CN114443034A - 优化界面布局的方法、装置、设备及介质 - Google Patents
优化界面布局的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114443034A CN114443034A CN202210111915.4A CN202210111915A CN114443034A CN 114443034 A CN114443034 A CN 114443034A CN 202210111915 A CN202210111915 A CN 202210111915A CN 114443034 A CN114443034 A CN 114443034A
- Authority
- CN
- China
- Prior art keywords
- interface
- data
- controls
- target
- interface layout
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供了一种优化界面布局的方法,可以应用于人工智能技术领域。该优化界面布局的方法,包括:获取目标待优化界面中的界面布局数据,其中,界面布局数据包括多个目标控件的重要程度数据和每两个目标控件之间的关联程度数据;将界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,优化结果包括目标控件优化后的位置信息;以及根据优化结果对界面中的多个目标控件进行布局。本公开还提供了一种优化界面布局的装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及人工智能领域,具体涉及优化界面布局的方法、装置、设备、介质和程序产品。
背景技术
随着人工智能的不断发展,在各行各业中智能化的系统已经被广泛应用。目前应用到的一些设备诸如飞机驾驶舱仪表板、发电厂主控室控制台、银行网点智能柜台、ATM存取款机、手机银行等,都与生活息息相关。然而,目前很多涉及人工智能的设备,在界面的布局中存在布局设计不合理、用户体验感差的问题。目前解决这些问题需要请设计师进行人工优化界面的布局,存在诸如人工优化效率低、投资成本高等问题。
发明内容
鉴于上述问题,本公开提供了优化界面布局的方法、装置、设备、介质和程序产品。
本公开的第一方面提供了一种优化界面布局的方法,包括:
获取目标待优化界面中的界面布局数据,其中,界面布局数据包括多个目标控件的重要程度数据和每两个目标控件之间的关联程度数据;
将界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,优化结果包括目标控件优化后的位置信息;以及
根据优化结果对界面中的多个目标控件进行布局。
根据本公开的实施例,获取目标待优化界面中的界面布局数据包括:
获取针对目标待优化界面中的目标控件的操作行为数据;
对操作行为数据进行预处理,得到界面布局数据。
根据本公开的实施例,操作行为数据包括以下至少之一:用户眼部位置数据、用户眼部距离界面的三维距离数据、用户眼部观察区域数据。
根据本公开的实施例,对操作行为数据进行预处理,得到界面布局数据包括:
对操作行为数据进行统计,得到用户对每个目标控件的操作特征数据和每两个目标控件之间的特征数据;
基于用户对每个目标控件的操作特征数据,得到每个目标控件的重要程度数据;
基于每两个目标控件之间的特征数据,得到每两个目标控件之间的关联程度数据。
根据本公开的实施例,预先训练好的神经网络模型的训练方法包括:
获取训练界面布局样本数据集,其中,训练界面布局样本数据集中的每条训练界面布局样本包括界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签;
将每条训练界面布局样本输入至待训练的神经网络模型,输出训练优化结果,其中,训练优化结果包括训练界面控件训练后的位置信息;以及
基于训练优化结果和界面控件的位置信息标签,调整待训练的神经网络模型的模型参数。
根据本公开的实施例,基于训练优化结果和界面控件的位置信息标签,调整待训练的神经网络模型的模型参数包括:
将训练优化结果和界面控件的位置信息标签,输入损失函数,输出损失结果;
根据损失结果调整待训练的深度神经网络模型的模型参数,直至损失函数的损失结果或迭代次数满足预设条件;
将损失函数的损失结果或迭代次数满足预设条件时得到的模型作为预先训练好的神经网络模型。
根据本公开的实施例,预先训练好的神经网络模型的训练方法还包括:
获取界面布局测试数据集,其中,界面布局测试数据集中的每条界面布局测试数据包括界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签;
利用界面布局测试数据集对预先训练好的神经网络模型进行评估。
本公开的第二方面提供了一种优化界面布局的装置,包括:
获取模块,用于获取目标待优化界面中的界面布局数据,其中,界面布局数据包括多个目标控件的重要程度数据和每两个目标控件之间的关联程度数据;
应用模块,用于将界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,优化结果包括目标控件的位置信息;以及
显示模块,用于根据优化结果对界面中的多个目标控件进行布局。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述优化界面布局的方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述优化界面布局的方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述优化界面布局的方法。
根据本公开的实施例,通过获取待优化界面中的目标控件的重要程度数据和每两个目标控件之间的关联程度数据作为神经网络模型的输入;然后根据输出的目标控件的位置信息布局页面的目标控件。实现了基于神经网路的界面布局的自动优化,可以对在界面的布局中存在布局设计不合理、用户体验感差的界面布局进行优化,提高了对界面布局进行优化的效率,降低了界面设计人员的工作量,同时还节约了人力成本。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的优化界面布局的方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的优化界面布局的方法流程图;
图3示意性示出了根据本公开实施例的获取目标待优化界面中的界面布局数据的方法流程图;
图4示意性示出了根据本公开实施例的对操作行为数据进行预处理,得到界面布局数据的方法流程图;
图5示意性示出了根据本公开实施例的界面布局示意图;
图6示意性示出了根据本公开实施例的预先训练好的神经网络模型的训练方法流程图;
图7示意性示出了根据本公开实施例的基于训练优化结果和界面控件的位置信息标签,调整待训练的神经网络模型的模型参数的方法流程图;
图8示意性示出了根据本公开另一实施例的预先训练好的神经网络模型的训练方法的流程图;
图9示意性示出了根据本公开实施例的优化界面布局的装置的结构框图;
图10示意性示出了根据本公开实施例的预先训练好的神经网络模型的训练装置的结构框图;以及
图11示意性示出了根据本公开实施例的优化界面布局的方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开实施例的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
本公开的实施例通过基于目前很多涉及人工智能的设备,在界面的布局中存在布局设计不合理、用户体验感差的问题。提供了一种优化界面布局的方法,可以通过基于神经网络训练得到的用于优化界面布局的模型自动优化界面布局,减轻了界面设计师工作压力,提升了界面布局优化效率。而且,由于深度神经网络的海量参数使其可以具备强大的数据拟合能力以及一定的随机性,训练得到的用于优化界面布局的模型还有可能优于设计师的界面布局优化方案。
本公开的实施例提供了一种优化界面布局的方法,包括:
获取目标待优化界面中的界面布局数据,其中,界面布局数据包括多个目标控件的重要程度数据和每两个目标控件之间的关联程度数据;
将界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,优化结果包括目标控件的位置信息;以及
根据优化结果对界面中的多个目标控件进行布局。
图1示意性示出了根据本公开实施例的优化界面布局的方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、金融产品类应用、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(仅为示例)。
终端设备101、102、103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、台式计算机、飞机驾驶舱仪表板、发电厂主控室控制台、银行网点智能柜台和ATM存取款机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的用于优化界面布局的模型训练方法和优化界面布局的方法一般可以由服务器105执行。相应地,本公开实施例所提供的用于优化界面布局的模型训练装置和优化界面布局的装置一般可以设置于服务器105中。本公开实施例所提供的优化界面布局的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的优化界面布局的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1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。
以下将基于图1描述的场景,通过图2~图8对公开实施例的优化界面布局的方法进行详细描述。
图2示意性示出了根据本公开实施例的优化界面布局的方法流程图。
如图2所示,该实施例的优化界面布局的方法200包括操作S201~操作S203。
在操作S201,获取目标待优化界面中的界面布局数据,其中,界面布局数据包括多个目标控件的重要程度数据和每两个目标控件之间的关联程度数据。
根据本公开的实施例,获取目标待优化界面中的界面布局数据可以是系统中获取数据单元进行获取。例如,在飞机驾驶舱仪表板的操作界面中,界面系统中的获取数据单元可以获取每个控件的重要程度数据和每两个控件的重要程度数据。
在操作S202,将界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,优化结果包括目标控件优化后的位置信息。
根据本公开的实施例,可以将飞机驾驶舱仪表板操作界面中控件的重要程度数据和每两个控件的重要程度数据输入至预先训练好的神经网络模型,输出飞机驾驶舱仪表板操作界面中控件优化后的位置信息结果。预先训练好的神经网络模型可以是基于获取的训练界面布局样本数据集中的界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签进行训练待训练模型得到的。
在操作S203,根据优化结果对界面中的多个目标控件进行布局。
根据本公开的实施例,可以根据优化后的位置信息结果,界面显示系统可以把各个控件布局到界面中,显示出优化后的界面。例如,根据优化后的飞机驾驶舱仪表板操作界面中控件的位置信息结果,显示出优化后的飞机驾驶舱仪表板操作界面。
根据本公开的实施例,通过获取待优化界面中的目标控件的重要程度数据和每两个目标控件之间的关联程度数据作为神经网络模型的输入;然后根据输出的目标控件的位置信息布局页面的目标控件。实现了基于神经网路的界面布局的自动优化,可以对在界面的布局中存在布局设计不合理、用户体验感差的界面布局进行优化,提高了对界面布局进行优化的效率,降低了界面设计人员的工作量,同时还节约了人力成本。
图3示意性示出了根据本公开实施例的获取目标待优化界面中的界面布局数据的方法流程图。
如图3所示,该实施例的获取目标待优化界面中的界面布局数据的方法300包括操作S301~操作S302。
在操作S301,获取针对目标待优化界面中的目标控件的操作行为数据。
根据本公开实施例,在上述操作S301,目标待优化界面中的目标控件的操作行为数据可以是用户在未优化界面中完成人机交互功能操作时产生的操作行为数据。
根据本公开实施例,操作行为数据可以包括以下至少之一:用户眼部位置数据、用户眼部距离界面的三维距离数据、用户眼部观察区域数据。用户眼部位置数据可以通过摄像头结合眼部识别算法,定位用户眼部位置获得;用户眼部距离控件的三维距离数据可以通过ToF、结构光等深度传感器,获取用户眼部相对于操作界面坐标零点的准确三维距离信息获得;用户眼部观察区域数据可以通过图像识别用户瞳孔角度,计算用户当前观察的屏幕区域获得。
例如,可以是用户在操作手机时,可以通过手机前置摄像头结合眼部识别算法,定位使用者眼部位置,获取用户眼部位置数据;通过手机中ToF、结构光等深度传感器,获取用户眼部相对于手机屏幕坐标零点的准确三维距离信息,获取用户眼部距离控件的三维距离数据;通过手机中图像识别用户瞳孔角度,计算用户当前目光注视的屏幕区域,获取用户眼部观察区域数据。
在操作S302,对操作行为数据进行预处理,得到界面布局数据。
根据本公开实施例,在上述操作S302,可以是对用户在目标待优化界面中的控件进行操作时产生的用户眼部位置数据、用户眼部距离界面的三维距离数据以及用户眼部观察区域数据进行预处理,以及操作界面控件时产生的与界面控件相关的数据进行预处理,得到界面布局数据。
例如,可以是用户在操作手机时,对手机界面中的各个控件操作时产生的操作行为数据,进行预处理后得到手机界面布局数据。
根据本公开实施例,通过获取目标待优化界面中对目标控件的操作相关数据,可以模拟真实操作情景,有利于实现自动优化界面布局。
图4示意性示出了根据本公开实施例的对操作行为数据进行预处理,得到界面布局数据的方法流程图。如图4所示,该实施例的对操作行为数据进行预处理,得到界面布局数据的方法400包括操作S401~操作S403。
在操作S401,对操作行为数据进行统计,得到用户对每个目标控件的操作特征数据和每两个目标控件之间的特征数据。
根据本公开实施例,在上述操作S401,可以是通过对操作行为数据中对目标控件的观察时间以及对目标控件的观察次数进行统计,得到用户对每个目标控件的操作特征数据。可以通过对操作行为数据中对操作的界面的目标控件的类别、以及在同一次操作中两目标控件间的相隔距离进行统计,得到每两个目标控件之间的特征数据。
例如,根据操作行为数据统计出用户对界面中每个目标控件的观察次数和平均观察时间。统计两个目标控件是否属于同一群组,若属于可以取值为1,否则可以为0,以及两个目标控件在同一操作流程中相隔的步数。需要说明的是这些统计工作可以根据系统的功能设计获得。
在操作S402,基于用户对每个目标控件的操作特征数据,得到每个目标控件的重要程度数据。
根据本公开实施例,在上述操作S402,可以通过结合界面控件的观察时间、对界面控件的观察次数以及它们各自对应的权重,计算得到每个界面控件的重要程度数据。
例如,界面中共有m个目标控件,可以表示为c1,c2,c3,...,cm,单个目标控件的重要程度为Dii,计算方式为式(1):
Dii=w1ni+w2ti (1)
其中,ni表示用户对界面中每个目标控件的观察次数;ti表示用户对界面中每个目标控件的观察时间;ni和ti计算时均需进行归一化;i表示目标控件;权重w由专业设计师确定,w1为与ni对应的权重,w2为与ti对应的权重。
在操作S403,基于每两个目标控件之间的特征数据,得到每两个目标控件之间的关联程度数据。
根据本公开实施例,在上述操作S403,可以通过结合每两个目标控件之间的类别、在同一次操作中两目标控件间的相隔距离以及它们各自对应的权重,计算得到每两个目标控件之间的关联程度数据。
例如,每两个目标控件之间的关联程度可以表示为Dij,计算方式为式(2):
Dij=Dji=w3kij+w4/sij(i≠j) (2)
其中,kij表示两个目标控件是否属于同一群组,若属于可以取值为1,否则可以为0;sij表示两个目标控件在同一操作流程中相隔的步数;kij和sij计算时均需进行归一化;i、j表示不同的目标控件。
根据本公开实施例,通过计算每个控件的重要程度和两个控件之间的关联程度,便于提取控件的位置信息,有利于在输入预先训练好的神经网络模型后输出优化后的控件位置信息,有利于之后根据优化后的控件位置信息对界面的目标控件进行布局优化。
以下结合图5和图6对本公开实施例的预先训练好的神经网络模型的训练方法进行说明。
图5示意性示出了根据本公开实施例的界面布局示意图;图6示意性示出了根据本公开实施例的预先训练好的神经网络模型的训练方法流程图。
如图6所示,该实施例的用于优化界面布局的模型训练方法600包括操作S601~操作S603,该用于优化界面布局的模型训练方法可以由例如服务器105等计算设备执行。
在操作S601,获取训练界面布局样本数据集,其中,训练界面布局样本数据集中的每条训练界面布局样本包括界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签。
根据本公开实施例,在上述操作S601,可以根据用户对训练的待优化界面布局中各个控件进行操作时产生的用户眼部相关数据,经过预处理后获得包括界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签的训练界面布局样本数据集。
例如,训练的待优化界面布局可以是手机银行小程序界面,这样用户在完成余额查询的操作时,会产生眼部相关数据,相关数据例如可以是位置数据、时间数据、浏览记录数据等,通过对眼部相关数据进行处理,得到的界面布局样本数据集诸如包括界面中“我的”控件的重要程度数据、“我的账户”控件的重要程度数据、“登录”控件的重要程度数据、“首页”控件的重要程度数据以及其他控件的重要程度数据等,还有“我的”控件与“我的账户”控件的关联程度数据、“我的账户”控件与“登录”控件的关联程度数据以及其他每两个控件之间的关联程度数据等,还有“首页”控件位置信息标签、“我的”控件的位置信息标签以及其他控件的位置信息标签等。
根据本公开实施例,可以基于界面控件的重要程度数据和每两个界面控件之间的关联程度数据,确定界面控件的位置信息标签。
其中,根据计算得到的界面控件的重要程度数据和每两个界面控件之间的关联程度数据,可以请界面设计师根据预设规则对界面布局进行优化,确定界面控件的位置信息标签。预设规则例如可以为对各控件按照重要程度由高到低的顺序进行界面布局,重要程度高的控件可以放置在界面的中心区域,且控件大小可以相对较大,如图5中c7所示,而重要程度低的控件则放在界面的边缘区域,且控件大小可以相对较小,如图5中c1所示;在执行上述操作时,还需要同时兼顾控件之间的关联程度,将关联程度高的控件放置在相邻位置,如图5中的c6和c9;然后提取各控件的位置信息Li=(xi,yi,wi,hi),其中,xi,yi,wi,hi分别代表控件ci在界面中左上角横坐标、左上角纵坐标、宽度以及高度,单位均为像素。例如:如图5所示,L1=(0,0,256,144)。
需要说明的是,图5仅为了说明上述实施例,展示了界面中控件个数为15时的布局,不能依此限制本公开的保护范围。
在操作S602,将每条训练界面布局样本输入至待训练的神经网络模型,输出训练优化结果,其中,训练优化结果包括训练界面控件训练后的位置信息。
根据本公开实施例,在上述操作S602,把每个界面控件的重要程度数据、每两个界面控件之间的关联程度数据以及界面控件的位置信息标签输入待训练的神经网络模型,可以输出训练优化结果。例如,可以是把手机银行小程序界面中“我的”、“我的账户”、“登录”以及其他控件的重要程度数据,还有“我的”控件与“我的账户”控件之间、“我的账户”控件与“登录”控件之间的关联程度数据以及其他每两个控件之间的关联程度数据等,还有“首页”、“我的”、“我的账户”、“登录”控件位置信息标签以及其他控件位置信息标签等输入待训练的神经网络模型,可以输出“首页”、“我的”、“我的账户”、“登录”控件以及其他控件的位置信息结果。
在操作S603,基于训练优化结果和界面控件的位置信息标签,调整待训练的神经网络模型的模型参数。
根据本公开实施例,在上述操作S603,可以根据输出的每个界面的位置信息以及界面控件的位置信息标签,判断输出的界面的位置信息是否满足预设条件,如不满足预设条件,调整待训练的神经网络模型的模型参数,直至达到满足预设条件为止。
例如,可以是输出的界面的位置信息与界面控件的位置信息标签相差甚远,那么确定为不满足预设条件,需要调整待训练的神经网络模型的模型参数;如果输出的界面的位置信息与界面控件的位置信息标签相似度高,例如相似度达到95%以上,那么为确定为满足预设条件,记录此时模型参数,得到训练好的用于优化界面布局的模型。
根据本公开的实施例,通过获取的界面控件的重要程度数据和每两个界面控件之间的关联程度数据以及界面控件的位置信息标签,作为进行神经网络模型训练的训练数据集。通过训练得到用于优化界面布局的模型,可以对在界面的布局中存在布局设计不合理、用户体验感差的界面布局进行优化,提高了对界面布局进行优化的效率,降低了界面设计人员的工作量,同时还节约了人力成本。
图7示意性示出了根据本公开实施例的基于训练优化结果和界面控件的位置信息标签,调整待训练的神经网络模型的模型参数的方法流程图。
如图7所示,该实施例的基于训练优化结果和界面控件的位置信息标签,调整待训练的神经网络模型的模型参数的方法700包括操作S701~操作S703。
在操作S701,将训练优化结果和界面控件的位置信息标签,输入损失函数,输出损失结果。
根据本公开实施例,在上述操作S701,训练优化结果可以为训练界面控件训练后的位置信息。损失函数可以选取最小平方误差,如公式(3)所示:
其中,Y为训练界面控件的位置信息标签;G(X)为输出的训练优化结果;G(xi)表示输出的训练优化结果中第i个训练优化结果;yi表示输出的训练优化结果中第i个训练优化结果所对应的界面控件的位置信息标签。
在操作S702,根据损失结果调整待训练的深度神经网络模型的模型参数,直至损失函数的损失结果或迭代次数满足预设条件。
根据本公开实施例,在上述操作S702,可以根据损失结果,利用梯度下降算法调整待训练的深度神经网络模型的模型参数。
在操作S703,将损失函数的损失结果或迭代次数满足预设条件时得到的模型作为预先训练好的神经网络模型。
根据本公开实施例,在上述操作S703,可以将损失函数收敛时得到的模型作为预先训练好的神经网络模型,还可以将迭代次数满足预设条件时得到的模型作为预先训练好的神经网络模型,本公开不对迭代次数做具体限制,本领域技术人员可以根据期望训练好的神经网络模型的预测精度进行灵活调整。
根据本公开的另一些实施例,预先训练好的神经网络模型的训练方法还包括:
获取界面布局测试数据集,其中,界面布局测试数据集中的每条界面布局测试数据包括界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签;
利用界面布局测试数据集对预先训练好的神经网络模型进行评估。
根据本公开实施例,可以通过将获得的界面布局测试数据集输入预先训练好的神经网络模型,输出测试结果。根据测试结果与信息标签输入损失函数,输出损失结果,根据损失结果评估预先训练好的神经网络模型的自动优化能力。也可以根据输出的测试结果对界面中的多个目标控件进行布局,评估界面设计的效果。如果评估结果未达到预先想要达到的效果,可以重新训练神经网络模型。其中,预先想要达到的效果可以根据实际情况中想要达到的界面优化布局效果而确定,不进行具体限定。
根据本公开实施例,通过测试评估预先训练好的神经网络模型,进一步确定预先训练好的神经网络模型的自动优化能力,能更好地去解决界面布局设计不合理、用户体验感差的问题。
图8示意性示出了根据本公开另一实施例的预先训练好的神经网络模型的训练方法的流程图。
如图8所示,该实施例的预先训练好的神经网络模型的训练方法800包括操作S801~操作S808。
在操作S801,获取操作行为数据。可以是在用户进行操作训练待优化界面布局中的控件时产生的操作行为数据,可以通过数据获取设备获得。例如用户在银行网点智能柜台进行办理业务时,可以根据用户进行办理业务时的操作,数据获取设备从中获取用户的操作行为数据。
在操作S802,用户眼部相关数据。可以是从上述操作S801中获取的操作行为数据是用户在操作时眼部的位置数据、用户眼部距离界面的三维距离数据以及用户眼部观察区域数据。例如用户在银行网点智能柜台进行办理业务操作时产生的眼部的位置数据、用户眼部距离智能柜台界面的三维距离数据以及用户眼部观察区域数据。
在操作S803,计算控件重要程度。可以是根据从上述操作S802中获取的这些数据计算每个控件重要程度,得到控件重要程度数据。例如,根据用户在银行网点智能柜台进行办理业务操作时产生的操作行为数据统计与控件重要程度关联的特征,然后进行计算得到控件重要程度数据。
在操作S804,界面控件关联数据。可以是从上述操作S801中获取的操作行为数据是与各个控件相关的数据。例如可以是用户在银行网点智能柜台进行办理业务操作时所操作的各个控件之间的关系,以及控件间的距离。
在操作S805,计算两个控件之间的关联程度。可以是从上述操作S804中获取的这些数据计算两个控件之间的关联程度,得到每两个控件之间的关联程度数据。例如,根据用户在银行网点智能柜台进行办理业务操作时所操作时的各个控件之间的关系,以及控件间的距离计算得到每两个控件之间的关联程度数据。
在操作S806,训练用于优化界面布局的模型。可以是基于控件重要程度数据和每两个控件之间的关联程度数据以及实际对界面控件优化后的位置信息标签,通过神经网络模型训练用于优化界面布局的模型。例如,可以是界面设计师将用户在银行网点智能柜台进行办理业务操作时的界面中的控件进行优化布局后得到位置信息标签,和通过神经网络模型训练得到的位置信息进行对比,不断调整模型参数,最终获得训练好的用于优化界面布局的模型。
在操作S807,测试训练好的用于优化界面布局的模型。可以通过获取测试数据,然后输入训练好的用于优化界面布局的模型,输出测试位置信息结果。通过实际优化操作获取的位置信息标签与测试位置信息结果,评估训练好的模型是否达标,如果达标则得到预先训练好的神经网络模型;如果不达标则重新调整模型参数训练模型。其中判断是否达标可以根据实际情况而灵活调整,本公开不对评估标准做具体限定。
在操作S808,优化界面布局。可以是根据上述操作S807中得到的预先训练好的神经网络模型,对目标待优化界面布局进行优化。
基于上述优化界面布局的方法,本公开还提供了一种优化界面布局的装置。以下将结合图9对该装置进行详细描述。需要说明的是预先训练好的神经网络模型根据上述用于优化界面布局的模型训练方法训练得到。
图9示意性示出了根据本公开实施例的优化界面布局的装置的结构框图。
如图9所示,该实施例的优化界面布局的装置900包括获取模块910、应用模块920和显示模块930。
获取模块910用于获取目标待优化界面中的界面布局数据,其中,界面布局数据包括多个目标控件的重要程度数据和每两个目标控件之间的关联程度数据。在一实施例中,获取模块910可以用于执行前文描述的操作S201,在此不再赘述。
应用模块920用于将界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,优化结果包括目标控件优化后的位置信息。在一实施例中,应用模块920可以用于执行前文描述的操作S202,在此不再赘述。
显示模块930用于根据优化结果对界面中的多个目标控件进行布局。在一实施例中,显示模块930可以用于执行前文描述的操作S203,在此不再赘述。
根据本公开的实施例,获取模块910、应用模块920和显示模块930中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块910、应用模块920和显示模块930中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块910、应用模块920和显示模块930中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
基于上述优化界面布局的方法,本公开还提供了一种预先训练好的神经网络模型的训练装置。以下将结合图10对该装置进行详细描述。
图10示意性示出了根据本公开实施例的预先训练好的神经网络模型的训练装置的结构框图。
如图10所示,该实施例的预先训练好的神经网络模型的训练装置1000包括样本获取模块1010、第一训练子模块1020和第二训练子模块1030。
样本获取模块1010用于获取训练界面布局样本数据集,其中,训练界面布局样本数据集中的每条训练界面布局样本包括界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签。在一实施例中,样本获取模块1010可以用于执行前文描述的操作S601,在此不再赘述。
第一训练子模块1020用于将每条训练界面布局样本输入至待训练的神经网络模型,输出训练优化结果,其中,训练优化结果包括训练界面控件训练后的位置信息。在一实施例中,第一训练子模块1020可以用于执行前文描述的操作S602,在此不再赘述。
第二训练子模块1030用于基于训练优化结果和界面控件的位置信息标签,调整待训练的神经网络模型的模型参数。在一实施例中,第二训练子模块1030可以用于执行前文描述的操作S603,在此不再赘述。
根据本公开的实施例,第二训练子模块1030包括处理单元、参数调整单元以及确定单元。
处理单元用于将训练优化结果和界面控件的位置信息标签,输入损失函数,输出损失结果。
参数调整单元用于根据损失结果调整待训练的深度神经网络模型的模型参数,直至损失函数的损失结果或迭代次数满足预设条件。
确定单元用于将损失函数的损失结果或迭代次数满足预设条件时得到的模型作为预先训练好的神经网络模型。
根据本公开的实施例,预先训练好的神经网络模型的训练装置1000还包括测试数据集获取模块和评估模块。
测试数据集获取模块用于获取界面布局测试数据集,其中,界面布局测试数据集中的每条界面布局测试数据包括界面控件的重要程度数据和每两个界面控件之间的关联程度数据,以及界面控件的位置信息标签。
评估模块用于利用界面布局测试数据集对预先训练好的神经网络模型的训练装置进行评估。
根据本公开的实施例,样本获取模块1010、第一训练子模块1020和第二训练子模块1030中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,样本获取模块1010、第一训练子模块1020和第二训练子模块1030中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,样本获取模块1010、第一训练子模块1020和第二训练子模块1030中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图11示意性示出了根据本公开实施例的适于实现优化界面布局的方法的电子设备的方框图。
如图11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;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1107;包括硬盘等的存储部分1108;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1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,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1110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1108。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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。在本公开中,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。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的方法。
在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种优化界面布局的方法,包括:
获取目标待优化界面中的界面布局数据,其中,所述界面布局数据包括多个目标控件的重要程度数据和每两个所述目标控件之间的关联程度数据;
将所述界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,所述优化结果包括所述目标控件优化后的位置信息;以及
根据所述优化结果对界面中的多个所述目标控件进行布局。
2.根据权利要求1所述的方法,其中,所述获取目标待优化界面中的界面布局数据包括:
获取针对所述目标待优化界面中的所述目标控件的操作行为数据;
对所述操作行为数据进行预处理,得到所述界面布局数据。
3.根据权利要求2所述的方法,其中,所述操作行为数据包括以下至少之一:用户眼部位置数据、用户眼部距离界面的三维距离数据、用户眼部观察区域数据。
4.根据权利要求2所述的方法,其中,所述对所述操作行为数据进行预处理,得到所述界面布局数据包括:
对所述操作行为数据进行统计,得到用户对每个所述目标控件的操作特征数据和每两个所述目标控件之间的特征数据;
基于所述用户对每个所述目标控件的操作特征数据,得到每个所述目标控件的重要程度数据;
基于所述每两个所述目标控件之间的特征数据,得到所述每两个所述目标控件之间的关联程度数据。
5.根据权利要求1所述的方法,其中,所述预先训练好的神经网络模型的训练方法包括:
获取训练界面布局样本数据集,其中,所述训练界面布局样本数据集中的每条训练界面布局样本包括界面控件的重要程度数据和每两个所述界面控件之间的关联程度数据,以及所述界面控件的位置信息标签;
将每条所述训练界面布局样本输入至待训练的神经网络模型,输出训练优化结果,其中,所述训练优化结果包括训练界面控件训练后的位置信息;以及
基于所述训练优化结果和所述界面控件的位置信息标签,调整所述待训练的神经网络模型的模型参数。
6.根据权利要求5所述的方法,其中,所述基于所述训练优化结果和所述界面控件的位置信息标签,调整所述待训练的神经网络模型的模型参数包括:
将所述训练优化结果和所述界面控件的位置信息标签,输入损失函数,输出损失结果;
根据所述损失结果调整所述待训练的深度神经网络模型的模型参数,直至所述损失函数的损失结果或迭代次数满足预设条件;
将所述损失函数的损失结果或迭代次数满足预设条件时得到的模型作为所述预先训练好的神经网络模型。
7.根据权利要求6所述的方法,还包括:
获取界面布局测试数据集,其中,所述界面布局测试数据集中的每条界面布局测试数据包括界面控件的重要程度数据和每两个所述界面控件之间的关联程度数据,以及所述界面控件的位置信息标签;
利用所述界面布局测试数据集对所述预先训练好的神经网络模型进行评估。
8.一种优化界面布局的装置,包括:
获取模块,用于获取目标待优化界面中的界面布局数据,其中,所述界面布局数据包括多个目标控件的重要程度数据和每两个所述目标控件之间的关联程度数据;
应用模块,用于将所述界面布局数据输入至预先训练好的神经网络模型,输出优化结果,其中,所述优化结果包括所述目标控件优化后的位置信息;以及
显示模块,用于根据所述优化结果对界面中的多个所述目标控件进行布局。
9.一种电子设备,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111915.4A CN114443034A (zh) | 2022-01-27 | 2022-01-27 | 优化界面布局的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111915.4A CN114443034A (zh) | 2022-01-27 | 2022-01-27 | 优化界面布局的方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114443034A true CN114443034A (zh) | 2022-05-06 |
Family
ID=81371006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210111915.4A Pending CN114443034A (zh) | 2022-01-27 | 2022-01-27 | 优化界面布局的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114443034A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422419A (zh) * | 2022-09-14 | 2022-12-02 | 北京优特捷信息技术有限公司 | 一种数据展示方法、装置、电子设备及可读存储介质 |
CN116679856A (zh) * | 2023-05-18 | 2023-09-01 | 珠海银弹谷网络有限公司 | 可视化的应用界面构建方法、装置、设备、存储介质 |
-
2022
- 2022-01-27 CN CN202210111915.4A patent/CN114443034A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422419A (zh) * | 2022-09-14 | 2022-12-02 | 北京优特捷信息技术有限公司 | 一种数据展示方法、装置、电子设备及可读存储介质 |
CN116679856A (zh) * | 2023-05-18 | 2023-09-01 | 珠海银弹谷网络有限公司 | 可视化的应用界面构建方法、装置、设备、存储介质 |
CN116679856B (zh) * | 2023-05-18 | 2023-11-28 | 珠海银弹谷网络有限公司 | 可视化的应用界面构建方法、装置、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11947986B2 (en) | Tenant-side detection, classification, and mitigation of noisy-neighbor-induced performance degradation | |
CN114443034A (zh) | 优化界面布局的方法、装置、设备及介质 | |
EP3944145A2 (en) | Method and device for training image recognition model, equipment and medium | |
CN110414603B (zh) | 用于检测移动设备的方法、装置、计算机系统和介质 | |
CN112749758A (zh) | 图像处理方法、神经网络的训练方法、装置、设备和介质 | |
US20210037031A1 (en) | Contextual anomaly detection across assets | |
US10686670B2 (en) | Optimizing placement of internet-of-things (IoT) devices to provide full coverage and minimize coverage overlap | |
CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CA3135466A1 (en) | User loan willingness prediction method and device and computer system | |
CN114299366A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
EP3869398A2 (en) | Method and apparatus for processing image, device and storage medium | |
US10944898B1 (en) | Systems and methods for guiding image sensor angle settings in different environments | |
CN111861757A (zh) | 一种融资匹配方法、系统、设备和存储介质 | |
US20240112065A1 (en) | Meta-learning operation research optimization | |
CN116051874A (zh) | 物品识别方法、装置、电子设备、介质和程序产品 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
US20230206114A1 (en) | Fair selective classification via a variational mutual information upper bound for imposing sufficiency | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN113609018A (zh) | 测试方法、训练方法、装置、设备、介质和程序产品 | |
CN113392014A (zh) | 测试用例生成方法、装置、电子设备和介质 | |
KR102637554B1 (ko) | 정보 보호 인증에 관한 프로젝트 내의 과제 분석 및 정보 제공 시스템 | |
US11847912B1 (en) | Systems and methods for generating traffic work zones | |
US20230267540A1 (en) | Risk mitigation using mixture importance sampling with random effect considerations | |
CN114911916A (zh) | 自然语言处理系统的更新方法、装置、设备及介质 | |
CN115393025A (zh) | 产品推荐方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |