阿里 99 大促模型识别背后的样本生成

背景

在上一篇文章《详解阿里99大促活动页内容识别技术实现》里，我们介绍了在淘宝 99 大促中，我们使用了怎样的算法模型去识别并完成自动化测试的。

样本问题的困难点

淘宝大促有近百个模块、上千个页面，模块间具有相似性，并且模块内部具备多种状态，如果想要准确识别每个模块类型，单模块的样本数量至少要达到万级，而人工标注成本高、效率低下、数据量少，纯靠人力是无法满足模型诉求的。基于此，今天，我来介绍下，模型识别背后的大批量数据样本生成的技术方案。

思路

总体技术方案如下，后面会分别详细讲：

模型的样本要求

算法模型识别的输入是 99 大促的各个会场截图，输出是目标模块名称及其在截图中的坐标位置。

模型训练时，就是把模块渲染图、相应坐标位置与模块类型输入给模型，交给模型去进行监督学习。而模型需要的，就是各个模块大批量的图片样本。

一个模块，是由 View 和 ViewModel 组合而成，而 View 是固定的，ViewModel 跟随会场场景不同，是动态变化的。

那么，如果我们能拿到描述模块的 View 的这一层 DSL，辅助以动态的 ViewModel 数据，再把 View 和 ViewModel 渲染成图片，那我们就可以生成无穷无尽的样本数据了。

DSL 描述 View

仔细梳理之后，View 拆分为原子级元素（Text、Image、Shape）和原子级元素的组合关系（Group），即与 HTML DOM 树状结构中的各层级容器嵌套与叶子节点类型是同样的逻辑。

基于节点类型和节点样式的 DSL，我们就能描述一个完整的 View 了。

{  "layers": [{    "frame": {      "y": 354,      "x": 44,      "height": 32,      "width": 312    },    "id": 2,    "type": "text",    "value": "Adidas Stan Smith",    "textStyles": {      "fontFamily": "Helvetica, sans-serif",      "fontSize": 24    }  }, {    "frame": {      "y": 0,      "x": 384,      "height": 342,      "width": 342    },    "id": 3,    "type": "image",    "value": "//img.alicdn.com/bao/uploaded/i1/TB1.mcuNpXXXXctXFXXSutbFXXX.jpg_350x350Q50s50.jpg_.webp",    "styles": {      "height": 342,      "width": 342    }  }, {    "frame": {      "y": 0,      "x": 384,      "height": 342,      "width": 342    },    "id": 4,    "type": "shape",    "styles": {      "height": 342,      "width": 342,      "backgroundColor": "rgba(0, 0, 0, 0.1)"    }  }],  "frame": {    "y": 0,    "x": 0,    "height": 4920,    "width": 750  },  "id": 1,  "type": "group",  "moduleName": "pmod-zebra-recommand-item"}

其中，除了节点类型和节点样式之外，最外层的 moduleName 代表模块名称，id 是为了标记每一个子元素，frame 是每个子元素的坐标位置、辅助算法模型识别模块内部子元素，value 值只有 text 和 image 才有，对应相应的文本值还有图片链接。

获取模块 View 的 DSL

有 3 种方案可以获取到模块 View 的 DSL，分别是：

1. 从代码仓库中获取；

2. 从 sketch 视觉稿中生成；

3. 从浏览器渲染好的页面中获取。

我最后选择了第三种方案，放弃第一个方案是因为代码写法千差万别，很多展现逻辑还包含在 js 代码中，并且还要处理各种 for 循环子 View、style 的映射关系等等，复杂度太高。第二个方案目前集团内已有技术方案 imgcook，这一块的准确率听说还不错，并且一直在持续优化，而最终选择第三个方案的原因是，能 100%准确地还原模块 DSL，并且只需要关注模块最终展现给用户时候的形态，不需要理会过程中开发者做得各种复杂业务逻辑，复杂度相对低很多。

技术方案

在开发流程上，每个模块在开发完成后，都会有对应的模块预览页面。我使用了 puppeteer 模拟真实浏览器，对模块的节点信息进行提取，并保存为规范的 DSL。

清洗 window.getComputedStyle

通过 window.getComputedStyle 获取 DOM 节点的样式，会返回包含 280 个样式属性的对象，如果把每个 DOM 节点的所有 280 个样式属性都存储到 DSL 中，会造成两个问题：

• DSL 文件冗余，且文件大小过大，解析耗时。

• 增加算法同学对 DSL 的理解和调整成本。

第一步，隐藏默认属性值；

大部分的样式属性都是默认值，我们首先把默认的样式属性剔除出去。

css{alignSelf: 'auto',...}

第二步，剔除无效属性；

开发者常用的样式属性在 20 个左右，有很多的样式是不具备实际效用的，把无效用的样式属性剔除掉，比如说：

{zoom: '1',writingMode: 'horizontal-tb',...}

第三步，transform 动态计算

通过 getComputedStyle 拿到的 transform 属性值是一个矩阵方法 matrix()，感兴趣的同学可以去学习理解下 2D 转换矩阵。我们使用 puppeteer 模拟浏览器设置的屏幕宽度是 750，也就是说，得到的 transform 值中 translateX 和 translateY 两个值是以 750 为基准换算得到的一个数字，假如想要在下面描述到的将 DSL 渲染成图时（算法同学期望能模拟各种各样的屏幕尺寸去生成样本），就必须将获取到的 transform 值换算成相应屏幕设备时的值。

# 为了方便算法同学更好使用DSL渲染成图的工具，这里使用python来实现# screenshotShape是一个数组，代表屏幕宽高  [width, height]if 'transform' in style and 'matrix' in style['transform']:    matrix = style['transform'][7:-1].split(',')    translate = list(map(float, matrix[-2:]))    translateResult =  list(map(str, [distance*(screenshotShape[0]/750) for distance in translate]))    matrix[-2:] = translateResult

通过以上 3 个步骤，最终得到的 DOM 节点样式属性个数一般维持在 20 个以内，能使输出的 DSL 精简非常多。

DSL 渲染成图片

同样的，我们能基于 puppeteer 去对页面做操作，也能使用它去把 DSL 渲染成目标模块页面，并截图。

首先，建立 DSL 与 HTML 标签的映射关系

其次，如果是 DSL 类型为 Group，就递归遍历里面的所有子元素，以此类推。完整的渲染流程图如下：

ViewModel 动态数据

一个模块，应用到 99 大促、双十一等各种会场，背后样式都是一致的，只有对应的数据不同，动态的数据一般是商品图片和商品信息。

闲鱼有一亿多的商品数据，如果把这商品数据拿过来与 View 一起渲染成模块，每个模块就有了成千上万种展现形态，且贴合算法模型实际识别过程中的输入，既能满足样本数量的要求，也能符合模型实际识别的场景，使模型准确率获得更大地提升。

效果

通过这样一条生成样本的通道，每个模块都能够提供给算法同学几万张质量很高的样本截图，使模型的准确率达到 98%以上。

展望

上述文章描述了如何批量生成样本来帮助解决算法模型对 99 大促和双十一会场中各个模块的识别。

目前，对模块 DSL 的动态调整依赖算法同学对模块的理解，eg.改变圆角 borderRadius 生成更多正向样本，或者增加噪声，eg.删除商品内容节点等生成负向样本，这些操作都需要算法同学对 DSL 进行定制化配置。在未来，我们希望尝试把这部分的工作也交给模型去处理，让模型对样本生成做决策，调整 DSL 的局部，并生成样式更加丰富和可靠的样本。

本文转载自公众号闲鱼技术（ID：XYtech_Alibaba）。

原文链接：

https://mp.weixin.qq.com/s/CvS4y73Q7hgIAfSzhxEuNg