用户界面设计的确定方法和装置制造方法及图纸

本申请公开了用户界面设计的确定方法和装置，涉及人工智能和深度学习技术领域。方案为：通过L次迭代训练得到用户界面模块的设计方案的筛选模型，随机生成用户界面的N个设计方案，将该N个设计方案输入筛选模型，得到M个设计方案，根据该M个设计方案生成多个训练数据对，每个训练数据对包括两个设计方案以及比较结果，使用高斯过程的偏好学习方法对该多个训练数据对进行训练得到设计方案的评价模型，该评价模型为高斯回归模型，将待评价的设计方案输入该评价模型，得到待评价设计方案的评分。在优化得到评价模型之后，使用评价模型对设计方案自动进行评价，能够快速完成对设计方案的评估，评估时间很短。

【技术实现步骤摘要】
用户界面设计的确定方法和装置
本申请实施例涉及人工智能和深度学习
，尤其涉及一种用户界面设计的确定方法和装置。
技术介绍
移动终端(例如手机、平板电脑等)上的应用程序的用户界面通常由一些模块组成，以下称为用户界面模块，用户界面模块的设计影响用户对应用程序的满意度。用户界面模块的设计可以理解为对一些设计变量(例如字体大小、框体高度、框体颜色等)取值的最优化问题。现有技术中，用户界面模块的设计主要依赖设计师的经验和偏好，各个模块的设计变量经过设计师手工调整形成少量候选设计方案，每个候选设计方案需要经过繁复的处理和评估后选出最优的方案。但是，现有方案每个候选设计方案都需要经过繁复的处理和评估，导致用户界面模块的设计周期长，设计成本高。
技术实现思路
本申请提供了一种用户界面设计的确定方法和装置，能够快速完成对设计方案的评估，并快速找到最优的设计方案。根据本申请的一方面，提供了一种用户界面设计的确定方法，包括：通过L次迭代训练得到用户界面模块的设计方案的筛选模型，每一次训练使用的训练数据包括设计方案和设计方案的评分，第一次训练使用的设计方案是随机生成的，第二次至第L次训练使用的设计方案是通过上一次训练得到的筛选模块对本次随机生成的设计方案进行筛选得到的，L大于或等于2；随机生成用户界面的N个设计方案，将所述N个设计方案输入所述筛选模型，得到M个设计方案，M小于N；根据所述M个设计方案生成多个训练数据对，每个训练数据对包括两个设计方案以及比较结果，所述比较结果用于表示两个设计方案中哪个更优；使用高斯过程的偏好学习方法对所述多个训练数据对进行训练得到设计方案的评价模型，所述评价模型为高斯回归模型；将待评价的设计方案输入所述评价模型，得到所述待评价设计方案的评分。根据本申请的另一方面，提供了一种用户界面设计的确定装置，包括：第一训练模块，用于通过L次迭代训练得到用户界面模块的设计方案的筛选模型，每一次训练使用的训练数据包括设计方案和设计方案的评分，第一次训练使用的设计方案是随机生成的，第二次至第L次训练使用的设计方案是通过上一次训练得到的筛选模块对本次随机生成的设计方案进行筛选得到的，L大于或等于2；生成模块，用于随机生成用户界面的N个设计方案，将所述N个设计方案输入所述筛选模型，得到M个设计方案，M小于N；标注模块，用于根据所述M个设计方案生成多个训练数据对，每个训练数据对包括两个设计方案以及比较结果，所述比较结果用于表示两个设计方案中哪个更优；第二训练模块，用于使用高斯过程的偏好学习方法对所述多个训练数据对进行训练得到设计方案的评价模型，所述评价模型为高斯回归模型；评价模块，用于将待评价的设计方案输入所述评价模型，得到所述待评价设计方案的评分。根据本申请的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例第一方面所述的方法。根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例第一方面所述的方法。本申请实施例的方法通过L次迭代训练得到用户界面模块的设计方案的筛选模型，随机生成用户界面的N个设计方案，将该N个设计方案输入筛选模型，得到M个设计方案，根据该M个设计方案生成多个训练数据对，每个训练数据对包括两个设计方案以及比较结果，使用高斯过程的偏好学习方法对该多个训练数据对进行训练得到设计方案的评价模型，该评价模型为高斯回归模型，将待评价的设计方案输入该评价模型，得到待评价设计方案的评分。在优化得到评价模型之后，使用评价模型对设计方案自动进行评价，能够快速完成对设计方案的评估，评估时间很短。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1为本申请实施例提供的用户界面设计的确定方法的整体框架示意图；图2为本申请实施例一提供的用户界面设计的确定方法的流程图；图3为筛选模型的一种优化流程示意图；图4为本申请实施例三提供的评价模型的训练流程的示意图；图5为本申请实施例五提供的一种用户界面设计的确定装置的结构示意图；图6是用来实现本申请实施例的用户界面设计的确定方法的电子设备的框图。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。现有技术中，用户界面模块的设计主要由设计师根据经验和偏好进行人工设计，各个模块的设计变量经过设计师的手工调整形成少量候选设计方案，经过繁复的处理和评估步骤后确定一个当前候选设计方案中的最佳设计方案。现有技术的设计方法主要存在以下技术问题：(1)用户界面设计师各具偏好，因此人工进行用户界面模块设计需要综合多个设计师的候选设计方案，导致设计成本较高。(2)人工进行用户界面模块设计只能在少量候选设计方案中选择相对较好的方案，对于其他方案的可能结果无从知晓，难以覆盖设计变量取值域，可能导致模块设计方案的设计壁垒，难以找到最佳设计方案。(3)用户界面模块设计过程中没有考虑用户满意度，而是在测试评估环节将用户满意度加入考虑范畴，难以找到最佳设计方案。(4)由于每个候选设计方案都需要经过繁复的处理和评估步骤，耗时较长。为了解决现有技术的问题，本申请实施例提供一种用户界面设计的确定方法，通过高斯过程的偏好学习方法训练得到评价模型，该评价模型能够对输入的设计方案进行评分，本申请实施例中的用户界面模块可以是任何电子设备的用户界面模块，例如，可以是手机的用户界面模块，还可以是个人电脑的用户界面模块。图1为本申请实施例提供的用户界面设计的确定方法的整体框架示意图，如图1所示，来自手机的N个用户界面(UserInterface，简称UI)模块依次进行以下两个阶段：阶段一为筛选模型的训练过程，阶段二为评价模型的训练过程，阶段一包括人工标注、模型学习、采集函数(acquisition)三个过程，阶段2包括筛选、比较标注和模型调整三个过程。阶段一通过多次迭代进行筛选模型的优化，每次模型训练或者优化之前需要人工标注，标注即人工对训练使用的用户界面模块的设计方案进行评分。可以邀请用户对各个设计方案的满意度进行打分，例如，可以通过百度众包平台邀请用户对设计方案进行打分。以移动终端的用户界面模块为例进行说明，百度众包平台通常运行在电脑段，因此，先将移动终端的用户界面模本文档来自技高网...

【技术保护点】
1.一种用户界面设计的确定方法，包括：/n通过L次迭代训练得到用户界面模块的设计方案的筛选模型，每一次训练使用的训练数据包括设计方案和设计方案的评分，第一次训练使用的设计方案是随机生成的，第二次至第L次训练使用的设计方案是通过上一次训练得到的筛选模块对本次随机生成的设计方案进行筛选得到的，L大于或等于2；/n随机生成用户界面的N个设计方案，将所述N个设计方案输入所述筛选模型，得到M个设计方案，M小于N；/n根据所述M个设计方案生成多个训练数据对，每个训练数据对包括两个设计方案以及比较结果，所述比较结果用于表示两个设计方案中哪个更优；/n使用高斯过程的偏好学习方法对所述多个训练数据对进行训练得到设计方案的评价模型，所述评价模型为高斯回归模型；/n将待评价的设计方案输入所述评价模型，得到所述待评价设计方案的评分。/n

【技术特征摘要】
1.一种用户界面设计的确定方法，包括：
通过L次迭代训练得到用户界面模块的设计方案的筛选模型，每一次训练使用的训练数据包括设计方案和设计方案的评分，第一次训练使用的设计方案是随机生成的，第二次至第L次训练使用的设计方案是通过上一次训练得到的筛选模块对本次随机生成的设计方案进行筛选得到的，L大于或等于2；
随机生成用户界面的N个设计方案，将所述N个设计方案输入所述筛选模型，得到M个设计方案，M小于N；
根据所述M个设计方案生成多个训练数据对，每个训练数据对包括两个设计方案以及比较结果，所述比较结果用于表示两个设计方案中哪个更优；
使用高斯过程的偏好学习方法对所述多个训练数据对进行训练得到设计方案的评价模型，所述评价模型为高斯回归模型；
将待评价的设计方案输入所述评价模型，得到所述待评价设计方案的评分。


2.根据权利要求1所述的方法，其中，所述通过L次迭代训练得到用户界面模块的设计方案的筛选模型，包括：
采用贝叶斯优化对所述筛选模型进行优化，所述贝叶斯优化的概率模型采用高斯回归模型。


3.根据权利要求2所述的方法，其特征在于，所述采用贝叶斯优化对所述筛选模型进行优化，包括：
在第一次模型训练时初始化一个筛选模型f(·)；
假设第l次训练数据中包括t个设计方案，2≤l≤L；
根据所述t个设计方案中的第i个设计方案的概率分布，计算第i个设计方案的均值和方差；
在已知Dl-1的情况下，对于Dl中的第i个设计方案xi，f(xi)的概率分布为：



其中，Dl＝{(Xl,Yl)}，表示第l次训练数据中的第i个设计方案，表示第l次训练数据中的第i个设计方案的评分，1≤i≤t；
则第i个设计方案xi的均值μi(xi)和方差为：






其中，K表示格拉姆矩阵，k为核函数向量，I表示单位矩阵，为噪声的方差，y表示第i个设计方案的评分预测值，k(·)是高斯核函数RBF；
应用梯度下降法对超参数进行学习，得到第l次优化后的筛选模型f(·)；
随机生成T个设计方案，将所述T个设计方案划分为b组，针对每个组，将每个设计方案、设计方案的均值和方差输入期望提升参数，得到每个组中期望提升函数值最大的设计方案；
其中，期望提升函数为：



其中，Φ(Z)表示标准正态分布的概率密度函数，φ(Z)表示标准正态分布的累积分布函数，f(x*)是每个组中已计算设计方案中使得EI的值最大的设计方案的预测评分。
将b个组对应的b个期望提升函数值最大的设计方案作为第l+1次的训练数据的设计方案；
对所述第l+1次的设计方案进行标注。


4.根据权利要求1所述的方法，其中，所述使用高斯过程的偏好学习方法对所述多个训练数据对进行训练得到设计方案的评价模型，包括：
所述多个训练数据对表示为：
其中，表示的评分比好，
假设所述评价模型为g(·)，根据R中的设计方案计算格拉姆矩阵K，根据格拉姆矩阵K计算g(·)的先验概率P(g)，其中，
P(g)＝N(g|0,K)；
根据以下公式计算R中偏好关系的似然函数



其中，Φ(·)为累计正态分布函数，δ为噪声的标准差，所述噪声的均值为0，方差为δ2；
根据所述似然函数得到给定g(·)时R的联合概率P(R|g)：



根据g(·)的先验概率P(g)和R的联合概率P(R|g)，得到g(·)的后验概率估计为：



利用牛顿法解得最大似然估计点g*，在最大似然估计点g*上z(g)取得最大值，对z(g)进行泰勒展开得到：



其中，∧*是海森矩阵，(·)T表示矩阵的转置运算，则得到g(·)的后验概率为：



根据g(·)的先验概率P(g)、R的联合概率P(R|g)和g(·)的后验概率P(g|R)得到R的边缘似然P(R)：



对边缘似然P(R)进行模型优化得到边缘似然P(R)的最大值；
应用梯度下降法对超参数进行学习，得到g(·)。


5.根据权利要求1-4任一项所述的方法，其中，所述随机生成T个设计方案，包括：
对各设计方案包括的设计变量的取值空间进行采样，得到所述T个设计方案。


6.根据权利要求1-4任一项所述的方法，其中，所述对所述第l+1次的设计方案进行标注，包括：
通过众包平台将所述第l+1次的设计方案和评分规则显示给用户：
针对每个设计方案，接收D个用户的评分，计算所述D个用户的评分的均值，所述D个用户的评分的均值为所述设计方案的评分。


7.一种用户界面设计的确定装置，包括：
第一训练模块，用于通过L次迭代训练得到用户界面模块的设计方案的筛选模型，每一次训练使用的训练数据包括设计方案和设计方案的评分，第一次训练使用的设...

【专利技术属性】
技术研发人员：唐振威，周景博，赵敏，葛翔，庄福振，邹黎明，杨承磊，熊辉，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11