CN117193772A - 基于用户反馈的深度学习无代码应用布局优化方法及系统 - Google Patents
基于用户反馈的深度学习无代码应用布局优化方法及系统 Download PDFInfo
- Publication number
- CN117193772A CN117193772A CN202311208198.8A CN202311208198A CN117193772A CN 117193772 A CN117193772 A CN 117193772A CN 202311208198 A CN202311208198 A CN 202311208198A CN 117193772 A CN117193772 A CN 117193772A
- Authority
- CN
- China
- Prior art keywords
- user
- deep learning
- data
- layout
- user feedback
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000005457 optimization Methods 0.000 title claims abstract description 105
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 238000013461 design Methods 0.000 claims abstract description 79
- 238000013136 deep learning model Methods 0.000 claims abstract description 70
- 230000006399 behavior Effects 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000000306 recurrent effect Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 99
- 230000008569 process Effects 0.000 claims description 48
- 230000003044 adaptive effect Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 30
- 238000005516 engineering process Methods 0.000 claims description 22
- 239000002245 particle Substances 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 15
- 238000002922 simulated annealing Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
基于用户反馈的深度学习无代码应用布局优化方法和系统，从应用程序中收集用户数据，用户数据包括应用程序数据和用户反馈数据，应用程序数据包括界面设计和布局信息，用户反馈数据包括用户操作行为、偏好、评分和评论；将用户数据进行预处理；建立深度学习模型，深度学习模型包括卷积神经网络或递归神经网络，通过深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；从用户界面设计和用户反馈数据中提取指定特征，并对指定特征的数值化或向量化表示；结合深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。本发明能够实现自动化的无代码应用程序布局优化，以满足不同应用场景和用户需求。
Description
技术领域
本发明属于应用设计技术领域，具体涉及一种基于用户反馈的深度学习无代码应用布局优化方法及系统。
背景技术
无代码开发是软件开发者无须通过手工编码，以达到目标需求的一种软件开发方式。无代码开发通常需要经过四个步骤来完成小程序的搭建，包括需求分析、模型设计、页面搭建和测试发布。
传统的无代码应用程序设计工具大多需要用户手动设计和布局，对用户的设计和编程能力要求较高；现有的用户界面设计工具缺乏对用户反馈数据的分析和利用，难以根据用户需求和偏好自适应地调整应用程序布局和用户界面设计；传统的用户界面设计方法难以满足不同用户的需求，因此需要进行人工修改和优化，工作量较大。
发明内容
为此，本发明提供一种基于用户反馈的深度学习无代码应用布局优化方法及系统，能够实现自动化的无代码应用程序布局优化，以满足不同应用场景和用户需求。
为了实现上述目的，本发明提供如下技术方案：第一方面，提供一种基于用户反馈的深度学习无代码应用布局优化方法，包括：
数据收集处理：从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；
深度学习模型构建：建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；
特征提取表示：从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；
布局优化调整：结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。
作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，数据收集处理过程中，预处理包括：数据清理、数据转换、数据集成和数据规范化。
作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，深度学习模型构建过程中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；
采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数。
作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，还包括模型训练优化，通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数。
作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，特征提取表示过程中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数。
作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，布局优化调整过程中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；
遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；
粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；
模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。
作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，还包括自适应性调整，所述自适应性调整过程中，根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；
所述自适应性调整过程采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；
所述自适应性调整过程采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。
本发明第二方面提供一种基于用户反馈的深度学习无代码应用布局优化系统，包括：
数据收集处理模块，用于从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；
深度学习模型构建模块，用于建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；
特征提取表示模块，用于从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；
布局优化调整模块，用于结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。
作为基于用户反馈的深度学习无代码应用布局优化系统优选方案，所述数据收集处理模块中，预处理包括：数据清理、数据转换、数据集成和数据规范化；
所述深度学习模型构建模块中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；
所述深度学习模型构建模块中，采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数；
还包括模型训练优化模块，用于通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数；
所述特征提取表示模块中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数；
所述布局优化调整模块中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；
遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；
粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；
模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。
作为基于用户反馈的深度学习无代码应用布局优化系统优选方案，还包括自适应性调整模块，所述自适应性调整模块用于根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；
所述自适应性调整模块中，采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；
所述自适应性调整模块中，采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。
本发明第三方面提供一种非暂态计算机可读存储介质，所述计算机可读存储介质中存储有基于用户反馈的深度学习无代码应用布局优化方法的程序代码，所述程序代码包括用于执行第一方面或其任意可能实现方式的基于用户反馈的深度学习无代码应用布局优化方法的指令。
本发明第四方面提供一种电子设备，包括：存储器和处理器；所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面或其任意可能实现方式的基于用户反馈的深度学习无代码应用布局优化方法。
本发明的有益效果如下，采用无代码应用程序设计工具、深度学习技术、优化算法和自适应性调整等技术手段，实现了自动化的无代码应用程序布局优化，并能够根据大量用户界面设计和用户反馈数据，自动生成优化的应用程序布局和用户界面设计，提高应用程序的用户体验和满意度；
自动化程度高，节省时间和精力：本发明通过利用深度学习模型和优化算法自动分析和优化应用程序布局和用户界面设计，无需用户手动设计和布局的方法，自动化程度高，节省了用户的时间和精力；
本发明通过深度学习技术和优化算法实现的，能够自动学习用户偏好、界面特征和布局规律，并根据用户的操作行为和反馈意见，不断优化和调整界面元素的排列和样式，提高应用程序的用户体验和满意度；
本发明通过结合深度学习模型和用户反馈数据，设计优化算法，具备自适应性，能够根据不同的应用场景和用户需求，灵活调整应用程序的布局和界面设计。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其他的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例提供的基于用户反馈的深度学习无代码应用布局优化方法流程示意图；
图2为本发明实施例提供的基于用户反馈的深度学习无代码应用布局优化方法技术路线示意图；
图3为本发明实施例提供的基于用户反馈的深度学习无代码应用布局优化系统架构。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参见图1和图2，本发明实施例1提供一种基于用户反馈的深度学习无代码应用布局优化方法，包括以下步骤：
S1、数据收集处理：从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；
S2、深度学习模型构建：建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；
S3、特征提取表示：从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；
S4、布局优化调整：结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。
本实施例中，步骤S1收集大量的用户界面设计和用户反馈数据，包括应用程序的布局、用户操作行为和用户反馈意见。对这些数据进行预处理和清洗，预处理包括：数据清理、数据转换、数据集成和数据规范化，确保用户数据具有一定的质量和可用性，以便后续的分析和建模。
其中，数据清理工作的目的是不让有错误或有问题的数据进入运算过程，在计算机的帮助下完成，包括数据有效范围的清理、数据逻辑一致性的清理和数据质量的抽查。
其中，数据转换能够将数据从一种形式转换为另一种形式的过程。数据转换可能会更改数据的结构、格式或值，由于缺失值和不一致被消除，提高了数据质量；随着数据的标准化，增加了对数据的使用；强化的数据管理，因为数据转换可以细化元数据；改进了系统和应用程序之间的兼容性；提高查询速度，因为数据易于检索。
其中，数据集成能够把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，通常采用联邦式、基于中间件模型和数据仓库等方法来构造集成的系统。
其中，数据规范化是指将数据转换为能够方便机器处理的格式，数据规范化需要清楚地了解数据的格式和内容，然后按照需要对数据进行转换，通常需要使用编程语言或数据处理工具，比如Python、Excel或SQL。数据规范化对于机器学习和数据分析非常重要，因为许多算法和工具只能处理特定格式的数据，如果你的数据不符合规范，可能会导致算法运行效率低下或出现错误。
本实施例中，步骤S2深度学习模型构建过程中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；
采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数。步骤S2中，还包括模型训练优化，通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数。
具体的，根据任务的特点和数据类型选择适当的深度学习模型，如卷积神经网络(CNN)、递归神经网络(RNN)等。卷积神经网络(CNN)是用于处理图像数据的深度学习模型。在布局优化中，CNN可以用于提取界面元素的视觉特征，如位置、尺寸和颜色等。参数含义：CNN的参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数等。递归神经网络(RNN)是一种适用于序列数据建模的深度学习模型。在布局优化中，RNN可以用于处理用户反馈数据的时序特征，如用户的操作行为序列。参数含义：RNN的参数包括隐藏状态的维度、层数和训练算法的超参数等。
其中，模型训练优化过程，设计优化算法，结合目标函数和约束条件，以最小化或最大化特定的评估指标，如用户体验评分、交互效率等。优化算法可以采用随机梯度下降(Stochastic Gradient Descent，SGD)：在每次迭代中使用随机采样的一小批数据计算梯度，并更新模型参数。适用于处理大规模数据集时。优化算法还可以采用动量优化算法(Momentum Optimization)：引入动量项来加速梯度下降过程，以在梯度方向上积累动量，并减少梯度更新的震荡。优化算法还可以采用自适应学习率算法：如Adagrad、Adadelta、RMSprop和Adam等，根据参数的历史梯度信息自适应地调整学习率。优化算法还可以采用学习率衰减(Learning Rate Decay)：随着训练的进行，逐渐降低学习率，以使模型更好地收敛。优化算法还可以采用正则化方法，如L1正则化和L2正则化，用于控制模型的复杂度，防止过拟合。优化算法还可以采用批归一化(Batch Normalization)，在训练过程中对每一层的输入进行归一化，加速训练过程，提高模型的稳定性和泛化能力。
本实施例中，步骤S2，在建立深度学习模型的过程中，引入自注意力机制(Self-Attention Mechanism)来提高模型的性能。自注意力机制可以让深度学习模型更好地关注输入数据中的重要部分，从而提高模型的表现力和泛化能力。此外，在卷积神经网络中，使用多尺度卷积(multi-scale convolution)来处理不同尺度的特征，从而更好地捕捉图像和文本数据中的复杂关系和模式。并使用生成对抗网络(GAN)来生成更多的用户反馈数据，从而提高模型的泛化能力和鲁棒性。同时这些特征输入到后续的布局优化调整步骤中，进一步提升应用程序的用户体验。
具体的，假设用户反馈数据为X∈Rn×d其中，n表示数据样本数，d表示每个样本的特征维度。通过一个全连接层将X投影到一个新的特征空间Zj∈Rn×k，其中，k表示新的特征维度。计算Zj中每个样本之间的相似度矩阵Si,j∈Rn×d，其中，Si,j表示样本i和样本j之间的相似度。具体来说，使用点积或者其他相似度度量方法来计算Si,j。
将Si,j表作为权重矩阵，对Zj进行加权平均，得到加权特征表示Oi∈Rn×k，其中，Oi表示样本i的加权特征表示。具体来说，可以使用以下公式计算Oi：
将Oi作为新的特征表示，输入到后续的模型中进行训练和预测。通过引入注意力机制，模型可以更加关注用户反馈数据中的重要信息，从而提高模型的性能。
本实施例中，步骤S3特征提取表示过程中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数。
具体的，从用户界面设计和反馈数据中提取有意义的特征，并对有意义的特征进行适当的表示，包括界面元素的位置、尺寸、颜色、文本内容等方面的特征。特征提取表示需要结合深度学习模型和特征工程技术，以提取最具有代表性的特征，提取后的特征将用于后续的优化算法设计和自适应性调整。
其中，特征工程技术用于从原始数据中提取有意义的特征，并对其进行适当的表示。在布局优化中，可以使用一系列特征工程技术，如尺度归一化、主成分分析(PCA)、局部二值模式(LBP)等。特征工程技术的参数包括特征选择、特征变换和特征表示的超参数等。
本实施例中，步骤S4布局优化调整过程中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；
遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；
粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；
模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。
具体的，结合深度学习模型和用户反馈数据，通过优化算法自动调整应用程序的布局和用户界面设计，优化算法根据用户的操作行为和反馈意见，不断优化和调整界面元素的排列和样式。优化算法设计包括遗传算法、粒子群算法、模拟退火算法等，设计出的优化算法需要进行评估和测试，以确保其性能和可靠性。
其中，遗传算法是一种基于生物进化原理的优化算法，可以用于自动调整应用程序的布局和用户界面设计，遗传算法的参数包括种群大小、交叉和变异概率、适应度函数和迭代次数等。粒子群算法是一种模拟鸟群觅食行为的优化算法，可以用于布局优化和样式调整，粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数等。模拟退火算法是一种模拟金属退火过程的优化算法，可以用于搜索全局最优解，在布局优化中，可以使用模拟退火算法进行参数调整和样式优化，模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数等。
本实施例中，还包括步骤S5、自适应性调整，所述自适应性调整过程中，根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；
所述自适应性调整过程采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；
所述自适应性调整过程采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。
具体的，为了使系统具备自适应性，根据不同的应用场景和用户需求，灵活调整应用程序的布局和用户界面设计。自适应性调整需要结合用户反馈数据和人机交互设计原则，以提供最佳的用户体验，自适应性调整包括动态布局、多样化样式和适应性反馈等。
其中，动态布局技术可以根据用户设备的屏幕尺寸和分辨率等信息，自适应地调整应用程序的布局。动态布局的参数包括布局规则、屏幕尺寸和设备信息等。多样化样式技术可以提供不同的界面样式选择，以满足用户的个性化需求，多样化样式的参数包括样式选项、用户偏好和个性化设置等。适应性反馈技术可以根据用户的操作行为和反馈意见，实时地调整应用程序的布局和用户界面设计，适应性反馈的参数包括用户反馈数据、反馈分析方法和调整策略等。
综上所述，本发明实施例从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；所述自适应性调整过程采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；所述自适应性调整过程采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。本发明采用无代码应用程序设计工具、深度学习技术、优化算法和自适应性调整等技术手段，实现了自动化的无代码应用程序布局优化，并能够根据大量用户界面设计和用户反馈数据，自动生成优化的应用程序布局和用户界面设计，提高应用程序的用户体验和满意度；自动化程度高，节省时间和精力：本发明通过利用深度学习模型和优化算法自动分析和优化应用程序布局和用户界面设计，无需用户手动设计和布局的方法，自动化程度高，节省了用户的时间和精力；本发明通过深度学习技术和优化算法实现的，能够自动学习用户偏好、界面特征和布局规律，并根据用户的操作行为和反馈意见，不断优化和调整界面元素的排列和样式，提高应用程序的用户体验和满意度；本发明通过结合深度学习模型和用户反馈数据，设计优化算法，具备自适应性，能够根据不同的应用场景和用户需求，灵活调整应用程序的布局和界面设计。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
实施例2
参见图3，本发明实施例2提供一种基于用户反馈的深度学习无代码应用布局优化系统，包括：
数据收集处理模块1，用于从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；
深度学习模型构建模块2，用于建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；
特征提取表示模块3，用于从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；
布局优化调整模块4，用于结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。
本实施例中，所述数据收集处理模块1中，预处理包括：数据清理、数据转换、数据集成和数据规范化；
所述深度学习模型构建模块2中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；
所述深度学习模型构建模块2中，采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数；
还包括模型训练优化模块5，用于通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数；
所述特征提取表示模块3中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数；
所述布局优化调整模块4中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；
遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；
粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；
模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。
本实施例中，还包括自适应性调整模块6，所述自适应性调整模块6用于根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；
所述自适应性调整模块6中，采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；
所述自适应性调整模块6中，采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。
需要说明的是，上述系统各模块之间的信息交互、执行过程等内容，由于与本申请实施例1中的方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质，所述计算机可读存储介质中存储有基于用户反馈的深度学习无代码应用布局优化方法的程序代码，所述程序代码包括用于执行实施例1或其任意可能实现方式的基于用户反馈的深度学习无代码应用布局优化方法的指令。
计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(SolidState Disk、SSD))等。
实施例4
本发明实施例4提供一种电子设备，包括：存储器和处理器；
所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行实施例1或其任意可能实现方式的基于用户反馈的深度学习无代码应用布局优化方法。
具体的，处理器可以通过硬件来实现也可以通过软件来实现，当通过硬件实现时，该处理器可以是逻辑电路、集成电路等；当通过软件来实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器可以集成在处理器中，可以位于所述处理器之外，独立存在。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.基于用户反馈的深度学习无代码应用布局优化方法，其特征在于，包括：
数据收集处理：从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；
深度学习模型构建：建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；
特征提取表示：从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；
布局优化调整：结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。
2.根据权利要求1所述的基于用户反馈的深度学习无代码应用布局优化方法，其特征在于，数据收集处理过程中，预处理包括：数据清理、数据转换、数据集成和数据规范化。
3.根据权利要求1所述的基于用户反馈的深度学习无代码应用布局优化方法，其特征在于，深度学习模型构建过程中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；
采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数。
4.根据权利要求3所述的基于用户反馈的深度学习无代码应用布局优化方法，其特征在于，还包括模型训练优化，通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数。
5.根据权利要求1所述的基于用户反馈的深度学习无代码应用布局优化方法，其特征在于，特征提取表示过程中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数。
6.根据权利要求1所述的基于用户反馈的深度学习无代码应用布局优化方法，其特征在于，布局优化调整过程中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；
遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；
粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；
模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。
7.根据权利要求1所述的基于用户反馈的深度学习无代码应用布局优化方法，其特征在于，还包括自适应性调整，所述自适应性调整过程中，根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；
所述自适应性调整过程采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；
所述自适应性调整过程采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。
8.基于用户反馈的深度学习无代码应用布局优化系统，其特征在于，包括：
数据收集处理模块，用于从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；
深度学习模型构建模块，用于建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；
特征提取表示模块，用于从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；
布局优化调整模块，用于结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。
9.根据权利要求8所述的基于用户反馈的深度学习无代码应用布局优化系统，其特征在于，所述数据收集处理模块中，预处理包括：数据清理、数据转换、数据集成和数据规范化；
所述深度学习模型构建模块中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；
所述深度学习模型构建模块中，采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数；
还包括模型训练优化模块，用于通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数；
所述特征提取表示模块中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数；
所述布局优化调整模块中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；
遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；
粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；
模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。
10.根据权利要求8所述的基于用户反馈的深度学习无代码应用布局优化系统，其特征在于，还包括自适应性调整模块，所述自适应性调整模块用于根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；
所述自适应性调整模块中，采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；
所述自适应性调整模块中，采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311208198.8A CN117193772A (zh) | 2023-09-19 | 2023-09-19 | 基于用户反馈的深度学习无代码应用布局优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311208198.8A CN117193772A (zh) | 2023-09-19 | 2023-09-19 | 基于用户反馈的深度学习无代码应用布局优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117193772A true CN117193772A (zh) | 2023-12-08 |
Family
ID=88988519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311208198.8A Pending CN117193772A (zh) | 2023-09-19 | 2023-09-19 | 基于用户反馈的深度学习无代码应用布局优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117193772A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117767802A (zh) * | 2023-12-19 | 2024-03-26 | 淮阴工学院 | 一种永磁同步电机的控制系统及方法 |
| CN117806585A (zh) * | 2024-02-29 | 2024-04-02 | 山东京运维科技有限公司 | 基于智能终端的屏幕控制方法及系统 |
| CN117850786A (zh) * | 2024-03-07 | 2024-04-09 | 长江龙新媒体有限公司 | 一种基于用户偏好的自适应用户界面生成方法及系统 |
| CN118244932A (zh) * | 2024-04-12 | 2024-06-25 | 深圳市勤泰智能信息技术有限公司 | 一种平板电脑输入管理系统与方法 |
| CN118536482A (zh) * | 2024-07-22 | 2024-08-23 | 沈阳慧筑云科技有限公司 | 基于自定义的表单流程方法、装置、系统和存储介质 |
-
2023
- 2023-09-19 CN CN202311208198.8A patent/CN117193772A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117767802A (zh) * | 2023-12-19 | 2024-03-26 | 淮阴工学院 | 一种永磁同步电机的控制系统及方法 |
| CN117806585A (zh) * | 2024-02-29 | 2024-04-02 | 山东京运维科技有限公司 | 基于智能终端的屏幕控制方法及系统 |
| CN117806585B (zh) * | 2024-02-29 | 2024-06-21 | 山东京运维科技有限公司 | 基于智能终端的屏幕控制方法及系统 |
| CN117850786A (zh) * | 2024-03-07 | 2024-04-09 | 长江龙新媒体有限公司 | 一种基于用户偏好的自适应用户界面生成方法及系统 |
| CN117850786B (zh) * | 2024-03-07 | 2024-05-10 | 长江龙新媒体有限公司 | 一种基于用户偏好的自适应用户界面生成方法及系统 |
| CN118244932A (zh) * | 2024-04-12 | 2024-06-25 | 深圳市勤泰智能信息技术有限公司 | 一种平板电脑输入管理系统与方法 |
| CN118536482A (zh) * | 2024-07-22 | 2024-08-23 | 沈阳慧筑云科技有限公司 | 基于自定义的表单流程方法、装置、系统和存储介质 |
| CN118536482B (zh) * | 2024-07-22 | 2024-10-18 | 沈阳慧筑云科技有限公司 | 基于自定义的表单流程方法、装置、系统和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117193772A (zh) | 基于用户反馈的深度学习无代码应用布局优化方法及系统 | |
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| CN112052948B (zh) | 一种网络模型压缩方法、装置、存储介质和电子设备 | |
| CN116147130A (zh) | 智能家居控制系统及其方法 | |
| WO2020151175A1 (zh) | 文本生成方法、装置、计算机设备及存储介质 | |
| CN112116104B (zh) | 自动集成机器学习的方法、装置、介质及电子设备 | |
| CN112149809A (zh) | 模型超参数的确定方法及设备、计算设备和介质 | |
| CN116881641A (zh) | 预训练模型调整方法及装置、存储介质、计算设备 | |
| CN114463596A (zh) | 一种超图神经网络的小样本图像识别方法、装置及设备 | |
| CN117725107A (zh) | 一种基于标准指标的设备精准检索方法及系统 | |
| CN117591685A (zh) | 一种内容检索方法、装置、电子设备和存储介质 | |
| CN115599918B (zh) | 一种基于图增强的互学习文本分类方法及系统 | |
| CN116861877A (zh) | 基于强化学习的模板构建方法、装置、设备及存储介质 | |
| CN114997360B (zh) | 神经架构搜索算法的演化参数优化方法、系统及存储介质 | |
| Gao et al. | A hybrid intelligent algorithm for stochastic multilevel programming | |
| CN116976402A (zh) | 超图卷积神经网络的训练方法、装置、设备及存储介质 | |
| Yang et al. | Optimization of classification algorithm based on gene expression programming | |
| Wu et al. | Hierarchical memory decoding for video captioning | |
| Klusáček et al. | Comparing fitness functions for genetic feature transformation | |
| CN113537269B (zh) | 图像处理方法、装置及设备 | |
| CN118228718B (zh) | 编码器处理方法、文本处理方法及相关设备 | |
| CN118334180B (zh) | 基于机器学习的psd文件自动还原与处理方法及系统 | |
| CN116976294B (zh) | 一种用于实现复杂电子表格自动填充的方法及系统 | |
| CN118297682B (zh) | 基于多行为的交互内容推荐方法、装置及相关设备 | |
| CN114510351B (zh) | 超大规模分布式机器学习装置 |
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 |