APP下载

基于大数据的手机App显示界面交互设计

2022-08-27陈远宁

景德镇学院学报 2022年3期
关键词:底层聚类界面

齐 红,陈远宁

(安庆职业技术学院,安徽 安庆 246003)

0 引言

现代化信息技术的发展,使得各种各样的手机App开始出现,其中的界面设计也成为一项不可或缺的技术[1]。App显示界面在保持美观的同时,更需要满足用户不断增长的使用要求,那么显示界面交互感受就成为评定App设计好坏的重要原则[2]。所谓交互设计,指的是人与计算机的互动,秉承着“以人为本”的理念。但是,当前许多App界面交互设计无法给予用户更好的交互体验,存在很多不足之处。文献[3]收集界面交互所需的数据信息,优化界面功能结构,再根据人机交互原理设计特征映射算法,完成显示界面的交互设计。但是,该交互方法计算复杂度较高。文献[4]整理国内外研究人员提出的界面交互设计方案,建立符合用户认知发展的初步设计方案。再根据认知心理学理论,设计多个交互策略改进交互方案,最后通过项目实践,优化App界面交互方案。但是,该方案容易出现相关性偏移问题。文献[5]结合界面交互效应分析模式,设计交互层次任务图像。从中选取潜在失效模式并计算风险值,确定带来风险值的主要因素,寻找界面交互失效产生的原因,以此为基础优化传统界面交互方法。但是,该方法抗干扰能力较差。文中对手机App显示界面交互行为深入研究,提出以大数据处理技术为核心的底层算法,达到有效的数据调度管理,确保界面交互所需的数据能够准确传输,符合用户交互体验要求的界面交互。

1 基于大数据的手机App显示界面交互设计

1.1 构建终端用户心智模型

手机App显示界面的交互设计,以满足用户交互要求为主要目的,文中建立终端用户心智模型,以PAD 情感模型、眼动指标为基础,对多维度情感状态进行定量测量。描述用户使用的手机App实时情感状态[6]。

其中,PAD情感模型需要根据愉悦、唤醒以及支配行为建立三维坐标模型,且每个坐标轴的取值范围均为[-1,1],通过不同坐标轴的取值,描述用户当前情感状态,PAD情感模型如图1所示。

基于图1模型,结合眼动指标,计算眼动数据的单因素方差,从中提取出与情感预测有关的眼动指标,利用最小二乘回归方法生成以情感值和眼动指标为核心的数学模型。

图1 PAD情感模型

数学模型建立过程中,将PAD情感值充当因变量,并以筛选后的眼动指标充当自变量,随机选取部分手机App终端用户样本,分析因变量与自变量之间的联系,生成如下所示的两个数据表:

式中,X表示自变量数据表,Y表示因变量数据表,x表示自变量,y表示因变量,p表示自变量数量,q表示因变量数量,m表示样本点。

数据表生成后,为了便于后续计算,采用标准化处理方法将自变量和因变量数据表转化为相对应的数据矩阵。从每个数据矩阵内选择第一个轴充当单位向量,再根据拉格朗日法获取矩阵相应的单位特征向量,基于上述参数信息,得到回归方程:

式中,E0表示自变量数据表对应的数据矩阵,F0表示因变量数据表对应的数据矩阵,t1表示数据矩阵E0的单位向量,u1表示数据矩阵F0的单位向量,r1、p1、q1表示回归系数向量,E、F*、F表示残缺矩阵。

根据公式⑶,与最小二乘回归方程,将PAD情感值和眼动指标构成的数学模型表示为:

式中,ya表示因变量样本,xb表示自变量样本,θ表示均值,S表示均方差。

利用公式⑷描述PAD情感值与眼动指标之间的关联性,将上述构建的用户心智模型应用于手机App界面交互设计中,准确提取出当前用户交互需求。

1.2 建立显示界面交互架构

基于上述用户心智模型,提取出手机App显示界面交互所需的基础数据信息[7]。界面交互设计过程中,根据所需数据信息调度相应交互数据,文中采用大数据分析方法实现交互信息的统一处理。再结合交叉编译控制、交叉总线控制两种方法,读取数据库中对界面交互有益的信息,并检测出上述大数据内特征信息,实现大数据的融合跟踪。将处理后的大数据以总线传输的方式传递至输出端。根据上述设计要求,建立以大数据技术为基础的手机App显示界面交互整体架构图,如图2所示。

图2 界面交互整体架构图

由图2可知,App显示界面的交互需要从终端用户节点开始,将用户请求发送至共享知识列表,并与集群服务器相结合反馈给用户合理的交互信息。

文中建立的界面交互架构依托于功能模块化技术,通过多线程分布式结构建立界面交互体系,将大数据信息处理技术放置于架构底层。再设置API接口将底层算法与上层架构相连,完成界面交互过程中数据传输、信息管理与交互状态监测。

1.3 设计底层大数据推送算法

在图2架构体系上,利用大数据处理技术建立底层算法,将界面交互所需的数据信息调取出来[8]。交互数据的调度,需要分析显示界面的大数据分布时域函数,计算公式为:

手机App显示界面大数据分布时域函数计算完成后,结合交叉编译技术聚类大数据信息,并针对聚类后的大数据,提取出不同聚类的属性特征[9],特征分布公式为:

式中,R表示交互层次性特征结合。确定属性特征分布情况后,采用类间离散度计算结果,识别显示界面大数据信息中不同特征类型,并对每一属性特征设置相应的交互模糊聚类中心[10]。

文中采用统计分析的方式,依据属性特征划分界面交互的底层大数据,并提取其中的自变量数据内容。以类间聚类中心矢量值为基础,计算聚类中心间的相轨迹距离,公式为:

式中,dl,dg表示类间聚类中心l、g的矢量值,D表示相轨迹距离。

通过模糊算法获取特征向量层次聚类集合,描述为:

式中,λ表示聚类向量集,z表示模糊层次输出向量,v表示模糊层次数量。文中根据大数据内自相关语义特征,实现界面交互内数据聚类分组。界面交互过程中,调度具有同类属性的底层数据,这一过程中,调度函数表述为:

式中,J表示调度函数,∂表示数据聚类的空间分布维数,U表示数据类型属性,V表示数据聚类中心,k表示交互节点,c表示界面交互节点总数,dk表示交互节点与聚类中心的欧氏距离,具体计算公式为:

综合上述公式,生成界面交互所需的数据调度传输模型:

式中,μ表示聚类中心统计的大数据量。通过上述底层算法,实现界面交互设计中大数据处理。

1.4 实现手机App显示界面交互设计

大数据处理完成后,设计以IEEE488.2为基础的界面交互传输协议,确保界面交互的正常运行。考虑到大数据处理底层算法的计算复杂性,为了控制底层算法计算时间,将该算法嵌入至Linux内核控制系统内,并进行算法完善。Linux内核控制过程中,参考接口具体类型,设计界面交互I/O接口。并且,在Linux内核控制系统上建立MySQL数据库,应用于后续界面交互实验中,不断调整信息调度的合理性,生成交互所需的编译函数。

需要注意的是,交叉编译模式可以有效控制界面程序的调度。作为最常见的程序控制模式之一,文中结合SQL语句和Connection语句,使得界面交互所需的程序按照要求发生变化。依托于ARM9TDMI设计一个控制器,结合ADO、NET等组件综合管理大数据处理程序。其中,界面交互综合管理的重要环节之一是内源文件的管理,文中利用多线程连接方法优化界面交互设计方案,有效提升底层算法的数据处理能力。

通常情况下,程序控制与进程管理是交互设计的主要控制环节。对于进程管理这一环节,文中建立一种自下而上的控制体系,结合I/O资源层准确调度手机App显示界面交互所需数据资源,完成信息科学化界面交互。利用GPIB、串口等组件生成底层信息库,达到集成化配置交互资源的目的。通过数据库访问、数据库调度等方法,实时调度界面交互所需的信息数据,实现手机App显示界面的交互。

2 实验

文中针对手机App显示界面交互问题,设计以大数据为基础的交互方法。近几年酒店行业快速发展,为了提供优质服务,推出酒店服务App,便于用户完成酒店预订和其他住宿服务。本文以酒店服务App为例,应用文中提出的界面交互方法进行实验,明确所提出交互模式的可行性。

2.1 设计界面交互架构

分析该App使用流程后,获取App显示界面所需的交互子任务。从登记入住这一界面来看,用户按照酒店入住服务流程,设置App登记入住办理界面包括验证身份、选择房间等多个子任务。结合文中提出的用户心智模型,得到酒店服务手机App界面交互流程,如图3所示。

根据界面交互流程建立总体交互架构,实验过程中根据用户心智模型得出用户群特点,设为横坐标轴,纵坐标轴设置为交互序列,参考酒店服务App登记入住流程,基本界面交互设计矩阵如表1所示。

根据表1所示的通用设计矩阵明确了酒店服务手机App主要用户群体,和手机办理登记入住主要步骤。通过设计矩阵中交叉单元,针对不同用户群体在界面交互中可能遭遇的问题,结合文中提出的底层大数据算法,设计具有降低用户认知负荷特点的交互设计方案,将其作为本次实验测试的核心。

图3 酒店服务界面交互流程

表1 登记入住任务通用设计矩阵

2.2 实验方案

为了更加直观地描述出文中提出界面交互方法的应用效果。本次实验要求45名参与者,将其划分为3组实验人员,每组男性和女性比例相同,且每组参与者包含新手用户、高龄用户和低教育程度三种类型。选取其中一组参与者,操作文中设计的界面交互模式,并让其他两组实验参与者分别操作文献[3]、文献[4]提出的界面交互模式。将实验参与者安排在实验室内,测试上述提出的酒店服务App界面交互模式,并在交互任务结束后,集合所有实验参与者填写认知负荷测量表。

当界面交互后用户出现认知负荷超载现象,表明所提出的交互方案无法带给用户较好的交互体验。因此,文中选定界面交互模式应用后,根据认知负荷变化情况,判断所提出界面交互方法的有效性。

考虑到用户认知负荷的计算具有多维性特点,文中结合成绩测量和主观评定测量两种测量方式,获取更合理的用户认知负荷值,具体的测量过程如图4所示。

根据图4可知,用户认知负荷测量主要包括两个环节。首先,记录实验参与者在界面交互过程中耗费时间、操作流程,结合成绩测量法计算用户界面交互的认知负荷。其次,根据用户填写的认知负荷测量表,获取主观评定的认知负荷。最后,结合成绩测量结果和主观评定结果,获取用户界面交互任务完成后用户认知负荷,认知负荷越低,表明所提出的界面交互方案带来的用户体验越佳。

图4 用户认知负荷测量

2.3 实验结果分析

通过上述认知负荷测量方式,计算不同实验参与者测试组用户的平均认知负荷值,明确文中设计交互方法、文献[3]交互方法和文献[4]交互方法的实际应用效果。用户认知负荷对比结果如图5所示。

由图5可知,文中提出以大数据为基础的显示界面交互方法,与文献[3]和文献[4]交互方法相比,用户平均认知负荷值降低了54.55%、66.67%,极大程度地提升用户交互体验。

图5 界面交互后用户认知负荷对比图

3 结束语

文中针对手机App显示界面的交互问题进行研究,提出以大数据信息处理技术为核心的交互方法。利用用户心智模型明确App用户群体特征,并以此为基础建立界面交互整体架构。基于大数据建立界面交互所需的底层算法,实现数据的准确、快速调度,再结合交叉编译方法完成界面交互整体设计。根据实验结果可知,所提出的交互方法能给用户较好交互体验。由于研究条件的局限,所提出的交互方法仍存在部分缺陷,未来需要继续研究。

猜你喜欢

底层聚类界面
航天企业提升采购能力的底层逻辑
国企党委前置研究的“四个界面”
一种可用于潮湿界面碳纤维加固配套用底胶的研究
基于K-means聚类的车-地无线通信场强研究
基于FANUC PICTURE的虚拟轴坐标显示界面开发方法研究
基于高斯混合聚类的阵列干涉SAR三维成像
电子显微打开材料界面世界之门
基于Spark平台的K-means聚类算法改进及并行化实现
基于改进的遗传算法的模糊聚类算法
回到现实底层与悲悯情怀