本发明涉及一种基于动态分析的前端懒加载优化方法、装置和介质，属于计算机软件。
背景技术：
1、随着互联网技术的快速发展，前端页面日益复杂，加载大量资源成为影响页面性能的关键因素。懒加载技术作为解决此问题的一种有效手段，已在前端开发中广泛应用。然而，传统的懒加载技术通常基于固定的滚动位置或时间触发策略进行资源加载，无法根据用户行为、网络状态及设备性能进行动态调整，并且也判断不了用户真实需求，导致资源浪费或加载不准确，用户体验不佳。因此，研发一种基于动态分析的前端懒加载优化技术具有重要意义。
2、目前，已有一些前端懒加载技术被提出。其中主要包括针对图片、视频、音频等多媒体资源的延迟加载。然而，这种方法无法准确反映用户实际感知的页面加载情况。
技术实现思路
1、本发明目的是提供了一种基于动态分析的前端懒加载优化方法、装置和介质，实现前端资源的智能懒加载，提高加载效率。
2、本发明为实现上述目的，通过以下技术方案实现：
3、通过嵌入在前端页面的动态分析模块收集用户的浏览行为数据和用户与页面的交互行为数据；
4、利用机器学习算法对收集到的数据进行实时分析，判断用户当前的需求和兴趣，对页面资源进行优先级划分，将页面区域划分为高兴趣区域和低兴趣区域；
5、实时监测网络状态，并评估设备性能，并结合划分的页面区域确定资源加载策略，动态调整加载策略；
6、所述动态调整策略如下：
7、对于高兴趣区域，提前加载相关资源；在页面初始化时预加载高兴趣区域的内容或在用户接近该区域时提前触发加载操作；
8、对于低兴趣区域，采用延迟加载或按需加载方式；用户滚动到该区域或触发特定事件加载相关资源。
9、优选的，通过监听页面滚动事件、鼠标移动事件、点击事件收集用户的浏览行为数据和用户与页面的交互行为数据，所述用户与页面的交互行为数据包括停留时间、滚动速度。
10、优选的，预测用户下一步操作具体方式如下：
11、对收集到的数据进行清洗和整理，去除无效数据，提取关键特征；
12、提取出能够反映用户兴趣的特征，包括用户在不同区域的停留时间、滚动速度；
13、利用提取出的特征训练机器学习模型，模型的目标是根据用户的行为数据预测用户的兴趣区域；
14、根据模型预测结果，将页面划分为高兴趣区域和低兴趣区域。
15、优选的，所述机器学习模型为决策树、随机森林或神经网络。
16、优选的，所述网络状态包括网络速度、网络延迟及网络类型；所述设备性能评估包括cpu性能、内存性能及屏幕分辨率。
17、优选的，所述动态调整策略还包括：
18、根据网络状态调整资源加载策略，如果网络状况差，优先加载关键资源，降低非关键资源的加载优先级；
19、所述网络状况差判断标准如下：当前网络速度加载当前页面用时超过5秒或网络延迟高于100毫秒或网络类型为低于5gwi-fi的无线网络。
20、优选的，所述方法每隔一段时间，重新收集用户在页面上的浏览行为数据，调整加载策略。
21、本发明的优点在于：本发明通过实时分析动态因素，实现前端资源的智能懒加载，提高加载效率。也可根据用户行为和兴趣制定个性化的懒加载策略，提升用户体验。并且能够适应不同设备和网络状况，确保在各种环境下都能实现良好的加载效果，提升用户体验和系统稳定性。
1.一种基于动态分析的前端懒加载优化方法，其特征在于，包括：
2.根据权利要求1所述的基于动态分析的前端懒加载优化方法，其特征在于，通过监听页面滚动事件、鼠标移动事件、点击事件收集用户的浏览行为数据和用户与页面的交互行为数据，所述用户与页面的交互行为数据包括停留时间、滚动速度。
3.根据权利要求1所述的基于动态分析的前端懒加载优化方法，其特征在于，预测用户下一步操作具体方式如下：
4.根据权利要求3所述的基于动态分析的前端懒加载优化方法，其特征在于，所述机器学习模型为决策树、随机森林或神经网络。
5.根据权利要求1所述的基于动态分析的前端懒加载优化方法，其特征在于，所述网络状态包括网络速度、网络延迟及网络类型；所述设备性能评估包括cpu性能、内存性能及屏幕分辨率。
6.根据权利要求5所述的基于动态分析的前端懒加载优化方法，其特征在于，所述动态调整策略还包括：
7.根据权利要求1所述的基于动态分析的前端懒加载优化方法，其特征在于，所述方法每隔一段时间，重新收集用户在页面上的浏览行为数据，调整加载策略。
8.一种基于动态分析的前端懒加载优化装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1-7任一所述的基于动态分析的前端懒加载优化方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如上述权利要求1-7任一所述的方法。
