一种基于用户偏好的自适应用户界面生成方法及系统

技术领域

本发明涉及计算机技术领域，特别是一种基于用户偏好的自适应用户界面生成方法及系统。

背景技术

用户界面设计目前存在的问题是通常采用静态模板或基于固定规则进行设计，缺乏对用户个性化需求和偏好的动态适应能力。这种设计方式有可能导致用户在使用应用程序或系统时遇到界面不符合其偏好的问题，影响用户的体验和满意度。

具体来说，现有的用户界面设计技术使用静态模板或固定规则来设计用户界面。这种固定的设计方式使得系统无法根据用户的个性化需求和偏好进行动态调整。例如，用户可能更喜欢特定的颜色、布局或交互方式，但现有技术无法根据用户的偏好自动调整界面。

另一个问题是缺乏实时获取和分析用户实时交互数据的能力，系统无法收集用户的实际使用情况和反馈数据，以便进行界面优化和调整。这导致系统无法实时了解用户的需求变化和偏好演变，从而无法提供更好的用户体验。

发明内容

鉴于现有的用户界面设计通常是基于固定规则或静态模板进行设计，缺乏对用户个性化需求和偏好的动态适应能力，提出了本发明。

因此，本发明所要解决的问题在于如何实现根据用户的个性化需求和偏好进行动态调整，并能够实时获取和分析用户的交互数据，以便对界面进行优化和改进，从而提供更好的用户体验。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明实施例提供了一种基于用户偏好的自适应用户界面生成方法，其包括利用差分隐私机制收集用户历史交互数据，并应用深度学习模型自动提取用户的界面偏好特征；根据提取的用户界面偏好特征构建模块化的程序化界面生成模型；采用策略梯度算法训练智能代理模型，自动优化程序化界面生成模型的参数，以生成自适应的个性化用户界面；当用户开始与系统交互时，智能代理根据用户的实时交互数据动态调整程序化界面生成模型的参数，以生成更加符合用户偏好的个性化界面；用户使用过程中，持续收集用户的交互反馈，并采用增强学习机制更新智能代理模型，以不断优化用户界面设计。

作为本发明所述基于用户偏好的自适应用户界面生成方法的一种优选方案，其中：应用深度学习模型自动提取用户的界面偏好特征包括以下步骤：记录用户在系统中的所有交互行为，并对这些交互行为数据添加随机噪声，以降低单个用户信息泄露的风险；使用带有噪声的交互数据训练深度学习模型，并通过分析大规模交互数据学习用户界面偏好的统计规律；通过解析模型的参数发现不同界面元素的相关度以及用户对这些元素的偏好情况；将模型参数映射回界面元素，获得用户对颜色、字体和布局各维度的偏好度量。

作为本发明所述基于用户偏好的自适应用户界面生成方法的一种优选方案，其中：添加随机噪声的具体公式如下：

；

其中，

作为本发明所述基于用户偏好的自适应用户界面生成方法的一种优选方案，其中：根据提取的用户界面偏好特征构建模块化的程序化界面生成模型包括以下步骤：通过分析提取的界面偏好特征，确定界面偏好特征与界面生成之间的关联关系；根据分析结果设计不同的界面组件模块，并使每种组件模块封装可配置的样式参数，以实现界面组件程序化的构建；将界面组件分解为可配置和组合的组件，并构建程序化模型来实现界面的生成，同时通过不同组件的组合来生成符合用户偏好的个性化界面；将不同用户的偏好特征映射到组件的不同参数配置，并通过调整这些参数来生成符合用户偏好的界面，同时根据新需求扩展组件模块库；界面组件模块包括控件模块、导航模块、内容模块、反馈模块、布局模块以及主题模块。

作为本发明所述基于用户偏好的自适应用户界面生成方法的一种优选方案，其中：采用策略梯度算法训练智能代理模型包括以下步骤：定义代理的状态空间、动作空间和奖励函数；通过用户调研和预估获取部分用户满意度标签，并使用随机参数生成界面以获取初始训练数据；使用收集到的训练数据对智能代理模型进行预训练，以得到初步的参数映射策略；智能代理模型根据当前策略调整参数，并与用户进行交互获取满意度反馈，不断更新策略以最大化奖励；经过多次迭代，模型逐渐收敛至一个较优的策略，基于该策略输出的参数生成符合用户个性化需求的界面。

作为本发明所述基于用户偏好的自适应用户界面生成方法的一种优选方案，其中：智能代理根据用户的实时交互数据动态调整程序化界面生成模型的参数包括以下步骤：用户使用系统时记录其交互数据，并从交互数据中提取用户的实时界面偏好；将提取的实时偏好输入至已训练好的智能代理模型，以评估不同参数对用户满意度的影响；智能代理模型根据当前偏好和已学策略输出优化的参数组合，以最大化预测的用户满意度；将优化的参数输入程序化界面生成模型，并根据参数实时生成符合用户偏好的界面。

作为本发明所述基于用户偏好的自适应用户界面生成方法的一种优选方案，其中：从交互数据中提取用户的实时界面偏好包括以下步骤：若用户多次对某组件进行重复操作，则表明用户偏好使用此组件，将其记录为用户的实时界面偏好；若用户在组件上停留时间超过20s，则表明用户对此组件有偏好，将其记录为用户的实时界面偏好；若用户主动切换组件样式的次数超过5次，则用户偏好使用此组件，将其记录为用户的实时界面偏好；若用户针对某组件提供了评分和评论，且评分和评论为正面反馈，则表示用户偏好使用此组件，将其记录为用户的实时界面偏好；若用户主动订阅或收藏了某个组件或界面，则表示用户对其有较高的偏好和关注度，将其记录为用户的实时界面偏好。

第二方面，本发明实施例提供了一种基于用户偏好的自适应用户界面生成系统，其包括提取模块，用于利用差分隐私机制收集用户历史交互数据，并应用深度学习模型自动提取用户的界面偏好特征；模型构建模块，用于根据提取的用户界面偏好特征构建模块化的程序化界面生成模型；优化模块，用于采用策略梯度算法训练智能代理模型，自动优化程序化界面生成模型的参数，以生成自适应的个性化用户界面；界面生成模块，用于根据用户的实时交互数据动态调整程序化界面生成模型的参数，以生成更加符合用户偏好的个性化界面；更新模块，用于持续收集用户的交互反馈，并采用增强学习机制更新智能代理模型，以不断优化用户界面设计。

第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于用户偏好的自适应用户界面生成方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于用户偏好的自适应用户界面生成方法的步骤。

本发明的有益效果为：本发明可以高效提取多模态交互数据中的用户界面偏好特征，构建描述个性化偏好的矢量空间，为生成符合心理预期的界面奠定数据基础；通过可配置化和可组装化的抽象转换，实现对界面组件的描述、组合操作和重塑控制，支持在线生成千变万化的个性界面；基于历史交互中用户主观反馈训练出的参数选择策略，实现对组件和布局配置的自动化搜索寻优，让界面不断向着更悦用户之处演化；差分隐私保护的引入也使得在挖掘用户习性个性化需求的同时，增加了对用户敏感信息不被泄露和滥用的算法保护，实现安全的个性化。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它的附图。

图1为基于用户偏好的自适应用户界面生成方法的方法流程图。

图2为基于用户偏好的自适应用户界面生成方法的计算机设备图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

实施例1

参照图1~图2，为本发明第一个实施例，该实施例提供了一种基于用户偏好的自适应用户界面生成方法，包括，

S1：利用差分隐私机制收集用户历史交互数据，并应用深度学习模型自动提取用户的界面偏好特征。

进一步的，记录用户在系统中的所有交互行为，并对这些交互行为数据添加随机噪声，以降低单个用户信息泄露的风险；使用带有噪声的交互数据训练深度学习模型，并通过分析大规模交互数据学习用户界面偏好的统计规律；深度学习模型中不同层参数反映了用户的交互习惯和模式，通过解析模型的参数发现不同神经元层与不同界面元素的相关度，与特定界面元素高度相关的神经元反映了用户对这些元素的偏好；将模型参数映射回界面元素，获得用户对颜色、字体、布局等各维度的偏好度量。

具体的，交互行为包括以下内容：当用户进行点击操作时，记录被点击的界面元素和点击时间；当用户进行滚动操作时，记录滚动的方向、距离和时间；当用户进行了文本输入时，记录输入内容和输入时间；当用户进行了界面导航时，记录导航的起点和终点页面；当用户进行了多媒体操作时， 记录操作的媒体类型（音频、视频等）和时间；当用户进行了语音输入时，记录语音转换的文本和输入时间；当用户进行了手势操作时，记录手势类型（轻扫、按压等）和作用区域；当用户进行了视觉关注时，记录用户视线聚焦的界面区域；当用户进行了其他交互行为，记录交互行为类型和相关使用上下文。

具体的，添加随机噪声的具体公式如下：

；

其中，

S2：根据提取的用户界面偏好特征构建模块化的程序化界面生成模型。

优选的，通过分析S1中提取的界面偏好特征，确定界面偏好特征与界面生成之间的关联关系；根据分析结果设计不同的界面组件模块，并使每种组件模块封装可配置的样式参数，以实现界面组件程序化的构建；将界面组件分解为可配置和组合的组件，并构建程序化模型来实现界面的生成，同时通过不同组件的组合来生成符合用户偏好的个性化界面；将不同用户的偏好特征映射到组件的不同参数配置，并通过调整这些参数来生成符合用户偏好的界面，同时根据新需求可以扩展组件模块库。

需要说明的是，界面组件模块包括控件模块、导航模块、内容模块、反馈模块、布局模块以及主题模块。

S3：采用策略梯度算法训练智能代理模型，自动优化程序化界面生成模型的参数，以生成自适应的个性化用户界面。

具体的，定义代理的状态空间（界面生成模型的参数空间）、动作空间（调整参数的操作定义）和奖励函数（利用用户反馈数据构建满意度奖励函数）；通过用户调研和预估获取部分用户满意度标签，并使用随机参数生成界面以获取初始训练数据；使用收集到的训练数据对智能代理模型进行预训练，以得到初步的参数映射策略；智能代理模型根据当前策略调整参数，并与用户进行交互获取满意度反馈，不断更新策略以最大化奖励；经过多次迭代，模型逐渐收敛至一个较优的策略，基于该策略输出的参数生成符合用户个性化需求的界面。

S4：当用户开始与系统交互时，智能代理根据用户的实时交互数据动态调整程序化界面生成模型的参数，以生成更加符合用户偏好的个性化界面。

进一步的，在用户使用系统时记录其交互数据，并从交互数据中提取用户的实时界面偏好（例如频繁使用某些组件，停留在某种样式上等）；将提取的实时偏好输入至已训练好的智能代理模型，以评估不同参数对用户满意度的影响；智能代理模型根据当前偏好和已学策略输出优化的参数组合，以最大化预测的用户满意度；将优化的参数输入程序化界面生成模型，并根据参数实时生成符合用户偏好的界面。

具体的，若用户多次对某组件进行重复操作，则表明用户偏好使用此组件，将其记录为用户的实时界面偏好；若用户在组件上停留时间超过20s，则表明用户对该组件有偏好，将其记录为用户的实时界面偏好；若用户主动切换组件样式的次数超过5次，则用户偏好使用此组件，将其记录为用户的实时界面偏好；若用户针对某组件提供了评分和评论，且评分和评论为正面反馈，则表示用户偏好使用该组件，将其记录为用户的实时界面偏好；若用户主动订阅或收藏了某个组件或界面，则表示用户对其有较高的偏好和关注度，将其记录为用户的实时界面偏好。

S5：在用户使用过程中，持续收集用户的交互反馈，并采用增强学习机制更新智能代理，以不断优化用户界面设计。

进一步的，在用户交互过程中主动收集用户对界面满意度的反馈；对不同类型的用户反馈进行处理，并将其转换为数字化的满意度标注，作为增强学习模型的训练数据；使用收集的标注反馈数据对增强学习模型进行在线训练，使增强学习模型学习根据交互拟合用户满意度的策略；使用重新训练后的增强学习模型更新智能代理模型，以使代理的策略更好地适应用户的新反馈；新的策略会生成更适合用户的新界面参数，并通过接口生成的界面将持续进行优化；用户的反馈会导致模型的更新和界面的变化，从而形成一个闭环，持续逼近用户的预期。

进一步的，本实施例还提供一种基于用户偏好的自适应用户界面生成系统，包括提取模块，用于利用差分隐私机制收集用户历史交互数据，并应用深度学习模型自动提取用户的界面偏好特征；模型构建模块，用于根据提取的用户界面偏好特征构建模块化的程序化界面生成模型；优化模块，用于采用策略梯度算法训练智能代理模型，自动优化程序化界面生成模型的参数，以生成自适应的个性化用户界面；界面生成模块，用于根据用户的实时交互数据动态调整程序化界面生成模型的参数，以生成更加符合用户偏好的个性化界面；更新模块，用于持续收集用户的交互反馈，并采用增强学习机制更新智能代理模型，以不断优化用户界面设计。

本实施例还提供一种计算机设备，适用于基于用户偏好的自适应用户界面生成方法的情况，包括存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于用户偏好的自适应用户界面生成方法。

该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本实施例还提供一种存储介质，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实施例提出的实现基于用户偏好的自适应用户界面生成方法。

综上，本发明可以高效提取多模态交互数据中的用户界面偏好特征，构建描述个性化偏好的矢量空间，为生成符合心理预期的界面奠定数据基础；通过可配置化和可组装化的抽象转换，实现对界面组件的描述、组合操作和重塑控制，支持在线生成千变万化的个性界面；基于历史交互中用户主观反馈训练出的参数选择策略，实现对组件和布局配置的自动化搜索寻优，让界面不断向着更悦用户之处演化；差分隐私保护的引入也使得在挖掘用户习性个性化需求的同时，增加了对用户敏感信息不被泄露和滥用的算法保护，实现安全的个性化。

实施例2

参照图1~图2，为本发明第二个实施例，该实施例提供了一种基于用户偏好的自适应用户界面生成方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。

具体的，以某浏览App为例，该浏览App已拥有100万用户，截至目前共积累了5000万条各类用户交互行为数据，部分数据如表1所示。为保护用户隐私，在录入模型训练数据集时，所有原始数据均进行了差分隐私保护处理，Epsilon约为1.5，确保可用信息与隐私保护之间的平衡。

表1 部分用户交互行为数据

进一步的，用于特征提取的卷积神经网络模型包含3个卷积层和2个全连接层，约200万个参数。先在非隐私数据上进行预训练，然后迁移到保护数据继续训练，最终损失下降22%，验证集准确率达到77%。

优选的，经训练的智能策略代理包含512维状态向量编码器和2层策略网络，状态空间超过5000。在模拟用户环境训练了等效100万次用户交互后，引入在线环境进行策略泛化。在线增强学习收集超过5000万条用户反馈，标注满意度数字标签。以1万批次进行模型增量训练。当前代理的参数选择策略，已经使有效交互次数提高了12%。

优选的，本发明与传统方式的对比指标如表2所示。

表2 本发明与传统方式的对比指标

进一步的，由表2可以看出本发明通过使用自适应策略、增强学习等前沿技术手段，在个性化程度、用户参与性以及持续迭代优化能力等指标上超越了传统的静态界面设计方法。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。