詹国华,韦 伟

(1.杭州师范大学杭州国际服务工程学院，浙江 杭州 310012；2.杭州师范大学信息科学与工程学院，浙江 杭州 310036)

一种Web自适应界面的设计方法

詹国华1,韦 伟2

(1.杭州师范大学杭州国际服务工程学院，浙江 杭州 310012；2.杭州师范大学信息科学与工程学院，浙江 杭州 310036)

提出了一种Web自适应界面技术的新思路.将获取用户个性信息作为Web使用挖掘的任务，从界面内的功能对象和界面区域入手，设计一个能产生功能对象对的算法来预测用户下一行为；划分界面为多个子区域来放置功能对象，利用自适应公式设计的算法进行动态布局，达到智能化的效果，成为一种新型的用户界面.经过多用户的反复使用实验，该方法初步实现了功能对象与Web界面的自适应.

Web界面；自适应；Web使用挖掘；功能对象；子区域

为了丰富用户的交互，用户的经验和对界面结构的理解将会在未来几年有质的飞跃.用户对自己界面的期望包括个性化的选项、私人信息存储以及功能相对丰富的用户界面.但是，长期以来Web界面只是以一种固定的结构满足用户需求,用户需要被动地学习这种一成不变的模式，而其感兴趣的功能可能被这种惰性的模式半隐藏.虽然有些自适应的网站或软件的界面能够对功能对象做出局部地调整，但本质上仍然要求用户去适应它的界面结构，没有真正做到界面自适应于用户.因此，在以人为本的理念已经融入现代生活的当今社会，一个良好的交互界面必然会成为新的研究热点.

1 Web界面的自适应

Web界面作为一个人与网络交互的中介媒体，用户需要寻找自己感兴趣的功能进行交互，这给用户带了一定的不便甚至是麻烦.一个自适应的Web界面就是要通过对用户交互过程中各个功能对象使用的频度、界面的空间等特性的统计，推导出用户的交互能力和交互习惯，根据界面知识库中定义的自适应策略对用户界面进行调整[1].

界面设计是人与机器之间传递和交换信息的媒介，包括硬件界面和软件界面，是计算机科学与心理学、设计艺术学、认知科学和人机工程学的交叉研究领域.对于界面而言，首要做的就是采集用户个性化信息.基于Web的界面一般通过挖掘所使用的数据来进行信息采集.Web挖掘任务可以分为3种主要类别[2]：Web结构挖掘，从表征Web结构的链接中寻找有用的知识；Web内容挖掘，从网页内容中抽取有用的信息和知识；Web使用挖掘，从记录每位用户点击情况的使用日志中挖掘用户的访问模式.这3种挖掘方式在自适应中都起着重要的作用.

对于Web界面来讲，可以分为横向界面系统和纵向界面系统.横向界面的自适应功能主要是指，其布局动态调整；纵向界面的自适应功能是指上下界面之间的导航链接.总的来说，界面是由多个功能对象组成，每个功能对象可能又由子功能组成.每个功能对象的活跃度各不相同，并且各个功能之间存在一定的联系.界面的布局是针对界面区域划分的，根据用户对整个界面方位的习惯进行级别的标记.用户每次使用界面上的功能对象时，会出现几种情况，而最坏的情况就是耗费大量的时间在区域上寻找自己将要使用的对象.界面的链接是根据功能间的联系，因此，设计者不仅要知道哪些功能对象是活跃的、活跃度如何，还要知道界面区域的兴趣度、如何划分区域，因此有以下定义.

定义1功能对象的活跃度：用户直接或间接使用功能对象的频率和概率统计.

定义2子区域的兴趣度：界面划分为多个区域后，在不同区域上各种事件被触发信息量累积的体现.

图1 Web界面自适应的过程

图1描述了一个Web界面自适应的过程：所有的用户个性信息都存放在服务器的日志里，对这些日志进行数据挖掘来了解用户的方位和行为趋势.在规则的研究过程中，发现功能对象和界面区域对界面的自适应同样起着重要的作用.功能对象的使用对于用户来说，在长时间使用时无明显的线性关系，但是在一个较短或特定的时间内可视为是“连续”的，即具有上下承接的关系，以及有些操作之间存在一种连接关系.例如：复制与粘贴等，对这些关系进行研究和表示对实现界面的自适应有积极的作用.

2 自适应的Web界面设计方法

设计一个自适应的Web界面来为用户提供个性化功能从而提高使用的效率.1) 监督用户和界面的互动操作;2) 辨別不同的事件;3) 采集一定的基本信息和数据，目的是建立用户模式库，包括对功能对象的兴趣度和界面区域方位的偏爱等;4) 识别用户的行为模式，与界面的变化建立联系.表1给出了对该思路的一种初步解决方案.首先，计算所有功能对象的使用频度，找到一个功能对象对的集合来反映功能对象的活跃度和它们之间的关系；其次，定义一个用户个性化的界面知识库，划分界面为多个子区域，生成兴趣子区域集；最后，应用该知识库到用户界面上，生成一个近似用户个性的自适应界面.同时，界面的变化会趋于稳定，进而产生一个用户个性化界面知识库.

表1 给出相关数据找到近似的规则集

2.1 用户行为的追踪分析及其预测

预测用户行为的前提是对用户过往的交互进行追踪与分析.用户与Web界面的交互可以通过寻找用户的足迹来获取预测信息，这些信息可以存储在Web日志、数据库、插件和临时变量中.在此采用的是临时变量和数据库结合的方式进行数据采集.实现的原理主要分为2个步骤：

1) 对界面上的各个功能进行监听，设置追踪器记录功能对象的使用次数；

2) 数据处理：后台的计算做出实时的推荐和存入数据库用于用户下一次界面的调整.

在站点里设置tractEvent()，对各种对象进行使用追踪.tractEvent(对象, 动作, 临时变量, 标签,……)嵌入在Web界面中，每当有效事件被执行后，进行后台处理，为下一次的使用推荐做准备.

对用户操作的推荐是通过统计模型来实现预测的.传统的统计频率会从用户对功能激活次数出发，进行排序后从多到少地显现.但这样的统计会忽略一些有用的信息，例如功能之间的关联信息、误操作相信(对兴趣子区域的划分有积极的作用)等.这种基于每个对象使用频率的推荐做出的预测对于首次使用来说准确性较高，但是对于连续的使用来说准确率就大打折扣.从用户使用信息中提取的频繁使用对象对，这样能够把各个功能对象联系起来.

图2 功能对象的活跃度的数值矩阵

由A、P总结得出功能对象对由〈Ai,Aj〉表示，Aj就是要得出的用户下一个使用对象，这种预测是将服务器端的日志作为输入来求得一副图来描述所有的功能对象.这种结构的存储在空间上带来一定的负担但有利于求最佳路径.于是就产生了一个n2个对的功能对象对集合.对用户使用的预测算法的主要步骤如下：

1) 追踪用户行为，调用tractEvent()；

2) 建立并初始化矩阵A*，求得的P记录了访问各功能对象的次数及总数，更新矩阵A中的元素；

3) 设置触发器TriggerObject()，当对象被触发时推荐相应的最优功能；

4) 随着用户使用总次数a的增加，采用增量更新的方式更新a.这样减少了更新的频率和计算量，因为当用户大量使用后，功能对象的规则集合趋于稳定，少量的使用对整体的使用仅有较小的影响，而对于用户的特殊操作不能及时做出响应，不能得到合理的推荐.

2.2 Web界面的自适应布局

Web界面的自适应变化的本质是对功能对象的布局.想要达到自适应的动态变化，仅仅对功能对象进行统计显然是不够的，因为每个用户对整个界面的方位感知程度不同.设计者在得出功能对象对集的同时，还应该对个性化界面的区域兴趣度做出分析，将功能对象放置于恰当的位置，起到界面自适应的效果.如图3所示，对于Web界面的布局，以二维网格[0,h]×[0,g]的形式来表示空间的上下左右位置变化是可取的、适合的[3].

图3 界面区域和功能对象在Web界面内的示例

界面整体被功能对象划分成界面子区域集R={r1,r2,…,rn}.功能对象数为n个，区域的划分即为n个.界面的划分并不是无基准、杂乱无章的，为此研究了多种划分界面区域的框架策略，如：网格式，注重区域的均分；箭靶式，注重于用户的方位感；信息基于信息量的混合复杂划分等.每个界面子区域由rj定义为(xj,yj,Srj,ρrj)来表示在整个界面中的位置、区域和兴趣度.(xj,yj)表示子区域的中心点在界面中的坐标；Srj是子区域的区域面积；ρrj说明子区域的信息量密度[4].ρrj计算公式如下：

(1)

I(bn)为对n个触发事件bn信息量的统计量，ωn为事件bn的权值.在这里需要说明，用户对区域的兴趣度不仅仅能由信息密度函数ρrj反映，还可以由区域rj信息增量ΔIrj来反映，尤其是当用户间歇性地兴趣改变，ΔIrj更能及时反馈用户的兴趣.子区域兴趣度由γ函数用来确定，每个子区域的兴趣度见以下公式：

(2)

界面的更新需要由功能对象的活跃度Pi和界面区域的兴趣度γj决定，而功能对象不是独立的，具有一定的粘合度.每个功能对象Ai在界面中的反映由ai标记，ai定义为(xi,yi,SAi,Pi).(xi,yi)表示为功能对象i的中心区域坐标，SAi为其功能对象的网格区域，Pi为该功能的活跃度(0≤Pi<1).对于不同的界面区域，其邻域的个数n(rj)也不同(1≤n(rj)≤n-1) .因此，公式(3)定义为功能对象Ai与界面子区域rj适应函数:

(3)

d(ρrx,ρry)是一个距离函数，它可以在数据的预处理阶段被计算出来.界面适应函数(3)使得界面的整体总是保持一种最佳的和谐状态.

在功能对象与界面的自适应过程中，始终是以整体的适应程度保持在最优的前提，功能对象Ai和子区域rj才能通过以下规则进行更新：

1) 对功能对象进行初始化布局，生成基于界面的功能对象集合；界面区域网格化，形成初始界面子区域集合；

2)Ai的活跃度Pi与现处于界面子区域rj计算所得的适应度值未大于过往适应度值，则说明用户使用情况基本趋于稳定，功能对象和区域不进行调整，则界面不更新；

3) 当不满足2)时，Ai需要寻找与其活跃度匹配的兴趣区域，即当界面仍然学习用户的使用模式.一块区域与一个Ai之间的适值为θ(通过约束使得理论上0≤θ≤1，θ在计算适应度时得出，只有在θ′≤θ且∑θ′≤∑θ时，界面需要做出调整)，同时其他的Aj={1,2,…,n}&&j≠i可能也要做出相应的调整；

4) 出现3)执行后，需要对界面进行重新划分，构建子区域集.

通过以上说明，表2描述界面自适应算法[5].功能对象和界面区域匹配的阀值经过多次更新趋于稳定, 阀值θ初始为0，每次界面更新，θ也自适应变化.阀值θ越大，功能对象和界面区域越适合，界面的变化也趋于稳定.

3 实验与结论

实验所使用的Web界面是IE6.0浏览器，屏幕的分辨率计算出可视区域面积大小是779×600，功能键即功能对象个数共为9，由4人分别使用该界面.实验所用的服务器和机器运行于Windows XP系统， 产生大约2 000条记录.图4和图5分别是初始状态的Web界面和自适应后的Web界面.通过对界面的使用，观测到用户的行为习惯是从左至右，根据自适应的算法以及布局的基本策略进行了界面调整.这确实对用户产生了积极的作用，方便了用户对功能的定位和使用.

图4 初始Web界面布局

图5 自适应后的Web界面布局

该技术由于处于起步阶段，对于实验员的操作、要求是有计划进行的，目的是对实验参数值进行预测来比对实验结果的准确性.实验内容主要包括两部分，一是实验数据的收集；二是对实验员进行调研，了解实现的情况和需要改进的方面.首先，对一些重要的参数，例如aji、pji、I(bn)、θ等进行数据收集，基于功能对象的参数值与估计值相差较小，而界面区域的划分有较大偏差.产生这种结果的原因主要有：1) 是实验次数不够多；2) 是以功能对象对的方式寻找对象之间的关系有显著的效果；3) 是基于某些人为因素的不确定性，对于预测来说是一个障碍；4) 是划分子区域的方式是一个瓶颈，可能需要添加额外的规则来进行调整.其次，对实验员进行调查问卷，主要是了解下一操作的预测准确性和界面的操作性等，是人机交互实验中一个重要环节.总结得到结论是实验员认为预测的准确率是基本满意，60%以上的操作能准确推荐，但是不能应付突发操作的产生；对界面的评价普遍认为存在问题，机器分配没有固定风格、布局显零乱等.

经过数据分析和交流，该文用户使用的预测算法能够简单、直接地实现推荐功能.传统的算法会搜索对象对集中的所有数来得到最佳结果，这样的算法复杂度为Ο(n2).但是该算法只需要确定上一操作的功能对象，在矩阵中搜索对应行上的数据，就等到推荐对象，因此一个功能对象对〈Ai,Aj〉中的Ai是已知来预测未知的Aj，复杂度为Ο(n)，并且很好地将两两对象之间的关系数值化.但是，该技术的瓶颈主要是在于界面自适应过程中的视觉化问题，界面布局的调整必定会给使用者的视觉带来一定的负担，并且布局的风格也不尽如人意.现阶段拟出的方案是为了界面的美观额外增加规则.因此，对于将来工作主要的重心是界面整体的和谐性与推荐功能对象的准确性.

[1] 吴刚,董金祥,何志均,等.可视化、智能化用户界面管理系统的模型及实现[J].软件学报,1997,8(4):283-290.

[2] 刘兵.Web数据挖掘[M].北京：清华大学出版社,2009:5-9.

[3] 徐晓华，陈崚.一种自适应的蚂蚁聚类算法[J].软件学报，2006,17(9):1884-1889.

[4] 程国庆,陈晓云.基于网格相对密度的多密度聚类算法[J].计算机工程与应用,2009,45(1):156-169.

[5] Perkowitz M, Etzioni O. Towards adaptive Web sites: Conceptual framework and case study[J]. Computer Networks,1999,31(11-16):1245-1258.

AWebAdaptiveInterfaceDesign

ZHAN Guo-hua1, WEI Wei2

(1. Hangzhou Institute of Service Engineering, Hangzhou Normal University, Hangzhou 310012, China; 2. College of Information Science and Technology, Hangzhou Normal University, Hangzhou 310036, China)

This paper proposed a new idea based on adaptation technologies for the Web interface. Considered obtaining users individual information as the task of Web usage mining, proceeded with the functional objects in the interface and the interface regions, the paper designed an algorithm for bringing out the functional object pairs to predicate the next movement of users, divided the region of Web interface into several sub-regions to lay the functional objects up, and dynamically arranged them by the algorithm of adaptive formula design to reach the effect of intelligence and be a new kind of user interface. Tested repeatedly by several users, this proposal has primarily realized the adaptation of functional objects and Web interface.

Web interface; adaption; Web usage mining; functional objects; sub-regional

10.3969/j.issn.1674-232X.2011.02.015

2010-10-09

詹国华(1957—)，男，浙江杭州人，教授，主要从事计算机网络、多媒体网络教育研究.E-mail: ghzhan@hznu.edu.cn

TP399

A

1674-232X(2011)02-0163-05