为形成的当前上下文在目标上下文模型中所匹配的有效上下文,通过稀疏模型获取有效上下文对应的候选资源集合;

8、根据客户端的设备资源状态获取资源约束信息,根据去偏转移概率、资源约束信息和候选资源集合获取资源决策结果,以按照资源决策结果执行相应的预加载操作。

9、在其中一个实施例中,根据未命中转移计数和命中转移计数获取诱导系数的步骤,包括:

10、根据未命中转移计数获取未命中转移率,并根据命中转移计数获取命中转移率;

11、根据命中转移率相对于未命中转移率的相对增量,获取诱导系数。

12、在其中一个实施例中,根据命中转移计数获取去偏置信权重的步骤,包括:

13、根据命中转移计数的样本量与置信饱和阈值的比值,获取去偏置信权重;其中,样本量小于置信饱和阈值时,去偏置信权重趋近于零;样本量不小于置信饱和阈值时,去偏置信权重趋近于一。

14、在其中一个实施例中,根据未命中转移计数、命中转移计数、诱导系数和去偏置信权重,获取去偏有效计数和去偏转移概率的步骤,包括:

15、在去偏置信权重大于预设阈值的情况下,根据诱导系数对命中转移计数进行第一幅度的校正;

16、在去偏置信权重不大于预设阈值的情况下,根据诱导系数对命中转移计数进行第二幅度的校正;第二幅度小于第一幅度;

17、将校正结果与未命中转移计数的和,作为去偏有效计数,并根据去偏有效计数在各转移目标上的归一化结果,获取去偏转移概率。

18、在其中一个实施例中,根据去偏有效计数和去偏转移概率获取目标上下文模型的步骤,包括:

19、获取初始上下文模型;

20、根据去偏有效计数的样本充分度,调整初始上下文模型的路径深度,并按照去偏有效计数和去偏转移概率更新初始上下文模型的初始去偏有效计数和初始去偏转移概率,得到目标上下文模型。

21、在其中一个实施例中,根据去偏转移概率获取稀疏模型的步骤,包括:

22、根据去偏转移概率的分布特征获取各上下文的保留项数;

23、针对每个上下文,按照去偏转移概率从高到低的顺序,依次选取保留项数对应的转移目标,得到保留目标集合;

24、根据上下文对应的保留目标集合和相应的去偏转移概率,获取稀疏模型。

25、在其中一个实施例中,根据去偏转移概率、资源约束信息和候选资源集合获取资源决策结果的步骤,包括:

26、根据去偏转移概率,确定候选资源集合中各候选转移目标的概率等级;

27、根据资源约束信息和各候选转移目标的资源体积,获取各候选转移目标的资源决策结果;资源决策结果包括预渲染、预加载或预连接。

28、在其中一个实施例中,该方法还包括:

29、在客户端本地不存在历史上下文模型时,获取稀疏种子模型;

30、根据稀疏种子模型的先验计数和本地累计观测计数获取融合计数,将融合计数作为初始去偏有效计数。

31、第二方面,本技术还提供了一种访问资源预加载装置,包括:

32、样本获取模块,用于根据用户行为数据获取状态转移样本,并根据历史预加载记录为状态转移样本添加对应的命中标记;状态转移样本包括上下文和转移目标;命中标记用于标识状态转移样本的转移目标是否已由客户端执行预加载操作;

33、系数计算模块,用于根据各上下文对应的状态转移样本的命中标记,获取未命中转移计数和命中转移计数,并根据未命中转移计数和命中转移计数获取诱导系数;

34、去偏计算模块,用于根据命中转移计数获取去偏置信权重,根据未命中转移计数、命中转移计数、诱导系数和去偏置信权重,获取去偏有效计数和去偏转移概率;

35、模型获取模块,用于根据去偏有效计数和去偏转移概率获取目标上下文模型,并根据去偏转移概率获取稀疏模型;

36、资源匹配模块,用于获取当前用户行为形成的当前上下文在目标上下文模型中所匹配的有效上下文,通过稀疏模型获取有效上下文对应的候选资源集合;

37、资源预加载模块,用于根据客户端的设备资源状态获取资源约束信息,根据去偏转移概率、资源约束信息和候选资源集合获取资源决策结果,以按照资源决策结果执行相应的预加载操作。

38、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面中任意一项的方法步骤。

39、第四方面,本技术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,计算机程序被处理器执行时实现上述第一方面中任意一项的方法步骤。

40、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任意一项的方法步骤。

41、上述访问资源预加载方法、装置和计算机设备,通过根据用户行为数据获取状态转移样本,并添加对应的命中标记,根据各上下文对应的状态转移样本的命中标记,获取未命中转移计数和命中转移计数,并获取诱导系数和去偏置信权重,进而获取去偏有效计数和去偏转移概率,获取当前用户行为形成的当前上下文在目标上下文模型中所匹配的有效上下文,通过稀疏模型获取有效上下文对应的候选资源集合,根据客户端的设备资源状态获取资源约束信息,根据去偏转移概率、资源约束信息和候选资源集合获取资源决策结果,以按照资源决策结果执行相应的预加载操作,能够降低模型推理复杂度,准确区分不同历史路径下的相同当前状态,进而提高模型推理精度,确保模型学习真实用户行为偏好,从而提高用户行为预测精度。