具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

如图1所示，根据本申请的实施例，本申请提供一种模型训练方法，方法包括：

步骤S101：建立初始模型，初始模型用于确定待转换为图片的文档。

该方法可以用于电子设备，可选的，电子设备可以是终端设备(例如，移动终端等)中阅读器的后台服务端。可以理解，初始模型为文档筛选模型或文档分类模型等，可用于筛选需要转换为图片的文档。

步骤S102：根据训练文档集的文档属性参数以及训练文档集的文档标签，对初始模型进行训练，得到目标模型。

训练文档集中包括多个训练文档，每个训练文档有对应的文档属性参数，每个训练文档有对应的文档标签(可以理解为训练文档的真实文档标签)，文档的文档标签可用于指示该文档的类别，例如，可指示该文档为需要转换为图片的文档，即为待转换图片的文档，或者指示该文档为不需要转换为图片的文档，即不为待转换图片的文档。比如，文档的文档标签为1时，表示该文档属于需要转换为图片的文档，若为0时，表示该文档属于不需要转换为图片的文档。

训练文档集的文档属性参数包括多个训练文档的文档属性参数，训练文档集的文档标签包括多个训练文档的文档标签。初始模型的输入可包括训练文档集的文档属性参数以及训练文档集的文档标签，初始模型的输出包括训练文档集的预测文档标签。初始模型中包括多个模型参数，例如，可包括但不限于文档格式的权重参数、文档内容元素数量的权重参数、文档排版复杂度的权重参数和文档下载次数的权重参数中的至少一项，模型训练过程即是对模型参数不断更新调整过程。

上述模型训练方法可以用于文档阅读或查看场景等，即训练得到的目标模型可用于文档阅读或查看场景等。

其中，文档属性参数包括文档格式、文档内容元素数量、文档排版复杂度和文档下载次数中的至少一项。

其中，文档格式是影响转码处理方式的变量之一，通过分析文档库，文档库可支持多种文档格式，比如，目前文档库至少可支持17中文档格式。不同文档格式影响文档是否适合被转换为图片的结果，例如Xmind格式文档，无法支持传统的转码渲染为版式Xreader数据或流式rtcs数据，更适合自动转图处理。

文档的内容元素存在多样性，即不同文档内可包含不同的内容元素，内容元素的种类数量直接影响转码处理方式和转码成功率。例如，一篇包括物理公式试题的word文档，可能包含文本、图片、艺术字、公式和特殊字符等多种内容元素。文档内包含的内容元素的种类越高，传统转码方式转码成功率越低，阅读页越容易产生乱码，则该文档则越适合转为图片处理。

不同文档的排版复杂性，文档排版直接影响文档的转码处理方式，文档排版的复杂性越高，则该文档越适合转图处理。需要说明的是，文档中采用的排版方式越多，复杂度越大，例如，文档中有文本和图片，文本通过第一排版方式排版，图片是通过环绕或嵌入的方式排版，则文档中的排版方式有两种，若该文档中的文本中一部分采用第三排版方式，另一部分采用第四排版方式，图片是通过环绕或嵌入方式排版，则文档中的排饭方式有三种，复杂度比包括两种排版方式的复杂度高。

不同文档的历史下载次数，通过历史数据，可获取不同文档的历史下载次数。用户下载文档的次数越多，说明文档转码后体验越佳，下载次数越低，说明转码后体验效果不符合预期，越适合转图处理。

如此，通过训练文当集的上述文档格式、文档内容元素数量、文档排版复杂度和文档下载次数中的至少一项的参数对初始模型进行训练，可提高训练得到目标模型的性能，从而可提高目标模型筛选待转换为图片的文档的准确性。

在本实施例的模型训练方法中，可先建立初始模型，再利用训练文档集的文档属性参数以及所述训练文档集的文档标签，对所述初始模型进行训练，得到目标模型。初始模型用于确定待转换为图片的文档，即筛选待通过转图方式进行处理的文档，利用训练文档集的文档属性参数以及所述训练文档集的文档标签对初始文档模型进行训练，且用于训练的训练文档集的文档属性参数可采用文档格式、文档内容元素数量、文档排版复杂度和文档下载次数中的至少一项参数，可提高训练得到目标模型的性能，从而可提高训练得到的目标模型筛选待转换图片的文档的准确性。与此同时，本申请实施例无需对每个不同文档采用现有转码方式进行相同的方式的转码，而是通过训练可以得到用于确定待转换为图片的文档的目标模型，即通过目标模型可确定待转换为图片的文档，可提高后续可对待转换图片的文档进行转换的效果，减少乱码的情况。以及通过本实施例的模型训练方法得到目标模型，通过目标模型可确定待转换图片的文档，无需对不同文档格式开发独立的阅读器，减少研发成本，提高兼容性。且通过目标模型确定待转换为图片的文档，即对需要转换为图片的文档进行筛选，后续对该文档进行转图处理，可减少将该文档转码为版式Xreader数据或流式rtcs数据容易导致出现乱码的情况，通过转图处理可提高转码准确性，提高用户阅读文档的体验。

在一个实施例中，对所述初始模型进行训练，得到目标模型之后，还可以包括：

获取第一文档，并获取第一文档的文档属性参数；将第一文档的文档属性参数输入目标模型，通过目标模型输出第一文档的文档标签；在第一文档的文档标签指示第一文档为需要转换为图片的文档(即为待转换为图片的文档)的情况下，将第一文档转换为第一图片。

即可以理解，在第一文档的文档标签指示第一文档为需要转换为图片的文档的情况下，表示第一文档适合转图处理，将其转换为第一图片，另外，可将其传递给移动终端，用于在移动终端中进行展示，以便用户查看。需要说明的是，第一文档可以是在实际应用场景下的文档，例如，可以是在实际文档阅读或查看场景下的文档等。

即通过目标模型输出第一文档的文档标签可以理解为对第一文档进行分类识别，识别其是否为需要转换为图片的文档，第一文档的文档标签可用于指示第一文档是否为需要转换为图片的文档，即第一文档的文档标签可指示第一文档为待转换为图片的文档(即需要转换为图片的文档)或指示第一文档不为待转换为图片的文档(即不需要转换为图片的文档)。

在本实施例中，第一文档通过目标模型确定为需要转换为图片的文档的情况下，可对第一文档进行转图处理得到第一图片，即通过转图方式对第一文档进行处理，可减少将第一文档转码为版式Xreader数据或流式rtcs数据容易导致出现乱码的情况，通过对第一文档进行转图处理可提高转码准确性，对第一文档的第一图片进行展示，用户可对第一文档的第一图片进行查看，即可查看第一文档的内容，可提高用户阅读文档的体验。

在一个实施例中，得到目标模型之后，还包括：利用目标模型从测试文档集中确定目标文档；对目标文档进行测试，获得在目标文档进行转图处理的情况下目标文档的第一下载次数，以及在通过第一转码方式对目标文档进行处理的情况下目标文档的第二下载次数；比对第一下载次数与第二下载次数，确定测试结果。即在本实施例中，提供了一种模型训练方法，包括：

步骤S201：建立初始模型，初始模型用于确定待转换为图片的文档。

步骤S202：根据训练文档集的文档属性参数以及训练文档集的文档标签，对初始模型进行训练，得到目标模型。

步骤S201-S202与上述步骤S101-S102一一对应，在此不再赘述。

步骤S203：利用目标模型从测试文档集中确定目标文档。

目标文档可以理解为通过目标模型从测试文档集中筛选的为需要转换为图片的文档，即从测试文档集中筛选的待转换为图片的文档，数量可以是多个。测试文档集中包括多个测试文档，需要说明的是，测试文档集与训练文档集可以相同或不同。

步骤S204：对目标文档进行测试，获得在目标文档进行转图处理的情况下目标文档的第一下载次数，以及在通过第一转码方式对目标文档进行处理的情况下目标文档的第二下载次数。

对通过目标模型从测试文档集中筛选出的目标文档进行测试。在用户阅读文档的场景下，通过实验分别以不同的转码方式输出目标文档的数据，统计一批同质用户对于同一篇文档，阅读以转图方式展现以及以第一转码方式(即传统转码方式，例如，转码为版式Xreader数据或流式rtcs数据等)展现后分别的下载次数(即第一下载次数以及第二下载次数)，以此找到最适合转图处理的文档。例如，针对同一批用户，在文档格式、文档内容元素数量及排版复杂度均不变的条件下，A组用户阅读通过传统转码方式展现的文档内容，B组用户阅读通过转图方式展现的文档内容，可统计得到A组用户对第一文档的第一下载次数以及B组用户对第一文档的第二下载次数。作为一个示例，上述对目标文档进行测试，可以是对目标文档进行A/B测试。

步骤S205：比对第一下载次数与第二下载次数，确定测试结果。

对比观察用户对这批目标文档在不同转码方式下的下载次数，可确定目标模型的测试结果。测试结果可以包括测试通过或测试不通过，例如，若第一下载次数大于第二下载次数，表示对目标文档通过转图方式转码后的下载情况优于通过传统转码方式转码后的下载情况，表示该目标文档更适合转图处理，这样可提高用户的下载量以及提供用户阅读体验等。从而，在第一下载次数大于第二下载次数的情况下，可确定测试通过，在第一下载次数小于或等于第二下载次数的情况下，可确定测试不通过，可进一步对目标模型进行更新等，以提高目标模型筛选待转换为图片的文档的准确性。

在一个实施例中，对目标文档进行测试，获得在目标文档进行转图处理的情况下目标文档的第一下载次数，以及在通过第一转码方式对目标文档进行处理的情况下目标文档的第二下载次数之后，还包括：

基于目标文档的真实标签以及第一下载次数，更新目标模型。

测试文档集输入目标模型，通过目标模型可输出测试文档集中每个测试文档的预测文档标签，可指示测试文档的类别，从而可确定为待转换为图片的目标文档。然而，每个测试文档有对应的真实标签，即真实类别，多个测试文档中可能存在真实标签和预测标签不一致的测试文档，这表示该测试文档通过目标模型预测的文档标签不准确。另外，目标文档为被目标模型确定为待转换为图片的文档，但若通过上述测试过程，可得到其通过转图方式展示后的第一下载次数较小，表示该目标文档虽然被预测为需要转换为图片的文档，但其通过转图后的第一下载次数较小，用户对其转图后的图片体验不佳，则认为不应为需要转换为图片的文档。如此，在本实施例中，可通过目标文档的真实标签以及第一下载次数，更新目标模型，即是更新目标模型的模型参数，提高目标模型的性能，以提高目标模型确定文档的准确性。

在一个实施例中，对初始模型进行训练，得到目标模型之后，还包括：接收用户输入的修正信息；根据修正信息，更新目标模型。

根据训练文档集的文档属性参数以及训练文档集的文档标签对初始模型进行训练，得到目标模型，可输出在训练过程中通过模型得到的训练文档集的预测文档标签，用户可查看训练文档集的预测文档标签，从而通过人工可确定哪一类的文档的标签预测效果较好，哪一类的文档的标签预测效果较差，人工可针对目标模型反馈相关信息，因此，在目标模型的模型参数基础上，可结合人工测评，即接收用户反馈的修成信息(例如，可包括对模型参数中至少一个参数的修正信息等)，对目标模型的模型参数进行更新，实现对目标模型的更新，提高更新的目标模型确定适合转图的文档的准确性，使确定的适合转图的文档能够获得较好的阅读体验和收益等。

需要说明的是，上述接收用户输入的修正信息；根据修正信息，更新目标模型可以是在基于目标文档的真实标签以及第一下载次数，更新目标模型之后进一步更新模型的步骤。

下面以一个具体实施例对上述方法的过程加以说明。如图3所示，过程如下：

首先，基于文档的基础字段(例如，文档格式、文档内容元素数量、文档排版复杂度和文档下载次数等)，建立用于筛选适合转图的文档的初始模型。

然后，基于历史文档数据(即训练文本集)对初始文档进行训练，得到目标模型。

其次，通过A/B测试方式测试目标模型确定的目标文档，并确定测试结果，且可根据测试过程中得到的目标文档通过转图方式处理后的第一下载次数和目标文档的真实标签更新目标模型的模型参数。

再者，可结合人工测评进一步更新目标模型的模型参数。

后续在实际应用中，可获得第一文档，提取第一文档的文档属性参数，将其输入更新后的目标模型，若通过目标模型确定第一文档为待转换为图片的文档，对第一文档进行转图处理得到第一图片，即可对适合转图的图片可自动转图处理。可将第一文档的第一图片传递给移动终端并展示，如此，用户在移动终端可查看第一图片，从而可查看第一文档的文档内容，后续也可对第一文档进行下载等行为。

通过本申请实施例的方案，可减少在移动终端出现文档阅读页排版乱码(例如，文档原本内容中的一个公式，转码后变成“？？”字样)问题，并通过转图片处理兼容例如Xmind、Cad等特殊格式文档。通过目标模型确定待转换为图片的目标文档，通过机器化自动转图，既可有效提升用户在移动终端的阅读体验及付费率，又能降低研发多类阅读器的人工成本。

如图4所示，根据本申请的实施例，本申请还提供一种模型训练装置400，装置400包括：

模型创建模块401，用于建立初始模型，初始模型用于确定待转换为图片的文档；

训练模块402，用于根据训练文档集的文档属性参数以及训练文档集的文档标签，对初始模型进行训练，得到目标模型；

其中，文档属性参数包括以下至少一项：

文档格式；

文档内容元素数量；

文档排版复杂度；

文档下载次数。

在一个实施例中，装置还包括：

获取模块，用于获取第一文档，并获取第一文档的文档属性参数；

标签输出模块，用于将第一文档的文档属性参数输入目标模型，通过目标模型输出第一文档的文档标签；

转图模块，用于在第一文档的文档标签指示第一文档为需要转换为图片的文档的情况下，将第一文档转换为第一图片。

如图5所示，在一个实施例中，装置400还包括：

第一确定模块403，用于利用目标模型从测试文档集中确定目标文档；

测试模块404，用于对目标文档进行测试，获得在目标文档进行转图处理的情况下目标文档的第一下载次数，以及在通过第一转码方式对目标文档进行处理的情况下目标文档的第二下载次数；

第二确定模块405，用于比对第一下载次数与第二下载次数，确定测试结果。

在一个实施例中，装置还包括：

第一更新模块，用于基于目标文档的真实标签以及第一下载次数，更新目标模型。

在一个实施例中，装置还包括：

接收模块，用于接收用户输入的修正信息；

第二更新模块，用于根据修正信息，更新目标模型。

上述各实施例的模型训练装置为实现上述各实施例的模型训练方法的装置，技术特征对应，技术效果对应，在此不再赘述。

根据本申请的实施例，本申请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。

本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的模型训练方法。

本申请实施例的计算机程序产品，包括计算机程序，所述计算机程序用于使计算机执行本申请各实施例提供的模型训练方法。

图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，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/或者要求的本申请的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元606加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元606，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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。

计算单元601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601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601执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练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606。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。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。

用于实施本申请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。

在本申请的上下文中，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。

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。

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)、互联网和区块链网络。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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。

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，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。