Vorhersageverhalten der Web-Benutzeroberfläche

Es sollte sofort angemerkt werden, dass dieser Artikel nur eine subjektive Reflexion darüber ist, wie das Verhalten von Schnittstellenelementen, die wissen, was der Benutzer zu einem bestimmten Zeitpunkt tut, aussehen und implementiert werden kann. Die Gedanken werden jedoch durch ein wenig Forschung und Umsetzung gestützt. Lass uns gehen.



Zu Beginn des Internets suchten Websites nicht nach Individualität bei der Gestaltung grundlegender Elemente der Benutzeroberfläche. Die Variabilität war gering, so dass die Seiten in ihren Komponenten ziemlich einheitlich waren.



Jeder Link sah aus wie ein Link, eine Schaltfläche wie eine Schaltfläche und ein Kontrollkästchen wie ein Kontrollkästchen. Der Benutzer wusste, wozu seine Aktion führen würde, da er eine klare Vorstellung vom Funktionsprinzip jedes Elements hatte.

Der Link sollte an eine andere Seite gesendet werden, unabhängig davon, woher der Link stammt, über das Navigationsmenü oder den Text in der Beschreibung. Die Schaltfläche ändert den Inhalt der aktuellen Seite, möglicherweise durch Senden einer Anfrage an den Server. Der Status des Kontrollkästchens wirkt sich höchstwahrscheinlich in keiner Weise auf den Inhalt aus, bis wir die Schaltfläche für eine Aktion drücken, die diesen Status verwendet. Daher genügte es dem Benutzer, das Schnittstellenelement zu betrachten, um mit hoher Wahrscheinlichkeit zu verstehen, wie er damit interagieren soll und wozu es führen wird.



Moderne Websites bieten dem Benutzer eine viel größere Anzahl von Rätseln. Alle Links sehen völlig anders aus, Schaltflächen sehen nicht wie Schaltflächen aus und so weiter. Um zu verstehen, ob eine Linie ein Link ist, muss der Benutzer mit der Maus darüber fahren, um zu sehen, wie sich die Farbe in eine kontrastreichere ändert. Um zu verstehen, ob ein Element eine Schaltfläche ist, bewegen wir den Mauszeiger, um die Änderung des Fülltons zu sehen. Mit den Elementen verschiedener Menüs ist auch alles kompliziert, einige von ihnen werden wahrscheinlich ein zusätzliches Untermenü erweitern, andere nicht, obwohl sie im Aussehen identisch sind.

Wir gewöhnen uns jedoch schnell an die Schnittstellen, die wir regelmäßig verwenden, und sind nicht mehr in der Funktionalität der Elemente verwirrt. Eine wichtige Rolle spielt die allgemeine Kontinuität der Schnittstellen. Wenn wir uns die obige Seite angesehen haben, werden wir höchstwahrscheinlich sofort feststellen, dass der gelbe Pfeil mit den Worten „Suchen“ nicht nur ein dekoratives Element, sondern eine Schaltfläche ist, obwohl er überhaupt nicht wie eine Standard-HTML-Schaltfläche aussieht. In Bezug auf Vorhersehbarkeit und Persönlichkeit sind die meisten Ressourcen zu einem stabilen Konsens gekommen, der von den Benutzern akzeptiert wird.

Andererseits wäre es interessant, eine Schnittstelle zu erhalten, die den Benutzer im Voraus über die Besonderheiten eines Elements informiert oder einen Teil der Routinearbeit für dieses Element ausführt. Der Cursor bewegt sich in Richtung des Menüpunkts - Sie können das Untermenü im Voraus erweitern und so die Interaktion mit der Benutzeroberfläche beschleunigen, der Benutzer bewegt den Cursor auf die Schaltfläche - Sie können zusätzlichen Inhalt laden, der erst nach dem Klicken erforderlich ist. Die Überschrift des Artikels vergleicht die Standardschnittstelle (links) und die Vorhersage.

Ein einfacher visueller Test zeigt, dass durch Analyse der Cursorgeschwindigkeit und ihrer Ableitungen die Bewegungsrichtung und die Koordinaten des Stopps in einer bestimmten Anzahl von Schritten vorhergesagt werden können. Da Bewegungsereignisse mit einer konstanten Frequenz relativ zur Größe der Beschleunigung ausgelöst werden, nimmt die Geschwindigkeit bei Annäherung an das Ziel ab. So können Sie die vom Benutzer geplante Aktion im Voraus herausfinden, was zu den bereits angekündigten Vorteilen führt.



Daher umfasst das Problem zwei Aufgaben: Bestimmen der zukünftigen Koordinaten des Cursors und Bestimmen der Absichten des Benutzers (Schweben, Klicken, Hervorheben usw.). Alle diese Daten sollten nur auf der Grundlage der Analyse der vorherigen Werte der Cursorkoordinaten erhalten werden.



Die Hauptaufgabe besteht darin, die Richtung der Cursorbewegung zu bewerten, anstatt das Stoppmoment vorherzusagen, was ein komplexeres Problem darstellt. Als Schätzung der Parameter einer verrauschten Größe kann das Problem der Berechnung der Bewegungsrichtung durch eine Masse bekannter Verfahren gelöst werden.

Die erste Option, die mir in den Sinn kommt, ist ein Filter mit gleitendem Durchschnitt . Wenn Sie die Geschwindigkeit in früheren Momenten mitteln, können Sie den Wert im Folgenden ermitteln. Frühere Werte können nach einem bestimmten Gesetz (linear, exponentiell, exponentiell) gewichtet werden, um den Einfluss der nächsten Zustände zu erhöhen und den Beitrag entfernterer Werte zu verringern.

Eine andere Option ist die Verwendung eines rekursiven Algorithmus, z. B. eines Partikelfilters . Um die Geschwindigkeit des Cursors zu bewerten, erstellt der Filter viele Hypothesen über den aktuellen Wert der Geschwindigkeit, auch Partikel genannt. Im ersten Moment sind diese Hypothesen absolut zufällig, aber weiter entfernt entfernt der Filter ungültige Hypothesen und generiert in der Umverteilungsphase regelmäßig neue, basierend auf zuverlässigen. Somit bleiben aus der Menge der Hypothesen nur diejenigen übrig, die dem wahren Wert der Geschwindigkeit am nächsten kommen.

Im folgenden Beispiel ist der Radiuswert direkt proportional zu seinem Gewicht, wenn der Cursor jedes Partikels zur Visualisierung bewegt wird. Somit charakterisiert der Bereich mit der höchsten Konzentration schwerer Partikel die wahrscheinlichste Richtung der Cursorbewegung.


Die erhaltene Bewegungsrichtung reicht jedoch nicht aus, um die Absichten des Benutzers zu bestimmen. Bei einer hohen Dichte von Schnittstellenelementen kann der Cursorpfad über vielen von ihnen liegen, was zu einer Masse von falsch positiven Ergebnissen des Vorhersagealgorithmus führt. Hier helfen maschinelle Lernmethoden, nämlich wiederkehrende neuronale Netze.

Die Koordinaten des Cursors sind eine Folge stark korrelierter Werte. Wenn die Bewegung verlangsamt wird, verringert sich die Differenz zwischen den Koordinaten der benachbarten Positionen auf der Zeitachse von Ereignis zu Ereignis. Die umgekehrte Tendenz macht sich zu Beginn der Bewegung bemerkbar - die Koordinatenintervalle nehmen zu. Wahrscheinlich kann dieses Problem mit akzeptabler Genauigkeit auch analytisch gelöst werden, indem die Werte der Ableitungen an verschiedenen Stellen des Pfades untersucht und die Antwortschwelle basierend auf dem Verhalten dieser Werte codiert werden. Die Koordinatenfolge der Cursorpositionen sieht jedoch naturgemäß wie ein Datensatz aus, der gut zu den Funktionsprinzipien von Netzwerken des Langzeit-Kurzzeitgedächtnisses passt.

LSTM- Netze sind eine spezielle Art von Architektur wiederkehrender neuronaler Netze, die zum Trainieren langfristiger Abhängigkeiten angepasst ist. Dies wird durch die Fähigkeit erleichtert, Informationen durch die Netzwerkmodule über eine Anzahl von Zuständen zu speichern. Auf diese Weise kann das Netzwerk Zeichen identifizieren, die beispielsweise darauf basieren, wie lange der Cursor langsamer wurde, was ihm vorausging, wie sich die Cursorgeschwindigkeit zu Beginn der Verlangsamung geändert hat usw. Diese Zeichen kennzeichnen bestimmte Muster des Benutzerverhaltens während bestimmter Aktionen, z. B. durch Klicken auf eine Schaltfläche.



Wenn wir also die am Ausgang des Partikelfilters und des neuronalen Netzwerks erhaltenen Daten kontinuierlich analysieren, erhalten wir den Moment, in dem Sie beispielsweise das Dropdown-Menü anzeigen können, während der Benutzer den Cursor darauf bewegt, um es in der nächsten Sekunde zu öffnen. Wenn Sie diese Analyse für jedes Mausereignis durchführen, ist es schwierig, den richtigen Moment zu verpassen.



Das LSTM-Netzwerktraining kann an einem Datensatz durchgeführt werden, der bei der Analyse des Benutzerverhaltens erhalten wird, und eine Reihe von Aufgaben ausführen, mit denen die Funktionen bei der Interaktion mit der Benutzeroberfläche identifiziert werden sollen: Klicken Sie auf eine Schaltfläche, bewegen Sie den Cursor über einen Link, öffnen Sie das Menü usw. Das Folgende ist ein Beispiel für das Auslösen einer Matrix von Vorhersageelementen, die nur auf einem Partikelfilter basieren, ohne neuronale Netzwerkanalyse.



Die folgenden Animationen zeigen den Beitrag des neuronalen Netzwerks zur Vorhersage des Benutzerverhaltens. False Positives werden viel weniger.



Im Allgemeinen läuft die Aufgabe darauf hinaus, zwei Größen auszugleichen - den Zeitraum zwischen der Aktion und ihrer Vorhersage und die Anzahl der Fehler (Fehlalarme und Auslassungen). Zwei Extremfälle sind die Auswahl aller Elemente auf der Seite (maximale Vorhersageperiode, eine große Anzahl von Fehlern) oder die sofortige Funktionsweise des Algorithmus, wenn der Benutzer handelt (Null Vorhersagezeitraum und fehlende Fehler).



Die Diagramme zeigen die auf Maximalwerte normierten Ergebnisse, da die Geschwindigkeit des Benutzers rein individuell ist und die Anzahl der Fehler von der jeweiligen Schnittstelle abhängt. Algorithmen für gleitenden Durchschnitt und Partikelfilter zeigen ungefähr ähnliche Ergebnisse. Die zweite ist etwas genauer, insbesondere bei Verwendung des Touchpads. Letztendlich können alle diese Optionen stark vom jeweiligen Benutzer und Gerät abhängen.



Zusammenfassend eine kleine Demo des Vorhersageverhaltens von HTML-Elementen, alles andere als ideal, aber ein wenig aufschlussreich.


Natürlich ist es bei solchen Aufgaben wichtig, ein Gleichgewicht zwischen Funktionalität und Vorhersagbarkeit zu finden. Wenn das resultierende Verhalten dem Benutzer nicht klar ist, macht die verursachte Irritation alle Bemühungen zunichte. Es ist schwierig darüber zu sprechen, ob es möglich ist, den Lernprozess des Algorithmus für den Benutzer unsichtbar zu machen, beispielsweise in den ersten Sitzungen seiner Kommunikation mit der Seitenschnittstelle, so dass sich die Schnittstellenelemente mithilfe der trainierten Algorithmen vorhersagbar verhalten. In jedem Fall ist aufgrund der individuellen Merkmale jeder Person eine zusätzliche Schulung erforderlich, die Gegenstand zusätzlicher Untersuchungen ist.