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，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。

迫切解决的样本问题

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：

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：
1、DSL文件冗余，且文件大小过大，解析耗时；
2、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。

{
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()，感兴趣的同学可以戳这里理解下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。

未来

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。

原文链接
本文为云栖社区原创内容，未经允许不得转载。