网页处理方法、装置、电子设备以及存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及计算机网络技术、搜索引擎技术和人工智能技术，具体涉及一种网页处理的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.搜索引擎抓取大量网页页面，并对这些页面过滤，进而将过滤后的页面收录入索引库之中。在用户向搜索引擎发送查询请求后，搜索引擎根据请求筛选出相关页面，再通过各种手段对这些页面进行排序，并基于排序结果将相关页面全部或部分展现给用户。
3.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

4.本公开提供了一种网页处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
5.根据本公开的一方面，提供了一种网页处理方法，包括：获取网页的页面内容，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容；基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取网页的页面内容特征，其中，第一预设权重大于第二预设权重；以及基于页面内容特征，确定网页是否为作弊网页。
6.根据本公开的另一方面，提供了一种作弊网页识别模型的训练方法，包括：获取样本数据集，其中，样本数据集中的每个样本数据包括样本网页的页面内容以及类别标签，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容，并且其中，类别标签指示样本网页是否为作弊网页；初始化作弊网页识别模型的多个参数；以及对于每个样本数据，执行如下操作：基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取样本网页的页面内容特征，其中，第一预设权重大于第二预设权重；将页面内容特征输入到作弊网页识别模型，以得到输出值，输出值为样本网页是否为作弊网页的识别结果；以及基于类别标签和输出值，调整作弊网页识别模型的多个参数。
7.根据本公开的另一方面，提供了一种网页处理装置，包括：第一获取单元，被配置为获取网页的页面内容，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容；第二获取单元，被配置为基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取网页的页面内容特征，其中，第一预设权重大于第二预设权重；以及确定单元，被配置为基于页面内容特征，确定网页是否为作弊网页。
8.根据本公开的另一方面，提供了一种作弊网页识别模型的训练装置，包括：第五获取单元，被配置为获取样本数据集，其中，样本数据集中的每个样本数据包括样本网页的页面内容以及类别标签，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容，并且其中，类别标签指示样本网页是否为作弊网页；初始化单元，被配置为初始化作弊网页识别模型的多个参数；以及执行单元，被配置为对于每个样本数据，执行下述子单元的操作，其中，执行单元包括：获取子单元，被配置为基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取样本网页的页面内容特征，其中，第一预设权重大于第二预设权重；输入子单元，被配置为将页面内容特征输入到作弊网页识别模型，以得到输出值，输出值为样本网页是否为作弊网页的识别结果；以及调整子单元，被配置为基于类别标签和输出值，调整作弊网页识别模型的多个参数。
9.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述页面数据处理方法。
10.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述页面数据处理方法。
11.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述页面数据处理方法。
12.根据本公开的一个或多个实施例，能够在作弊网页识别过程中，充分挖掘和利用网页中的动态加载内容，提升作弊网页识别准确度和效率。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
15.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
16.图2示出了根据本公开的实施例的网页处理方法的流程图；
17.图3示出了根据本公开的实施例的网页处理方法的流程图；
18.图4示出了根据本公开的实施例的作弊网页识别模型的训练方法的流程图；
19.图5示出了根据本公开的实施例的网页处理装置的结构框图；
20.图6示出了根据本公开的实施例的网页处理装置的结构框图；
21.图7示出了根据本公开的实施例的作弊网页识别模型的训练装置的结构框图；
22.图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
23.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
24.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
25.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
26.下面将结合附图详细描述本公开的实施例。
27.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
28.在本公开的实施例中，服务器120可以运行使得能够执行网页处理方法的一个或多个服务或软件应用。
29.在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
30.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
31.用户可以使用客户端设备101、102、103、104、105和/或106来获取网页页面内容。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
32.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、
平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
33.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
34.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
35.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
36.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
37.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
38.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
39.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
40.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的
各种方法和装置。
41.一个网页通常包括静态页面内容和动态页面内容，静态页面内容是利用网页源文件中存在的网页内容直接生成的，动态页面内容是通过解析网页源文件、且利用解析得到的网页数据进行页面渲染后生成的，其中又包括默认加载的内容以及需用户的点击、滑动等操作才能触发加载的动态加载内容。
42.目前，在作弊网页挖掘的过程中，往往会直接忽略网页中的动态加载内容，仅基于网页中默认加载的页面内容，甚至仅基于网页的静态页面内容进行识别。而作弊信息通常被隐藏在动态加载内容中，若直接忽略这些内容，则会导致作弊网页识别准确度和效率较低的问题。
43.根据本公开的一方面，如图2所示，提供了一种网页处理方法，包括：步骤s201、获取网页的页面内容，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容；步骤s202、基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取网页的页面内容特征，其中，第一预设权重大于第二预设权重；以及步骤s203、基于页面内容特征，确定网页是否为作弊网页。
44.根据本公开的实施例，通过获取网页中的动态加载内容及默认加载内容，并根据不同内容中存在作弊内容的可能性设置不同的权重，基于加权获得的页面内容特征进行作弊网页识别，从而能够充分挖掘和利用网页中的动态加载内容，提升作弊网页识别精度和效率。
45.在一些实施例中，获取网页的页面内容，包括获取网页的动态加载内容以及默认加载内容。当获取到一个网页的源文件后，首先基于源文件进行解析及渲染，并获得页面的节点树。通过遍历节点树，获取节点的事件类型，即可基于节点的事件类型判断该节点所对应的页面内容是否为动态加载内容，例如，上述节点的事件类型是click、slide等类型，相应的页面内容则分别是需要执行点击、滑动操作而触发加载的页面内容。
46.在一些实施例中，可以通过javascript脚本对上述事件类型的节点进行触发，以获得加载后的页面内容，也即第一页面内容。
47.在一些实施例中，可以对上述所获取的动态加载内容进行标注，例如，可以将动态加载内容标注为“load_info”，以便后续对相关内容进行加权处理。
48.在页面渲染后，通过遍历节点树，在对节点的事件类型进行判断后，同时可以获得网页中的静态内容以及默认渲染内容等两类默认加载内容，也即第二页面内容。
49.在一些实施例中，可以对上述所获取的默认加载内容进行标注，例如，可以将默认加载内容标注为“page_info”，以便后续对相关内容进行加权处理。
50.由于通常情况下，网页作弊内容更可能被隐藏在动态加载内容中，因此，在基于上述两种页面内容进行作弊网页识别时，可以为上述第一页面内容和第二页面内容分别相应的设置第一预设权重和第二预设权重。在一些示例中，第一预设权重可以大于第二预设权重。可以理解的，上述第一预设权重和第二预设权重可以根据场景或模型的需要自行设置，在此不做限定。
51.在一些实施例中，可以将上述两种页面内容进行加权处理，从而获得该网页的页面内容特征，并将该特征输入到作弊网页识别模型中，以获取该网页是否为作弊网页的识
别结果。在一些示例中，作弊网页识别模型可以应用卷积神经网络(convolutional neural network，cnn)、图卷积网络(graph convolutional network，gcn)、梯度提升决策树(gradient boosting decision tree，gbdt)等具有类似功能的模型。可以理解的，所应用的模型可以根据需要自行选择，在此不做限定。
52.在一些实施例中，页面内容可以包括下述中的至少一项：文本、链接、图片、音频和视频。优选的，可以仅针对文本、链接、图片等类型的页面内容进行获取，由此可以在保证识别准确度的同时，避免数据处理量过大而造成的计算资源的大量占用以及识别效率的降低。
53.在一些实施例中，在将页面内容特征进行加权处理之前，还可以对页面内容进行一定的预处理。例如，对于文本，可以对其进行切词、语义分析等处理，将文本转化为特征向量；对于链接，可以基于pagerank算法分析链接关联关系，也可以进行链接的语义分析，从而将链接转化为特征向量；对于图片，可以对其进行语义分析，并获取图片的描述信息及质量信息，并分别将这些特征转化为特征向量；对于音频、视频等多媒体内容，可以通过切片采样、语义分析等处理，将其转化为特征向量。对于上述特征向量，可以基于其相应的权重，进行加权处理，以获得用于输入到识别模型中的内容特征向量。
54.根据一些实施例，网页处理方法还包括：获取第二页面内容中的第三页面内容和第四页面内容，其中，第三页面内容具有非可视属性，并且其中，第四页面内容具有可视属性；以及基于与第三页面内容相应的第三预设权重和与第四页面内容相应的第四预设权重，更新页面内容特征，其中，第三预设权重大于第四预设权重。
55.由此，将默认加载内容通过其可视属性，进一步区分为非可视内容和可视内容，并根据不同内容中存在作弊内容的可能性设置不同的权重，基于加权进一步更新页面内容特征，从而利用了作弊信息往往被植入于非可视内容中的特性，进而提升了作弊网页识别准确度。
56.在一些实施例中，非可视页面内容可以通过判断页面内容的属性进行识别和获取。例如，页面内容中，display属性为“none”、visibility属性为“hidden”或overflow属性为“hidden”等，均指示该页面内容为非可视页面内容。通过识别页面内容中的上述属性，进而可以获取默认加载内容中的非可视页面内容，也即第三页面内容。
57.在一些实施例中，可以对上述所获取的非可视页面内容进行标注，例如，可以将非可视页面内容标注为“invisible_info”，以便后续对相关内容进行加权处理。而在默认加载内容中未被标记为非可视页面内容，即为可视页面内容，也即第四页面内容。
58.由于通常情况下，在动态加载内容、非可视页面内容以及可视页面内容中，网页作弊内容更可能被隐藏在非可视页面内容、动态加载内容中，因此，在基于上述三种页面内容进行作弊网页识别时，可以为上述第一页面内容、第三页面内容和第四页面内容分别相应的设置第一预设权重、第三预设权重和第四预设权重。在一个示例中，第三预设权重可以大于第一预设权重，同时第一预设权重可以大于第四预设权重。可以理解的，上述三个预设权重可以根据场景或模型的需要自行设置，在此不做限定。
59.根据一些实施例，网页处理方法还包括：获取第四页面内容中的第五页面内容和第六页面内容，其中，第五页面内容的颜色和第五页面内容相应的背景颜色相同，并且其中，第六页面内容的颜色和第六页面内容相应的背景颜色不同；以及基于与第五页面内容
相应的第五预设权重和与第六页面内容相应的第六预设权重，更新页面内容特征，其中，第五预设权重大于第六预设权重。
60.由此，将可视页面内容进一步区分为伪装内容和真实可视内容，并根据不同内容中存在作弊内容的可能性设置不同的权重，基于加权进一步更新页面内容特征，从而利用了作弊信息往往被植入于伪装内容中的特性，进而提升了作弊网页识别准确度。
61.在一些实施例中，伪装内容可以通过判断该内容的颜色与其相应的背景颜色是否相同而识别。在一个示例中，可以对html标签进行判断，例如，可以对html标签中的color元素(包括bgcolor、font color等)进行检测，以识别页面内容中的颜色与其相应的背景颜色相同的页面内容，进而获取网页中的伪装内容，也即第五页面内容。而颜色与其背景颜色不同的页面内容，即为真实可视内容，也即第六页面内容。
62.在一些实施例中，可以对上述所获取的伪装内容和真实可视内容进行标注，例如，可以将伪装内容标注为“mask_info”，将真实可视内容标注为“visible_info”，以便后续对相关内容进行加权处理。
63.由于通常情况下，网页作弊内容更可能被隐藏在伪装内容、非可视页面内容以及动态加载内容中，因此在识别过程中，可以为上述第一页面内容、第三页面内容、第五页面内容和第六页面内容分别相应的设置第一预设权重、第三预设权重、第五预设权重和第六预设权重。在一个示例中，上述权重的大小关系可以是：第五预设权重》第三预设权重》第一预设权重》第六预设权重。可以理解的，上述四个预设权重可以根据场景或模型的需要自行设置，在此不做限定。
64.根据一些实施例，如图3所示，提供了一种网页处理方法，包括：步骤s301、获取网页的页面内容，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容；步骤s302、基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取网页的页面内容特征，其中，第一预设权重大于第二预设权重；步骤s303、获取第二页面内容中的第三页面内容和第四页面内容，其中，第三页面内容具有非可视属性，并且其中，第四页面内容具有可视属性；步骤s304、基于与第三页面内容相应的第三预设权重和与第四页面内容相应的第四预设权重，更新页面内容特征，其中，第三预设权重大于第四预设权重；步骤s305、获取第四页面内容中的第五页面内容和第六页面内容，其中，第五页面内容的颜色和第五页面内容相应的背景颜色相同，并且其中，第六页面内容的颜色和第六页面内容相应的背景颜色不同；步骤s306、基于与第五页面内容相应的第五预设权重和与第六页面内容相应的第六预设权重，更新页面内容特征，其中，第五预设权重大于第六预设权重；以及步骤s307、基于页面内容特征，确定网页是否为作弊网页。其中，步骤s301-步骤s307的操作与上述方法的操作类似，在此不做赘述。
65.根据一些实施例，如图4所示，还提供了一种作弊网页识别模型的训练方法，包括：步骤s401、获取样本数据集，其中，样本数据集中的每个样本数据包括样本网页的页面内容以及类别标签，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容，并且其中，类别标签指示样本网页是否为作弊网页；步骤s402、初始化作弊网页识别模型的多个参数；以及对于每个样本数据，执行如下操作：步骤s403、基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容
和第二页面内容进行加权处理，以获取样本网页的页面内容特征，其中，第一预设权重大于第二预设权重；步骤s404、将页面内容特征输入到作弊网页识别模型，以得到输出值，输出值为样本网页是否为作弊网页的识别结果；以及步骤s405、基于类别标签和输出值，调整作弊网页识别模型的多个参数。
66.由此，通过对样本网页的页面内容进行如上述方法类似的加权处理，并应用该数据进行模型训练，从而获得可以基于网页中动态加载内容与默认加载内容分析识别作弊网页的模型，通过该模型的应用，提升作弊网页识别精度和效率。
67.在一些实施例中，获取样本网页的页面内容，包括获取样本网页的动态加载内容以及默认加载内容。当获取到一个样本网页的源文件后，首先基于源文件进行解析及渲染，并获得页面的节点树。通过遍历节点树，获取节点的事件类型，即可基于节点的事件类型判断该节点所对应的页面内容是否为动态加载内容，例如，上述节点的事件类型是click、slide等类型，相应的页面内容则分别是需要执行点击、滑动操作而触发加载的页面内容。
68.在一些实施例中，可以通过javascript脚本对上述事件类型的节点进行触发，以获得加载后的页面内容，也即第一页面内容。
69.在一些实施例中，可以对上述所获取的动态加载内容进行标注，例如，可以将动态加载内容标注为“load_info”，以便后续对相关内容进行加权处理。
70.在页面渲染后，通过遍历节点树，在对节点的事件类型进行判断后，同时可以获得网页中的静态内容以及默认渲染内容等两类默认加载内容，也即第二页面内容。
71.在一些实施例中，可以对上述所获取的默认加载内容进行标注，例如，可以将默认加载内容标注为“page_info”，以便后续对相关内容进行加权处理。
72.由于通常情况下，网页作弊内容更可能被隐藏在动态加载内容中，因此，在基于上述两种页面内容进行作弊网页识别时，可以为上述第一页面内容和第二页面内容分别相应的设置第一预设权重和第二预设权重。在一些示例中，第一预设权重可以大于第二预设权重。可以理解的，上述第一预设权重和第二预设权重可以根据场景或模型的需要自行设置，在此不做限定。
73.在一些实施例中，作弊网页识别模型可以应用卷积神经网络(convolutional neural network，cnn)、图卷积网络(graph convolutional network，gcn)、梯度提升决策树(gradient boosting decision tree，gbdt)等具有类似功能的模型。可以理解的，所应用的模型可以根据需要自行选择，在此不做限定。
74.在一些实施例中，页面内容可以包括下述中的至少一项：文本、链接、图片、音频和视频。优选的，可以仅针对文本、链接、图片等类型的页面内容进行获取，由此可以在保证识别准确度的同时，避免数据处理量过大而造成的计算资源的大量占用以及识别效率的降低。
75.在一些实施例中，在将页面内容特征进行加权处理之前，还可以对页面内容进行一定的预处理。例如，对于文本，可以对其进行切词、语义分析等处理，将文本转化为特征向量；对于链接，可以基于pagerank算法分析链接关联关系，也可以进行链接的语义分析，从而将链接转化为特征向量；对于图片，可以对其进行语义分析，并获取图片的描述信息及质量信息，并分别将这些特征转化为特征向量；对于音频、视频等多媒体内容，可以通过切片采样、语义分析等处理，将其转化为特征向量。对于上述特征向量，可以基于其相应的权重，
进行加权处理，以获得用于输入到识别模型中的内容特征向量。
76.根据一些实施例，对于每个样本数据，第二页面内容包括具有非可视属性的第三页面内容和具有可视属性的第四页面内容，并且其中，获取样本网页的页面内容特征包括：基于与第三页面内容相应的第三预设权重和与第四页面内容相应的第四预设权重，更新页面内容特征，其中，第三预设权重大于第四预设权重。
77.在一些实施例中，非可视页面内容可以通过判断页面内容的属性进行识别和获取。例如，页面内容中，display属性为“none”、visibility属性为“hidden”或overflow属性为“hidden”等，均指示该页面内容为非可视页面内容。通过识别页面内容中的上述属性，进而可以获取默认加载内容中的非可视页面内容，也即第三页面内容。
78.在一些实施例中，可以对上述所获取的非可视页面内容进行标注，例如，可以将非可视页面内容标注为“invisible_info”，以便后续对相关内容进行加权处理。而在默认加载内容中未被标记为非可视页面内容，即为可视页面内容，也即第四页面内容。
79.由于通常情况下，在动态加载内容、非可视页面内容以及可视页面内容中，网页作弊内容更可能被隐藏在非可视页面内容、动态加载内容中，因此，在基于上述三种页面内容进行作弊网页识别时，可以为上述第一页面内容、第三页面内容和第四页面内容分别相应的设置第一预设权重、第三预设权重和第四预设权重。在一个示例中，第三预设权重可以大于第一预设权重，同时第一预设权重可以大于第四预设权重。可以理解的，上述三个预设权重可以根据场景或模型的需要自行设置，在此不做限定。
80.根据一些实施例，对于每个样本数据，第四页面内容包括第五页面内容和第六页面内容，其中，第五页面内容的颜色和第五页面内容相应的背景颜色相同，其中，第六页面内容的颜色和第六页面内容相应的背景颜色不同，并且其中，获取样本网页的页面内容特征包括：基于与第五页面内容相应的第五预设权重和与第六页面内容相应的第六预设权重，更新页面内容特征，其中，第五预设权重大于第六预设权重。
81.在一些实施例中，伪装内容可以通过判断该内容的颜色与其相应的背景颜色是否相同而识别。在一个示例中，可以对html标签进行判断，例如，可以对html标签中的color元素(包括bgcolor、font color等)进行检测，以识别页面内容中的颜色与其相应的背景颜色相同的页面内容，进而获取网页中的伪装内容，也即第五页面内容。而颜色与其背景颜色不同的页面内容，即为真实可视内容，也即第六页面内容。
82.在一些实施例中，可以对上述所获取的伪装内容和真实可视内容进行标注，例如，可以将伪装内容标注为“mask_info”，将真实可视内容标注为“visible_info”，以便后续对相关内容进行加权处理。
83.由于通常情况下，网页作弊内容更可能被隐藏在伪装内容、非可视页面内容以及动态加载内容中，因此在识别过程中，可以为上述第一页面内容、第三页面内容、第五页面内容和第六页面内容分别相应的设置第一预设权重、第三预设权重、第五预设权重和第六预设权重。在一个示例中，上述权重的大小关系可以是：第五预设权重》第三预设权重》第一预设权重》第六预设权重。可以理解的，上述四个预设权重可以根据场景或模型的需要自行设置，在此不做限定。
84.根据一些实施例，如图5所示，提供了一种网页处理装置500，包括：第一获取单元510，被配置为获取网页的页面内容，其中，页面内容包括响应于触发操作而加载的第一页
面内容以及默认加载的第二页面内容；第二获取单元520，被配置为基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取网页的页面内容特征，其中，第一预设权重大于第二预设权重；以及确定单元530，被配置为基于页面内容特征，确定网页是否为作弊网页。
85.网页处理装置500的单元510-单元530的操作和上述网页处理方法的步骤s201-步骤s203的操作类似，在此不做赘述。
86.根据一些实施例，网页处理装置还可以包括：第三获取单元，被配置为获取所述第二页面内容中的第三页面内容和第四页面内容，其中，所述第三页面内容具有非可视属性，并且其中，所述第四页面内容具有可视属性；以及第一更新单元，被配置为基于与所述第三页面内容相应的第三预设权重和与所述第四页面内容相应的第四预设权重，更新所述页面内容特征，其中，所述第三预设权重大于所述第四预设权重。
87.根据一些实施例，网页处理装置还可以包括：第四获取单元，被配置为获取所述第四页面内容中的第五页面内容和第六页面内容，其中，所述第五页面内容的颜色和所述第五页面内容相应的背景颜色相同，并且其中，所述第六页面内容的颜色和所述第六页面内容相应的背景颜色不同；以及第二更新单元，被配置为基于与所述第五页面内容相应的第五预设权重和与所述第六页面内容相应的第六预设权重，更新所述页面内容特征，其中，所述第五预设权重大于所述第六预设权重。
88.根据一些实施例，页面内容包括下述中的至少一项：文本、链接、图片、音频和视频。
89.根据一些实施例，如图6所示，提供了一种网页处理装置600，包括：第一获取单元610，被配置为获取网页的页面内容，其中，页面内容包括响应于触发操作而加载的第一页面内容以及默认加载的第二页面内容；第二获取单元620，被配置为基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取网页的页面内容特征，其中，第一预设权重大于第二预设权重；第三获取单元630，被配置为获取所述第二页面内容中的第三页面内容和第四页面内容，其中，所述第三页面内容具有非可视属性，并且其中，所述第四页面内容具有可视属性；第一更新单元640，被配置为基于与所述第三页面内容相应的第三预设权重和与所述第四页面内容相应的第四预设权重，更新所述页面内容特征，其中，所述第三预设权重大于所述第四预设权重；第四获取单元650，被配置为获取所述第四页面内容中的第五页面内容和第六页面内容，其中，所述第五页面内容的颜色和所述第五页面内容相应的背景颜色相同，并且其中，所述第六页面内容的颜色和所述第六页面内容相应的背景颜色不同；第二更新单元660，被配置为基于与所述第五页面内容相应的第五预设权重和与所述第六页面内容相应的第六预设权重，更新所述页面内容特征，其中，所述第五预设权重大于所述第六预设权重；以及确定单元670，被配置为基于页面内容特征，确定网页是否为作弊网页。
90.网页处理装置600的单元610-单元670的操作和上述网页处理方法的步骤s301-步骤s307的操作类似，在此不做赘述。
91.根据一些实施例，如图7所示，还提供了一种作弊网页识别模型的训练装置700，包括：第五获取单元710，被配置为获取样本数据集，其中，样本数据集中的每个样本数据包括样本网页的页面内容以及类别标签，其中，页面内容包括响应于触发操作而加载的第一页
面内容以及默认加载的第二页面内容，并且其中，类别标签指示样本网页是否为作弊网页；初始化单元720，被配置为初始化作弊网页识别模型的多个参数；以及执行单元730，被配置为对于每个样本数据，执行下述子单元的操作，其中，执行单元730包括：获取子单元731，被配置为基于与第一页面内容相应的第一预设权重和与第二页面内容相应的第二预设权重，对第一页面内容和第二页面内容进行加权处理，以获取样本网页的页面内容特征，其中，第一预设权重大于第二预设权重；输入子单元732，被配置为将页面内容特征输入到作弊网页识别模型，以得到输出值，输出值为样本网页是否为作弊网页的识别结果；以及调整子单元733，被配置为基于类别标签和输出值，调整作弊网页识别模型的多个参数。
92.根据一些实施例，对于每个样本数据，第二页面内容包括具有非可视属性的第三页面内容和具有可视属性的第四页面内容，并且其中，获取子单元可以包括：第一更新模块，被配置为基于与第三页面内容相应的第三预设权重和与第四页面内容相应的第四预设权重，更新页面内容特征，其中，第三预设权重大于第四预设权重。
93.根据一些实施例，对于每个样本数据，第四页面内容包括第五页面内容和第六页面内容，其中，第五页面内容的颜色和第五页面内容相应的背景颜色相同，其中，第六页面内容的颜色和第六页面内容相应的背景颜色不同，并且其中，获取子单元可以包括：第二更新模块，被配置为基于与第五页面内容相应的第五预设权重和与第六页面内容相应的第六预设权重，更新页面内容特征，其中，第五预设权重大于第六预设权重。
94.根据一些实施例，页面内容可以包括下述中的至少一项：文本、链接、图片、音频和视频。
95.根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
96.参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
97.如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
98.设备800中的多个部件连接至i/o接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括
但不限于磁盘、光盘。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙
tm
设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
99.计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如网页处理方法。例如，在一些实施例中，网页处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的网页处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行网页处理方法。
100.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
101.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
102.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
103.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的
反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
104.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
105.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
106.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
107.虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。