CN112748826A - 一种焦点控制方法和装置 - Google Patents

Abstract

本发明公开了一种焦点控制方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集；利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数；根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。该方法通过机器学习的方式灵活修改应用界面的默认焦点，简化用户操作步骤，提升用户体验。

Description

一种焦点控制方法和装置

技术领域

本发明涉及计算机领域，尤其涉及一种焦点控制方法和装置。

背景技术

现有的电视应用通常使用遥控器的上下左右键来控制应用界面上的焦点移动，进而实现对电视应用所显示内容的控制。在应用开发时，会为每个界面预先设置焦点默认所在的控件，以及固定的焦点移动顺序。比如，某界面上有3个控件，分别为控件1、控件2和控件3，焦点默认位于控件1，焦点移动顺序为控件1→控件2→控件3，用户打开电视应用的该界面后，焦点会出现在控件1，如果用户想要切换到控件3，仅能按照控件1→控件2→控件3的顺序移动焦点来实现。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

焦点默认所在的控件，以及焦点移动顺序是在应用开发时预先设定的，应用发布后不能更改，灵活性差，用户体验差。

发明内容

有鉴于此，本发明实施例提供一种焦点控制方法和装置，通过机器学习的方式灵活修改应用界面的默认焦点，简化用户操作步骤，提升用户体验。

为实现上述目的，根据本发明实施例的一个方面，提供了一种焦点控制方法。

本发明实施例的一种焦点控制方法，包括：多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集；利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数；根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。

可选地，所述方法还包括：对所述界面的多个控件分别添加标识；采集界面中焦点从初始控件切换到目标控件的移动顺序，包括：采集界面中焦点从初始控件切换到目标控件过程中，先后经过的控件的标识；按照控件经过的先后顺序组合采集到的所述标识，得到焦点的移动顺序。

可选地，利用所述样本数据集训练机器学习模型，包括：将所述样本数据集划分为训练集和验证集；使用所述训练集训练机器学习模型，得到多个候选模型；其中，所述机器学习模型用于计算所述界面中多个控件作为所述目标控件的次数；使用所述多个候选模型分别对验证集进行预测，得到所述候选模型的准确率；根据所述准确率，从所述多个候选模型中选择出最终的机器学习模型。

可选地，根据所述准确率，从所述多个候选模型中选择出最终的机器学习模型，包括：根据所述准确率，从所述多个候选模型中选择目标模型；重复执行训练和验证过程，直至所述目标模型的输出值达到设定的期望值时，将所述目标模型作为最终的机器学习模型。

可选地，所述机器学习模型还用于根据所述次数确定所述界面的默认焦点所在控件，所述方法还包括：将所述界面中焦点从当前初始控件切换到当前目标控件的移动顺序作为输入，调用所述机器学习模型，得到下一次打开所述界面时默认焦点所在控件。

可选地，所述根据所述次数确定所述界面的默认焦点所在控件，包括：选取作为所述目标控件的次数最多的控件为所述界面的默认焦点所在控件。

可选地，所述机器学习模型为Inception模型。

为实现上述目的，根据本发明实施例的另一方面，提供了一种焦点控制装置。

本发明实施例的一种焦点控制装置，包括：数据采集模块，用于多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集；模型训练模块，用于利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数；焦点更新模块，用于根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。

可选地，所述装置还包括：标识添加模块，用于对所述界面的多个控件分别添加标识；所述数据采集模块，还用于：采集界面中焦点从初始控件切换到目标控件过程中，先后经过的控件的标识；以及按照控件经过的先后顺序组合采集到的所述标识，得到焦点的移动顺序。

可选地，所述模型训练模块，还用于：将所述样本数据集划分为训练集和验证集；使用所述训练集训练机器学习模型，得到多个候选模型；其中，所述机器学习模型用于计算所述界面中多个控件作为所述目标控件的次数；使用所述多个候选模型分别对验证集进行预测，得到所述候选模型的准确率；以及根据所述准确率，从所述多个候选模型中选择出最终的机器学习模型。

可选地，所述模型训练模块，还用于：根据所述准确率，从所述多个候选模型中选择目标模型；重复执行训练和验证过程，直至所述目标模型的输出值达到设定的期望值时，将所述目标模型作为最终的机器学习模型。

可选地，所述机器学习模型还用于根据所述次数确定所述界面的默认焦点所在控件，所述装置还包括：模型调用模块，用于将所述界面中焦点从当前初始控件切换到当前目标控件的移动顺序作为输入，调用所述机器学习模型，得到下一次打开所述界面时默认焦点所在控件。

可选地，所述焦点更新模块，还用于：选取作为所述目标控件的次数最多的控件为所述界面的默认焦点所在控件。

为实现上述目的，根据本发明实施例的再一方面，提供了一种电子设备。

本发明实施例的一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种焦点控制方法。

为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质。

本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种焦点控制方法。

上述发明中的一个实施例具有如下优点或有益效果：通过机器学习的方式灵活修改应用界面的默认焦点，简化用户操作步骤，提升用户体验；通过为界面的每个控件添加标识，便于记录焦点的移动顺序；基于用户习惯和喜好构建机器学习模型，进而使用该模型确定用户经常使用的控件，将默认焦点设置在这类控件上，用户下次打开该界面时，可直接将焦点定位在此控件，进一步简化用户操作步骤，提升用户体验。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的焦点控制方法的主要步骤的示意图；

图2是根据本发明实施例的焦点控制方法的主要流程示意图；

图3是本发明实施例的电视应用的首页界面示意图；

图4是本发明实施例的电视应用的商品详情页界面示意图；

图5是本发明实施例的焦点控制方法中确定默认焦点的主要流程示意图；

图6是根据本发明实施例的焦点控制装置的主要模块的示意图；

图7是本发明实施例可以应用于其中的示例性系统架构图；

图8是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。

具体实施方式

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

图1是根据本发明实施例的焦点控制方法的主要步骤的示意图。如图1所示，本发明实施例的焦点控制方法，主要包括如下步骤：

步骤S101：多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集。预先对应用多个界面包含的多个控件分别添加标识。采集当前界面中焦点从初始控件切换到目标控件过程中，先后经过的控件的标识；之后按照控件经过的先后顺序组合采集到的标识，即可得到当前次焦点在当前界面的移动顺序。按照上述方式多次采集应用多个界面的焦点的移动顺序，构建样本数据集。

步骤S102：利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数。其中，机器学习模型可用于计算界面中多个控件作为目标控件的次数。模型训练的实现过程为：首先将样本数据集划分为训练集和验证集；之后使用训练集训练机器学习模型，得到多个候选模型；然后使用多个候选模型分别对验证集进行预测，得到候选模型的准确率；最后根据准确率，从多个候选模型中选择出最终的机器学习模型。使用最终的机器学习模型即可确定各个界面中多个控件分别作为目标控件的次数。

步骤S103：根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。确定出各个界面中多个控件分别作为目标控件的次数后，根据其作为目标控件的次数分别确定多个界面的默认焦点所在控件。比如，可以选取作为目标控件的次数最多的控件为当前界面的默认焦点所在控件，还可以将次数超过阈值的任意一个控件作为当前界面的默认焦点所在控件。将各个界面的默认焦点所在控件由初始控件更新为目标控件的次数最多的控件。至此实现了应用各个界面的默认焦点的灵活修改。

图2是根据本发明实施例的焦点控制方法的主要流程示意图。如图2所示，本发明实施例的焦点控制方法，主要包括如下步骤：

步骤S201：应用对界面中的多个控件分别添加标识。应用即运行在终端设备上的、能够进行焦点切换的应用程序(Application)，一般包含多个界面。控件是指界面中的输入框、按钮等界面元素。实施例中，终端设备为电视设备，对电视应用的界面内的每个可聚焦控件进行编号。其中，可聚焦控件是指控件可以被用户操作，比如输入框输入文字、按钮被点击等。

图3是本发明实施例的电视应用的首页界面示意图。如图3所示，首页共有11个可聚焦控件，包括搜索输入框、商品分类按钮、个人中心按钮、购物车按钮等，分别添加编号1至11。图4是本发明实施例的电视应用的商品详情页界面示意图。如图4所示，商品详情页共有9个可聚焦控件，包括立即购买按钮、加入购物车按钮等，分别添加编号1至9。

步骤S202：在界面被启动时，应用多次采集界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集并上传到服务器。在用户启动当前界面时，应用多次采集焦点从初始控件切换到目标控件的移动顺序。初始控件即启动界面后，焦点默认所在的控件，一般是界面左上角第一个可聚焦控件。焦点即电视界面中光标被激活的位置。若某个位置的光标被激活，则意味着位于该位置的控件被选中，该控件可以被操作。

仍旧以图3的首页为例，用户每次启动应用进入首页界面时，焦点默认在控件1处，如果用户想进入领券中心(即目标控件为控件5)，则焦点的移动顺序为控件1→控件2→控件3→控件4→控件5，之后点击进入“领券中心”。

再比如，以图4的商品详情页为例，用户每次进入该商品详情页时，焦点默认在控件1处，如果用户想查看商品的“更多规格”(即目标控件为控件3)，则焦点的移动顺序为控件1→控件2→控件3，之后点击进入“更多规格”。

在一段时间内采集应用的每个界面中，焦点从初始控件切换到目标控件的移动顺序，将采集到的每个界面的移动顺序上传到服务器。比如，将首页对应的控件1→控件2→控件3→控件4→控件5，以及商品详情页对应的控件1→控件2→控件3上传至服务器。

步骤S203：服务器利用样本数据集进行机器学习，以确定界面的默认焦点，将界面的默认焦点下发至应用。服务器存储全部的样本数据集，利用样本数据集进行机器学习，判断用户的使用习惯和喜好，找到每个界面中用户经常使用的控件。比如，用户每次进入首页都会选择控件4进入购物车，则可以将首页的默认焦点设置为控件4。用户每次进入商品详情页都会选择控件3查看更多规格，则可以将商品详情页的默认焦点设置为控件3，这样用户就不需要每次再切换焦点。

本步骤通过将采集到的移动顺序作为样本数据集，采用基于TensorFlow的机器学习算法进行训练和验证，进而确定用户每次进入界面时各控件作为目标控件的次数，将次数最大的目标控件作为每个界面的默认焦点，将每个界面的默认焦点下发至应用。其中，TensorFlow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现。该步骤中机器学习的具体实现请参见关于图5的描述。

步骤S204：应用更新界面的默认焦点。应用接收到每个界面的默认焦点后，按照该默认焦点进行修改与原始默认焦点。在本实施例中，可以将首页的默认焦点修改为控件4，商品详情页的默认焦点修改为控件3。

在一优选的实施例中，在用户使用应用过程中，重复执行步骤S202至步骤S204，则可以根据用户习惯和喜好，随时修改每个界面的默认焦点。

在另一优选的实施例中，步骤S203还可以在应用内实现，此时无需再上传样本数据集，也无需下发界面的默认焦点。

图5是本发明实施例的焦点控制方法中确定默认焦点的主要流程示意图。如图5所示，本发明实时例的焦点控制方法中确定默认焦点的主要流程(即步骤S203)，包括以下步骤：

步骤S501：将样本数据集划分为训练集和验证集。按照设定比例，将样本数据集划分为训练集和验证集。比如，一半为训练集，另一半为验证集；再比如70％为训练集，30％为验证集。

步骤S502：使用训练集进行模型训练，得到多个候选模型。实施例中，可以选择基于TensorFlow的slim框架下的Inception模型，比如Inception_v4模型，以使神经网络的构建、训练和评估更简单。相应地，将训练集输入Inception_v4模型中，计算每次用户进入这个界面时，各控件作为目标控件的次数，将次数最大的目标控件作为该界面的中间默认焦点。

步骤S503：使用多个候选模型分别对验证集进行预测，得到候选模型的准确率。将验证集输入训练好的Inception_v4模型中，以对模型的输出结果(即中间默认焦点)进行验证，得到模型输出结果的准确率。

步骤S504：根据准确率从多个候选模型中选择出目标模型，执行步骤S502，直至目标模型的输出值达到设定的期望值时停止训练。具体实现时，通过tf.session.run()函数启动训练和验证，通过大量重复的训练和验证，在目标模型的输出值达到设定的期望值时，比如准确率为90％，停止训练，得到最终的目标模型，即最终的机器学习模型。

步骤S505：将当前界面中焦点从当前初始控件切换到当前目标控件的移动顺序输入最终的目标模型，得到当前界面最终的默认焦点。服务器将用户在当前界面中的焦点移动顺序作为输入，调用训练好的目标模型，即可得到当前界面最终的默认焦点。将该默认焦点下发至应用进行修改，用户下次打开当前界面时，默认焦点即在目标模型确定出的控件上。

通过本发明实施例的焦点控制方法可以看出，通过机器学习的方式灵活修改应用界面的默认焦点，简化用户操作步骤，提升用户体验；通过为界面的每个控件添加标识，便于记录焦点的移动顺序；基于用户习惯和喜好构建机器学习模型，进而使用该模型确定用户经常使用的控件，将默认焦点设置在这类控件上，用户下次打开该界面时，可直接将焦点定位在此控件，进一步简化用户操作步骤，提升用户体验。

图6是根据本发明实施例的焦点控制装置的主要模块的示意图。如图6所示，本发明实施例的焦点控制装置600，主要包括：

数据采集模块601，用于多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集。预先对应用多个界面包含的多个控件分别添加标识。采集当前界面中焦点从初始控件切换到目标控件过程中，先后经过的控件的标识；之后按照控件经过的先后顺序组合采集到的标识，即可得到当前次焦点在当前界面的移动顺序。按照上述方式多次采集应用多个界面的焦点的移动顺序，构建样本数据集。

模型训练模块602，用于利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数。其中，机器学习模型可用于计算界面中多个控件作为目标控件的次数。模型训练的实现过程为：首先将样本数据集划分为训练集和验证集；之后使用训练集训练机器学习模型，得到多个候选模型；然后使用多个候选模型分别对验证集进行预测，得到候选模型的准确率；最后根据准确率，从多个候选模型中选择出最终的机器学习模型。使用最终的机器学习模型即可确定各个界面中多个控件分别作为目标控件的次数。

焦点更新模块603，用于根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。确定出各个界面中多个控件分别作为目标控件的次数后，根据其作为目标控件的次数分别确定多个界面的默认焦点所在控件。比如，可以选取作为目标控件的次数最多的控件为当前界面的默认焦点所在控件，还可以将次数超过阈值的任意一个控件作为当前界面的默认焦点所在控件。将各个界面的默认焦点所在控件由初始控件更新为目标控件的次数最多的控件。至此实现了应用各个界面的默认焦点的灵活修改。

另外，本发明实施例的焦点控制装置600还可以包括：标识添加模块和模型调用模块(图6中未示出)。其中，标识添加模块，用于对所述界面的多个控件分别添加标识。模型调用模块，用于将所述界面中焦点从当前初始控件切换到当前目标控件的移动顺序作为输入，调用所述机器学习模型，得到下一次打开所述界面时默认焦点所在控件。

从以上描述可以看出，通过机器学习的方式灵活修改应用界面的默认焦点，简化用户操作步骤，提升用户体验；通过为界面的每个控件添加标识，便于记录焦点的移动顺序；基于用户习惯和喜好构建机器学习模型，进而使用该模型确定用户经常使用的控件，将默认焦点设置在这类控件上，用户下次打开该界面时，可直接将焦点定位在此控件，进一步简化用户操作步骤，提升用户体验。

图7示出了可以应用本发明实施例的焦点控制方法或焦点控制装置的示例性系统架构700。

如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器705可以是提供各种服务的服务器，例如用户利用终端设备701、702、703发送的样本数据集进行处理的后台管理服务器。后台管理服务器可以使用样本数据集训练机器学习模型，并将处理结果(例如默认焦点所在控件)反馈给终端设备。

需要说明的是，本申请实施例所提供的焦点控制方法一般由终端设备701、702、703，相应地，焦点控制装置一般设置于终端设备701、702、703中。

应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读介质。

本发明的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种焦点控制方法。

本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种焦点控制方法。

下面参考图8，其示出了适用于来实现本发明实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有计算机系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本发明公开的实施例，上文主要步骤图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据采集模块、模型训练模块和焦点更新模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，数据采集模块还可以被描述为“多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集；利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数；根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。

从以上描述可以看出，通过机器学习的方式灵活修改应用界面的默认焦点，简化用户操作步骤，提升用户体验；通过为界面的每个控件添加标识，便于记录焦点的移动顺序。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种焦点控制方法，其特征在于，包括：

多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集；

利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数；

根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述界面的多个控件分别添加标识；

采集界面中焦点从初始控件切换到目标控件的移动顺序，包括：

采集界面中焦点从初始控件切换到目标控件过程中，先后经过的控件的标识；

按照控件经过的先后顺序组合采集到的所述标识，得到焦点的移动顺序。

3.根据权利要求1所述的方法，其特征在于，利用所述样本数据集训练机器学习模型，包括：

将所述样本数据集划分为训练集和验证集；

使用所述训练集训练机器学习模型，得到多个候选模型；其中，所述机器学习模型用于计算所述界面中多个控件作为所述目标控件的次数；

使用所述多个候选模型分别对验证集进行预测，得到所述候选模型的准确率；

根据所述准确率，从所述多个候选模型中选择出最终的机器学习模型。

4.根据权利要求3所述的方法，其特征在于，根据所述准确率，从所述多个候选模型中选择出最终的机器学习模型，包括：

根据所述准确率，从所述多个候选模型中选择目标模型；

重复执行训练和验证过程，直至所述目标模型的输出值达到设定的期望值时，将所述目标模型作为最终的机器学习模型。

5.根据权利要求3所述的方法，其特征在于，所述机器学习模型还用于根据所述次数确定所述界面的默认焦点所在控件，所述方法还包括：

将所述界面中焦点从当前初始控件切换到当前目标控件的移动顺序作为输入，调用所述机器学习模型，得到下一次打开所述界面时默认焦点所在控件。

6.根据权利要求1至5的任一项所述的方法，其特征在于，所述根据所述次数确定所述界面的默认焦点所在控件，包括：

选取作为所述目标控件的次数最多的控件为所述界面的默认焦点所在控件。

7.根据权利要求1至5的任一项所述的方法，其特征在于，所述机器学习模型为Inception模型。

8.一种焦点控制装置，其特征在于，包括：

数据采集模块，用于多次采集应用界面中焦点从初始控件切换到目标控件的移动顺序，得到样本数据集；

模型训练模块，用于利用所述样本数据集训练机器学习模型，以通过所述机器学习模型确定所述界面中多个控件作为所述目标控件的次数；

焦点更新模块，用于根据所述次数确定所述界面的默认焦点所在控件，更新所述界面的默认焦点。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images