CN110399581A - 基于机器学习的页面渲染方法、设备、存储介质及装置 - Google Patents

基于机器学习的页面渲染方法、设备、存储介质及装置 Download PDF

Info

Publication number
CN110399581A
CN110399581A CN201910670809.8A CN201910670809A CN110399581A CN 110399581 A CN110399581 A CN 110399581A CN 201910670809 A CN201910670809 A CN 201910670809A CN 110399581 A CN110399581 A CN 110399581A
Authority
CN
China
Prior art keywords
page
sample
target
image
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910670809.8A
Other languages
English (en)
Other versions
CN110399581B (zh
Inventor
郑禄
丁飞琼
雷建云
宋中山
艾勇
夏梦
杨欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN201910670809.8A priority Critical patent/CN110399581B/zh
Publication of CN110399581A publication Critical patent/CN110399581A/zh
Application granted granted Critical
Publication of CN110399581B publication Critical patent/CN110399581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于机器学习的页面渲染方法、设备、存储介质及装置，该方法包括：在接收到目标用户设备发送的页面加载请求时，根据页面加载请求检测目标用户设备对应的目标设备类型；将目标设备类型输入至预设图像比例优化模型中，以使预设图像比例优化模型输出目标设备类型对应的目标最优比例；获取页面加载请求对应的页面文本信息和页面图像信息；按照目标最优比例对页面图像信息进行压缩，获得优化图像信息；将页面文本信息和优化图像信息渲染到当前页面。由于获取了与目标设备类型对应的目标最优比例，并按照所述目标最优比例压缩页面图像信息的文件大小，从而在不减小图像尺寸的情形下提高页面渲染效率，兼顾了页面加载速度和用户体验。

Description

基于机器学习的页面渲染方法、设备、存储介质及装置
技术领域
本发明涉及页面渲染技术领域，尤其涉及基于机器学习的页面渲染方法、设备、存储介质及装置。
背景技术
随着互联网技术的不断发展，网页展示内容越来越丰富，其处理过程也越来越复杂，最终导致页面加载过程变的越来越慢。用户希望页面内容丰富且交互顺畅，页面渲染速度是页面性能的直接体现，影响着网站的用户使用量，是影响用户体验的关键因素。
网页中有多种类型的作业需要加载，其中包括JavaScript文件、CSS文件、文档以及图片等，而页面的加载速度会直接影响到公司的效率，如亚马逊网站每100毫秒的负载延迟会损失销售额1％，相当于数十亿美元。对于网页而言，图片的平均权重约占64％，所以在商业竞争中，对图像的优化已经成为不可或缺的核心竞争力。
目前对页面图像加载的优化方式为在未加载出原图像之前，通过缩略图代替原图像，等原图像加载出来之后，通过原图像替换缩略图，然而，缩略图一般是极小的图片，用户难以看清缩略图的细节，并且由于缩略图与原图像具有较大的尺寸差异，在通过原图像替换缩略图时，会引起页面内容的上下移动，影响用户的体验。
因此，如何兼顾图像加载速度和用户体验是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于机器学习的页面渲染方法、设备、存储介质及装置，旨在解决现有技术中如何兼顾图像加载速度和用户体验的技术问题。
为实现上述目的，本发明提供一种基于机器学习的页面渲染方法，所述基于机器学习的页面渲染方法包括以下步骤：
在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；
将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；
获取所述页面加载请求对应的页面文本信息和页面图像信息；
按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；
将所述页面文本信息和所述优化图像信息渲染到当前页面。
优选地，所述在接收到目标用户设备发送的页面加载请求时，提取所述页面加载请求对应的设备信息之前，所述基于机器学习的页面渲染方法还包括：
获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度；
根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例；
获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述对应关系生成预设图像比例优化模型。
优选地，所述根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例，具体包括：
对所述样本压缩比例和所述样本满意度进行拟合，获得目标优化函数；
通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值；
将所述样本满意度的最大值对应的样本压缩比例作为所述样本图像类型的样本最优比例。
优选地，所述通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值，具体包括：
每隔预设步长计算所述目标优化函数的函数值；
判断上一函数值与当前函数值的差值是否大于预设阈值；
若所述差值大于所述预设阈值，则返回所述判断上一函数值与当前函数值的差值是否小于预设阈值的步骤；
若所述差值小于或等于所述预设阈值，则认定所述当前函数值为所述样本满意度的最大值。
优选地，所述每隔预设步长计算所述目标优化函数的函数值之前，所述基于机器学习的页面渲染方法还包括：
获取所述目标优化函数的自变量取值范围，将所述自变量取值范围与预设精度的乘积作为预设步长；
相应地，所述每隔预设步长计算所述目标优化函数的函数值，具体包括：
在所述自变量取值范围内每隔预设步长计算所述目标优化函数的函数值。
优选地，所述按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息，具体包括：
通过预设压缩工具按照所述目标最优比例对所述页面图像信息的像素进行压缩，获得优化图像信息。
优选地，所述在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型，具体包括：
在接收到目标用户设备发送的页面加载请求时，从所述页面加载请求中提取目标设备信息；
根据所述目标设备信息检测所述目标用户设备对应的目标设备类型。
此外，为实现上述目的，本发明还提出一种页面渲染设备，所述页面渲染设备包括存储器、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基于机器学习的页面渲染程序，所述基于机器学习的页面渲染程序配置为实现如上文所述的基于机器学习的页面渲染方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于机器学习的页面渲染程序，所述基于机器学习的页面渲染程序被处理器执行时实现如上文所述的基于机器学习的页面渲染方法的步骤。
此外，为实现上述目的，本发明还提出一种基于机器学习的页面渲染装置，所述基于机器学习的页面渲染装置包括：
请求接收模块，用于在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；
比例预测模块，用于将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；
信息获取模块，用于获取所述页面加载请求对应的页面文本信息和页面图像信息；
图像压缩模块，用于按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；
页面渲染模块，用于将所述页面文本信息和所述优化图像信息渲染到当前页面。
本发明中，通过在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；获取所述页面加载请求对应的页面文本信息和页面图像信息；按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；将所述页面文本信息和所述优化图像信息渲染到当前页面。由于通过模型获取了与目标设备类型对应的目标最优比例，并按照所述目标最优比例对页面图像信息进行压缩，从而在不减小图像尺寸的情形下提高页面渲染效率，兼顾了页面加载速度和用户体验。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的页面渲染设备的结构示意图；
图2为本发明基于机器学习的页面渲染方法第一实施例的流程示意图；
图3为本发明基于机器学习的页面渲染方法第二实施例的流程示意图；
图4为本发明基于机器学习的页面渲染方法第三实施例的流程示意图；
图5为本发明基于机器学习的页面渲染装置第一实施例的功能模块图。
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。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的页面渲染设备结构示意图。
如图1所示，该页面渲染设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。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)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB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(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，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中示出的结构并不构成对页面渲染设备的限定，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***、网络通信模块、用户接口模块以及基于机器学习的页面渲染程序。
在图1所示的页面渲染设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，并执行本发明实施例提供的基于机器学习的页面渲染方法。
所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，并执行以下操作：
在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；
将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；
获取所述页面加载请求对应的页面文本信息和页面图像信息；
按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；
将所述页面文本信息和所述优化图像信息渲染到当前页面。
进一步地，所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，还执行以下操作：
获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度；
根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例；
获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述对应关系生成预设图像比例优化模型。
进一步地，所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，还执行以下操作：
对所述样本压缩比例和所述样本满意度进行拟合，获得目标优化函数；
通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值；
将所述样本满意度的最大值对应的样本压缩比例作为所述样本图像类型的样本最优比例。
进一步地，所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，还执行以下操作：
每隔预设步长计算所述目标优化函数的函数值；
判断上一函数值与当前函数值的差值是否大于预设阈值；
若所述差值大于所述预设阈值，则返回所述判断上一函数值与当前函数值的差值是否小于预设阈值的步骤；
若所述差值小于或等于所述预设阈值，则认定所述当前函数值为所述样本满意度的最大值。
进一步地，所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，还执行以下操作：
获取所述目标优化函数的自变量取值范围，将所述自变量取值范围与预设精度的乘积作为预设步长；
相应地，所述每隔预设步长计算所述目标优化函数的函数值，具体包括：
在所述自变量取值范围内每隔预设步长计算所述目标优化函数的函数值。
进一步地，所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，还执行以下操作：
通过预设压缩工具按照所述目标最优比例对所述页面图像信息的像素进行压缩，获得优化图像信息。
进一步地，所述页面渲染设备通过处理器1001调用存储器1005中存储的基于机器学习的页面渲染程序，还执行以下操作：
在接收到目标用户设备发送的页面加载请求时，从所述页面加载请求中提取目标设备信息；
根据所述目标设备信息检测所述目标用户设备对应的目标设备类型。
本实施例中，通过在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；获取所述页面加载请求对应的页面文本信息和页面图像信息；按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；将所述页面文本信息和所述优化图像信息渲染到当前页面。由于通过模型获取了与目标设备类型对应的目标最优比例，并按照所述目标最优比例对页面图像信息进行压缩，从而在不减小图像尺寸的情形下提高页面渲染效率，兼顾了页面加载速度和用户体验。
基于上述硬件结构，提出本发明基于机器学习的页面渲染方法的实施例。
参照图2，图2为本发明基于机器学习的页面渲染方法第一实施例的流程示意图，提出本发明基于机器学习的页面渲染方法第一实施例。
在第一实施例中，所述基于机器学习的页面渲染方法包括以下步骤：
步骤S10：在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型。
需要说明的是，本实施例的执行主体是所述页面渲染设备，所述页面渲染设备可以是智能手机、个人计算机或者平板电脑等电子设备，本实施例对此不加以限制。本实施例按照设备尺寸将用户设备划分为若干种类型，比如大型设备、大中型设备、中型设备、中小型设备和小型设备，其中，该五种设备类型的设备尺寸依次减小。
在具体实现中，自动解析所述页面加载请求的头信息中的用户代理User-Agent，获得所述目标用户设备对应的目标设备类型。
步骤S20：将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例。
可以理解的是，为了提高页面渲染的速度，本实施例将对页面图像信息进行缩小，若压缩比例过小，比如0.1，则页面图像信息将缺失大量像素，致使图像失真，影响用户观感；若压缩比例过大，比如0.9，则缩小后的页面图像与缩小前的页面图像所占的文件大小相差较小，从而对页面渲染速度的提高程度较小，因此，需要在多种压缩比例中选取最优比例。
在具体实现中，由于大型设备的图像像素较高，小型设备的图像像素较低，在不影响用户观感的情形下，大型设备的压缩比例可以小于小型设备，因此，为了获得各设备类型的用户设备的最优比例，将采用预设图像比例优化模型对压缩比例和满意度进行训练，从而获得满意度较高的压缩比例，即最优比例。所述预设图像比例优化模型包含设备类型与最优比例之间的映射关系，能够根据所述目标设备类型预测所述目标设备类型对应的目标最优比例。
步骤S30：获取所述页面加载请求对应的页面文本信息和页面图像信息。
应当理解的是，所述页面加载请求对应的页面内容包括页面文本信息和页面图像信息，为了对页面内容进行渲染，将预先获取所述页面加载请求对应的页面文本信息和页面图像信息。
步骤S40：按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息。
需要说明的是，按照所述目标最优比例对所述页面图像信息进行压缩，能够在不影响用户观感的情形下，缩小所述页面图像信息对应的图像比例。
步骤S50：将所述页面文本信息和所述优化图像信息渲染到当前页面。
可以理解的是，对所述页面图像信息进行压缩，获得的优化图像信息的像素小于所述页面图像信息，但所述优化图像信息的图像尺寸与所述页面图像信息对应的图像尺寸相同，因此，将所述页面文本信息和所述优化图像信息渲染到当前页面，能够提高页面渲染效率，加快页面图像的加载速度，并且不影响用户观感，兼顾了用户体验。
本实施例中，通过在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；获取所述页面加载请求对应的页面文本信息和页面图像信息；按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；将所述页面文本信息和所述优化图像信息渲染到当前页面。由于通过模型获取了与目标设备类型对应的目标最优比例，并按照所述目标最优比例对页面图像信息进行压缩，从而在不减小图像尺寸的情形下提高页面渲染效率，兼顾了页面加载速度和用户体验。
参照图3，图3为本发明基于机器学习的页面渲染方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明基于机器学习的页面渲染方法的第二实施例。
在第二实施例中，所述步骤S10之前，所述基于机器学习的页面渲染方法还包括：
步骤S01：获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度。
需要说明的是，按照设备尺寸将用户设备划分为若干种类型，比如大型设备、大中型设备、中型设备、中小型设备和小型设备，其中，该五种设备类型的设备尺寸依次减小；相应地，如表1所示，按照图像尺寸将图像划分为对应种类型，例如大型设备、大中型设备、中型设备、中小型设备和小型设备分别对应的大图像、大中图像、中图像、中小图像和小图像，其中，该五种图像类型的图像尺寸依次减小。
图像等级 最小像素 最大像素
大图像 1920×1200 无
大中图像 1681×1051 1920×1200
中图像 1025×769 1680×1050
中小图像 257×257 1024×768
小图像 57×57 256×256
表1图像类型表
在具体实现中，为了通过训练获得预设图像比例优化模型，将获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度，以将该样本压缩比例和样本满意度作为训练样本。
步骤S02：根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例。
可以理解的是，对所述样本压缩比例和所述样本满意度进行拟合，获得目标优化函数；通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值；将所述样本满意度的最大值对应的样本压缩比例作为所述样本图像类型的样本最优比例。梯度上升法是机器学***方梯度的移动平均值，然后将梯度除以平均值的平方根。因此可以提高学***方向上采取更大的步骤，更快地收敛。
步骤S03：获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述对应关系生成预设图像比例优化模型。
需要说明的是，根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例之后，将根据所述样本设备类型与所述样本图像类型的对应关系，与所述样本图像类型与所述样本最优比例之间的对应关系，获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述样本设备类型与所述样本最优比例之间的对应关系生成预设图像比例优化模型。
在本实施例中，通过获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度；根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例；获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述对应关系生成预设图像比例优化模型。通过对样本压缩比例和样本图像类型进行迭代，获得所述样本图像类型对应的样本最优比例，从而能够在后续页面渲染过程中压缩图像，提高渲染效率，加快页面加载速度。
参照图4，图4为本发明基于机器学习的页面渲染方法第三实施例的流程示意图，基于上述图3所示的第二实施例，提出本发明基于机器学习的页面渲染方法的第三实施例。
在第三实施例中，所述通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值，具体包括：
每隔预设步长计算所述目标优化函数的函数值；
判断上一函数值与当前函数值的差值是否大于预设阈值；
若所述差值大于所述预设阈值，则返回所述判断上一函数值与当前函数值的差值是否小于预设阈值的步骤；
若所述差值小于或等于所述预设阈值，则认定所述当前函数值为所述样本满意度的最大值。
需要说明的是，根据样本满意度和样本压缩比例不断训练模型最终获得5种类型的样本最优比例，其中大图像对应的样本最优比例为0.6，大中图像对应的样本最优比例为0.7，中图像对应的样本最优比例为0.7，中小图像对应的样本最优比例为0.8，小图像对应的样本最优比例为0.9。如表2所示，原始图像经过压缩后，图像的像素明显降低，但优化后的图像尺寸不变，将所述页面文本信息和所述优化图像信息渲染到当前页面，能够提高页面渲染效率，加快页面图像的加载速度，并且不影响用户观感，兼顾了用户体验。从而在不减小图像尺寸的情形下提高页面渲染效率，兼顾了页面加载速度和用户体验。
图像 像素 图像大小 满意度
原始图像1 3800*3800 13.1M 87％
优化后的图像1 2650*2650 7.86M 92％
原始图像2 1880*1675 7.27M 89％
优化后的图像2 1330*1135 5.09M 93％
原始图像3 376*381 420K 93％
优化后的图像3 326*330 378K 96％
表2图像像素变化表
进一步地，所述每隔预设步长计算所述目标优化函数的函数值之前，所述基于机器学习的页面渲染方法还包括：
获取所述目标优化函数的自变量取值范围，将所述自变量取值范围与预设精度的乘积作为预设步长；
相应地，所述每隔预设步长计算所述目标优化函数的函数值，具体包括：
在所述自变量取值范围内每隔预设步长计算所述目标优化函数的函数值。
应当理解的是，为了不影响用户体验将对图像进行缩放，其中比例的范围在[0，1]，0代表图像的最低质量，1代表图像没有改变，根据用户的使用设备进行机器学习后缩放在[0，1]之前的一个比例。任何宽度和高度的图像都会进行下采样，在不影响用户体验的同时使用最小的下采样的比例。比如，对于图标和徽标一般使用的是原图像的0.8倍比例，因为对于原本就很小的图像，骤然减少其比例会造成图像失真影响用户体验。对于大图像的缩放比例一般是0.6，可以保证在不同的设备类型上保持其分辨率。
进一步地，所述步骤S40，具体包括：
步骤S401：通过预设压缩工具按照所述目标最优比例对所述页面图像信息的像素进行压缩，获得优化图像信息。
需要说明的是，所述预设压缩工具可为数据压缩程序(GNUzip，GZIP)或者其它压缩工具，本实施例对此不加以限制。由于人眼工作方式的缘故性，在观察时往往不会观察到图像的全部信息，因此，可以舍弃部分像素的某些信息来减小图像的文件大小，图像优化可归结为两个标准：优化编码每个图像像素所使用的字节数和优化的总像素数；图像的文件大小就是总像素数与编码每个像素所使用字节数的乘积。通过所述目标最优比例对所述页面图像信息的像素进行压缩，从而获得优化图像信息，减少了图像大小，从而能够提高页面渲染效率和页面加载速度。
进一步地，所述步骤S10，具体包括：
在接收到目标用户设备发送的页面加载请求时，从所述页面加载请求中提取目标设备信息；根据所述目标设备信息检测所述目标用户设备对应的目标设备类型。
可以理解的是，对所述页面加载请求进行解析，提取所述页面加载请求中的目标设备信息，并从所述目标社保信息中提取用户代理，根据所述用户代理检测所述目标用户设备对应的目标设备类型。
在本实施例中，通过每个预设步长计算所述目标优化函数的函数值；判断上一函数值与当前函数值的差值是否大于预设阈值；若所述差值大于所述预设阈值，则返回所述判断上一函数值与当前函数值的差值是否小于预设阈值的步骤；若所述差值小于或等于所述预设阈值，则认定所述当前函数值为所述样本满意度的最大值。通过多次迭代，逐渐缩小相邻函数值之间的差值，并在差值小于或等于预设阈值时，获得样本满意度的最大值，将该样本满意度的最大值对应的样本压缩比例作为样本图像类型的样本最优比例，通过所述样本最优比例对样本图像类型的图像进行压缩，减少了图像大小，能够提高页面渲染效率和页面加载速度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于机器学习的页面渲染程序，所述基于机器学习的页面渲染程序被处理器执行时实现如下步骤：
在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；
将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；
获取所述页面加载请求对应的页面文本信息和页面图像信息；
按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；
将所述页面文本信息和所述优化图像信息渲染到当前页面。
进一步地，所述基于机器学习的页面渲染程序被处理器执行时还实现如下操作：
获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度；
根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例；
获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述对应关系生成预设图像比例优化模型。
进一步地，所述基于机器学习的页面渲染程序被处理器执行时还实现如下操作：
对所述样本压缩比例和所述样本满意度进行拟合，获得目标优化函数；
通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值；
将所述样本满意度的最大值对应的样本压缩比例作为所述样本图像类型的样本最优比例。
进一步地，所述基于机器学习的页面渲染程序被处理器执行时还实现如下操作：
每隔预设步长计算所述目标优化函数的函数值；
判断上一函数值与当前函数值的差值是否大于预设阈值；
若所述差值大于所述预设阈值，则返回所述判断上一函数值与当前函数值的差值是否小于预设阈值的步骤；
若所述差值小于或等于所述预设阈值，则认定所述当前函数值为所述样本满意度的最大值。
进一步地，所述基于机器学习的页面渲染程序被处理器执行时还实现如下操作：
获取所述目标优化函数的自变量取值范围，将所述自变量取值范围与预设精度的乘积作为预设步长；
相应地，所述每隔预设步长计算所述目标优化函数的函数值，具体包括：
在所述自变量取值范围内每隔预设步长计算所述目标优化函数的函数值。
进一步地，所述基于机器学习的页面渲染程序被处理器执行时还实现如下操作：
通过预设压缩工具按照所述目标最优比例对所述页面图像信息的像素进行压缩，获得优化图像信息。
进一步地，所述基于机器学习的页面渲染程序被处理器执行时还实现如下操作：
在接收到目标用户设备发送的页面加载请求时，从所述页面加载请求中提取目标设备信息；
根据所述目标设备信息检测所述目标用户设备对应的目标设备类型。
本实施例中，通过在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；获取所述页面加载请求对应的页面文本信息和页面图像信息；按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；将所述页面文本信息和所述优化图像信息渲染到当前页面。由于通过模型获取了与目标设备类型对应的目标最优比例，并按照所述目标最优比例对页面图像信息进行压缩，从而在不减小图像尺寸的情形下提高页面渲染效率，兼顾了页面加载速度和用户体验。
此外，参照图5，本发明实施例还提出一种基于机器学习的页面渲染装置，所述基于机器学习的页面渲染装置包括：
请求接收模块10，用于在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型。
需要说明的是，本实施例按照设备尺寸将用户设备划分为若干种类型，比如大型设备、大中型设备、中型设备、中小型设备和小型设备，其中，该五种设备类型的设备尺寸依次减小。
在具体实现中，自动解析所述页面加载请求的头信息中的用户代理User-Agent，获得所述目标用户设备对应的目标设备类型。
比例预测模块20，用于将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例。
可以理解的是，为了提高页面渲染的速度，本实施例将对页面图像信息进行缩小，若压缩比例过小，比如0.1，则页面图像信息将缺失大量像素，致使图像失真，影响用户观感；若压缩比例过大，比如0.9，则缩小后的页面图像与缩小前的页面图像所占的文件大小相差较小，从而对页面渲染速度的提高程度较小，因此，需要在多种压缩比例中选取最优比例。
在具体实现中，由于大型设备的图像像素较高，小型设备的图像像素较低，在不影响用户观感的情形下，大型设备的压缩比例可以小于小型设备，因此，为了获得各设备类型的用户设备的最优比例，将采用预设图像比例优化模型对压缩比例和满意度进行训练，从而获得满意度较高的压缩比例，即最优比例。所述预设图像比例优化模型包含设备类型与最优比例之间的映射关系，能够根据所述目标设备类型预测所述目标设备类型对应的目标最优比例。
信息获取模块30，用于获取所述页面加载请求对应的页面文本信息和页面图像信息。
应当理解的是，所述页面加载请求对应的页面内容包括页面文本信息和页面图像信息，为了对页面内容进行渲染，将预先获取所述页面加载请求对应的页面文本信息和页面图像信息。
图像压缩模块40，用于按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息。
需要说明的是，按照所述目标最优比例对所述页面图像信息进行压缩，能够在不影响用户观感的情形下，缩小所述页面图像信息对应的图像比例。
页面渲染模块50，用于将所述页面文本信息和所述优化图像信息渲染到当前页面。
可以理解的是，对所述页面图像信息进行压缩，获得的优化图像信息的像素小于所述页面图像信息，但所述优化图像信息的图像尺寸与所述页面图像信息对应的图像尺寸相同，因此，将所述页面文本信息和所述优化图像信息渲染到当前页面，能够提高页面渲染效率，加快页面图像的加载速度，并且不影响用户观感，兼顾了用户体验。
本实施例中，通过在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；获取所述页面加载请求对应的页面文本信息和页面图像信息；按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；将所述页面文本信息和所述优化图像信息渲染到当前页面。由于通过模型获取了与目标设备类型对应的目标最优比例，并按照所述目标最优比例对页面图像信息进行压缩，从而在不减小图像尺寸的情形下提高页面渲染效率，兼顾了页面加载速度和用户体验。
在一实施例中，所述基于机器学习的页面渲染装置还包括：
模型构建模块，用于获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度；根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例；获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述对应关系生成预设图像比例优化模型。
在一实施例中，所述模型构建模块，还用于对所述样本压缩比例和所述样本满意度进行拟合，获得目标优化函数；通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值；将所述样本满意度的最大值对应的样本压缩比例作为所述样本图像类型的样本最优比例。
在一实施例中，所述模型构建模块，还用于每隔预设步长计算所述目标优化函数的函数值；判断上一函数值与当前函数值的差值是否大于预设阈值；若所述差值大于所述预设阈值，则返回所述判断上一函数值与当前函数值的差值是否小于预设阈值的步骤；若所述差值小于或等于所述预设阈值，则认定所述当前函数值为所述样本满意度的最大值。
在一实施例中，所述模型构建模块，还用于获取所述目标优化函数的自变量取值范围，将所述自变量取值范围与预设精度的乘积作为预设步长；在所述自变量取值范围内每隔预设步长计算所述目标优化函数的函数值。
在一实施例中，所述图像压缩模块40，还用于通过预设压缩工具按照所述目标最优比例对所述页面图像信息的像素进行压缩，获得优化图像信息。
在一实施例中，所述请求接收模块10，还用于在接收到目标用户设备发送的页面加载请求时，从所述页面加载请求中提取目标设备信息；
根据所述目标设备信息检测所述目标用户设备对应的目标设备类型。
本发明所述基于机器学习的页面渲染装置的其他实施例或具体实现方式可参照上述各方法实施例，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***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***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***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。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
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(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，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。

Claims (10)

1.一种基于机器学习的页面渲染方法，其特征在于，所述基于机器学习的页面渲染方法包括以下步骤：
在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；
将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；
获取所述页面加载请求对应的页面文本信息和页面图像信息；
按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；
将所述页面文本信息和所述优化图像信息渲染到当前页面。
2.如权利要求1所述的基于机器学习的页面渲染方法，其特征在于，所述在接收到目标用户设备发送的页面加载请求时，提取所述页面加载请求对应的设备信息之前，所述基于机器学习的页面渲染方法还包括：
获取样本设备类型对应的样本图像类型，并获取所述样本图像类型对应的样本压缩比例和样本满意度；
根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例；
获得所述样本设备类型与所述样本最优比例之间的对应关系，并根据所述对应关系生成预设图像比例优化模型。
3.如权利要求2所述的基于机器学习的页面渲染方法，其特征在于，所述根据所述样本满意度从所述样本压缩比例中选取所述样本图像类型对应的样本最优比例，具体包括：
对所述样本压缩比例和所述样本满意度进行拟合，获得目标优化函数；
通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值；
将所述样本满意度的最大值对应的样本压缩比例作为所述样本图像类型的样本最优比例。
4.如权利要求3所述的基于机器学习的页面渲染方法，其特征在于，所述通过梯度上升法对所述目标优化函数进行迭代，获得所述样本满意度的最大值，具体包括：
每隔预设步长计算所述目标优化函数的函数值；
判断上一函数值与当前函数值的差值是否大于预设阈值；
若所述差值大于所述预设阈值，则返回所述判断上一函数值与当前函数值的差值是否小于预设阈值的步骤；
若所述差值小于或等于所述预设阈值，则认定所述当前函数值为所述样本满意度的最大值。
5.如权利要求4所述的基于机器学习的页面渲染方法，其特征在于，所述每隔预设步长计算所述目标优化函数的函数值之前，所述基于机器学习的页面渲染方法还包括：
获取所述目标优化函数的自变量取值范围，将所述自变量取值范围与预设精度的乘积作为预设步长；
相应地，所述每隔预设步长计算所述目标优化函数的函数值，具体包括：
在所述自变量取值范围内每隔预设步长计算所述目标优化函数的函数值。
6.如权利要求1-5中任一项所述的基于机器学习的页面渲染方法，其特征在于，所述按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息，具体包括：
通过预设压缩工具按照所述目标最优比例对所述页面图像信息的像素进行压缩，获得优化图像信息。
7.如权利要求1-5中任一项所述的基于机器学习的页面渲染方法，其特征在于，所述在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型，具体包括：
在接收到目标用户设备发送的页面加载请求时，从所述页面加载请求中提取目标设备信息；
根据所述目标设备信息检测所述目标用户设备对应的目标设备类型。
8.一种页面渲染设备，其特征在于，所述页面渲染设备包括：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基于机器学习的页面渲染程序，所述基于机器学习的页面渲染程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于机器学习的页面渲染方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有基于机器学习的页面渲染程序，所述基于机器学习的页面渲染程序被处理器执行时实现如权利要求1至7中任一项所述的基于机器学习的页面渲染方法的步骤。
10.一种基于机器学习的页面渲染装置，其特征在于，所述基于机器学习的页面渲染装置包括：
请求接收模块，用于在接收到目标用户设备发送的页面加载请求时，根据所述页面加载请求检测所述目标用户设备对应的目标设备类型；
比例预测模块，用于将所述目标设备类型输入至预设图像比例优化模型中，以使所述预设图像比例优化模型输出所述目标设备类型对应的目标最优比例；
信息获取模块，用于获取所述页面加载请求对应的页面文本信息和页面图像信息；
图像压缩模块，用于按照所述目标最优比例对所述页面图像信息进行压缩，获得优化图像信息；
页面渲染模块，用于将所述页面文本信息和所述优化图像信息渲染到当前页面。
CN201910670809.8A 2019-07-23 2019-07-23 基于机器学习的页面渲染方法、设备、存储介质及装置 Active CN110399581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910670809.8A CN110399581B (zh) 2019-07-23 2019-07-23 基于机器学习的页面渲染方法、设备、存储介质及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910670809.8A CN110399581B (zh) 2019-07-23 2019-07-23 基于机器学习的页面渲染方法、设备、存储介质及装置

Publications (2)

Publication Number Publication Date
CN110399581A true CN110399581A (zh) 2019-11-01
CN110399581B CN110399581B (zh) 2021-11-02

Family

ID=68325989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910670809.8A Active CN110399581B (zh) 2019-07-23 2019-07-23 基于机器学习的页面渲染方法、设备、存储介质及装置

Country Status (1)

Country Link
CN (1) CN110399581B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177622A (zh) * 2019-12-23 2020-05-19 深圳壹账通智能科技有限公司 基于机器学习的网页渲染方法、装置和计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080252662A1 (en) * 2007-04-11 2008-10-16 Edward Craig Hyatt Methods of Displaying Information at Different Zoom Settings and Related Devices and Computer Program Products
US20110047505A1 (en) * 2009-08-20 2011-02-24 Xerox Corporation Object based adaptive document resizing
CN106846254A (zh) * 2017-02-15 2017-06-13 深圳创维－Rgb电子有限公司 一种基于云端自主学习的图像缩放方法及***
CN107491560A (zh) * 2017-09-20 2017-12-19 广东欧珀移动通信有限公司 页面图片显示方法、装置、存储介质、服务器及移动终端
CN108876764A (zh) * 2018-05-21 2018-11-23 北京旷视科技有限公司 渲染图像获取方法、装置、***和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080252662A1 (en) * 2007-04-11 2008-10-16 Edward Craig Hyatt Methods of Displaying Information at Different Zoom Settings and Related Devices and Computer Program Products
US20110047505A1 (en) * 2009-08-20 2011-02-24 Xerox Corporation Object based adaptive document resizing
CN106846254A (zh) * 2017-02-15 2017-06-13 深圳创维－Rgb电子有限公司 一种基于云端自主学习的图像缩放方法及***
CN107491560A (zh) * 2017-09-20 2017-12-19 广东欧珀移动通信有限公司 页面图片显示方法、装置、存储介质、服务器及移动终端
CN108876764A (zh) * 2018-05-21 2018-11-23 北京旷视科技有限公司 渲染图像获取方法、装置、***和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177622A (zh) * 2019-12-23 2020-05-19 深圳壹账通智能科技有限公司 基于机器学习的网页渲染方法、装置和计算机设备

Also Published As

Publication number Publication date
CN110399581B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN105975576B (zh) 终端内容适配显示方法、装置和终端
CN108399052B (zh) 图片压缩方法、装置、计算机设备和存储介质
CN106021421B (zh) 一种加速网页渲染的方法及装置
US10834424B2 (en) Method and device for compressing image, and electronic device
CN112182444B (zh) 数据渲染***、方法及电子设备
CN109062715B (zh) 内存时钟频率的确定方法、装置及终端
CN108492338B (zh) 动画文件的压缩方法、装置、存储介质和电子装置
CN103685923B (zh) 图像信息处理***、图像信息处理装置以及方法
CN103164231A (zh) 一种输入法虚拟键盘皮肤管理方法和设备
CN107622483A (zh) 一种图像合成方法及终端
CN104765600A (zh) 一种页面处理方法
CN107766492A (zh) 一种图像搜索的方法和装置
CN109361947A (zh) 网络资源批量加载方法、智能电视、存储介质及装置
CN111679877B (zh) 一种变更终端设备背景的方法、装置和电子设备
CN110399511A (zh) 基于Redis的图片缓存方法、设备、存储介质及装置
CN103870508A (zh) 一种网页缩放方法、装置和***
CN106528758B (zh) 一种选取图片方法及装置
CN110399581A (zh) 基于机器学习的页面渲染方法、设备、存储介质及装置
CN109918592A (zh) 图片的加载方法、装置、终端及计算机可读存储介质
CN113076159B (zh) 图像显示方法和装置、存储介质及电子设备
CN109615620A (zh) 图像压缩度识别方法、装置、设备及计算机可读存储介质
CN104765599A (zh) 一种终端
CN107193815B (zh) 一种页面代码的处理方法、装置及设备
CN109388726A (zh) 一种图片显示方法、装置、设备及计算机可读介质
CN117112090A (zh) 业务页面主题生成方法、装置、计算机设备、介质和产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191101

Assignee: Yunnan Ziying economic and Trade Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000234

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230710

Application publication date: 20191101

Assignee: Yunnan Tuoheng Technology Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000235

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230710

Application publication date: 20191101

Assignee: Fengzhuo (Luoyang) Electromechanical Technology Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000232

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230707

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191101

Assignee: Yunnan Gengxin Technology Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000240

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230713

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191101

Assignee: YUNNAN HANGYUE AGRICULTURE TECHNOLOGY CO.,LTD.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000267

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230802

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191101

Assignee: Yunnan Shalang Rural Tourism Resources Development Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000273

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230804

Application publication date: 20191101

Assignee: Yunnan Shuai Toudou Agricultural Technology Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000274

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230804

Application publication date: 20191101

Assignee: Yunnan Shuaixiao Sauce Agricultural Technology Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000272

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230804

Application publication date: 20191101

Assignee: Yunnan Shengmai Agricultural Technology Co.,Ltd.

Assignor: SOUTH CENTRAL University FOR NATIONALITIES

Contract record no.: X2023420000275

Denomination of invention: Machine learning based page rendering methods, devices, storage media, and devices

Granted publication date: 20211102

License type: Common License

Record date: 20230804