UI数据处理方法及装置与流程

ui数据处理方法及装置
技术领域
1.本技术实施例涉及计算机技术领域，尤其涉及一种ui数据处理方法及装置。


背景技术：

2.随着互联网技术的迅速发展，如何为用户提供更好的应用服务成为应用厂商的研究重点。现有技术中，应用厂商会提供多种应用ui方案，并通过向用户投放其所偏好的ui方案的方式，以满足不同用户的个性化的应用使用需求。
3.基于此，如何能够准确识别出不同用户对不同ui方案的使用偏好，成为亟待解决的问题。


技术实现要素：

4.本技术实施例提供了一种ui数据处理方法及装置，通过以可视化分析图的方式将不同人群类型的用户对不同ui方案的使用偏好进行表征，从而能够帮助应用厂商快速获知人群类型与ui方案之间的偏好关系，便于应用厂商能够为用户提供更好的应用ui方案投放服务。
5.第一方面，本技术实施例提供了一种ui数据处理方法，包括：
6.获取用户操作数据，用户操作数据包括多个人群类型的用户使用多个ui方案所产生的数据；利用用户操作数据对人群类型和ui方案进行对应分析，得到第一因子载荷和第二因子载荷；基于第一因子载荷和第二因子载荷，生成可视化分析图；其中，可视化分析图用于表征不同人群类型的用户对不同ui方案的使用偏好。
7.可知的是，本实施方式中，通过对多个人群类型的用户使用多个ui方案的所产生的用户操作数据进行基于对应分析法的分析处理，以得到第一因子载荷和第二因子载荷。通过利用第一因子载荷和第二因子载荷，生成相应的可视化分析图，该可视化分析图以用于表征不同人群类型的用户对不同ui方案的使用偏好，利用该可视化分析图，应用厂商可快速和准确的对于用户使用偏好进行识别获取，便于其能够为用户提供更好的应用ui方案投放服务。
8.可选的，第一因子载荷用于表征不同人群类型相对于公共因子的因子得分，第二因子载荷用于表征不同ui方案相对于公共因子的因子得分；
9.基于第一因子载荷和第二因子载荷，生成可视化分析图，包括：将第一因子载荷所表征的不同人群类型的因子得分，和第二因子载荷所表征的不同人群ui方案的因子得分，投影在基于公共因子的因子载荷平面上，获得可视化分析图。
10.可知的是，本实施方式中，第一因子载荷和第二因子载荷分别用于表征人群类型和ui方案相对于公共因子的因子得分，而通过相同的公共因子可将第一因子载荷和第二因子载荷投影至同一因子载荷平面上，从而可实现在统一的平面上对不同维度的数据变量的表示。
11.可选的，第一因子载荷中不同的矩阵行对应不同的人群类型；第二因子载荷中不
同的矩阵行对应不同的ui方案；
12.将第一因子载荷所表征的不同人群类型的因子得分，和第二因子载荷所表征的不同人群ui方案的因子得分，投影在基于公共因子的因子载荷平面上，获得可视化分析图，包括：将第一因子载荷中每一矩阵行中的第一列矩阵值和第二列矩阵值作为各人群类型相对于公共因子的因子得分，并根据各人群类型相对于公共因子的因子得分确定各人群类型在因子载荷平面的坐标位置；第二因子载荷中各矩阵行中的第一列矩阵值和第二列矩阵值作为各ui方案相对于公共因子的因子得分，并根据各ui方案相对于公共因子的因子得分确定各ui方案在因子载荷平面的坐标位置；根据各人群类型在因子载荷平面的坐标位置和各ui方案在因子载荷平面的坐标位置，生成基于因子载荷平面的可视化分析图。
13.可知的是，在本实施方式中，通过根据第一因子载荷中每一矩阵行中的第一列矩阵值和第二列矩阵值，以及第二因子载荷中各矩阵行中的第一列矩阵值和第二列矩阵值确定出各人群类型在因子载荷平面的坐标位置和各ui方案在因子载荷平面的坐标位置，从而实现对于可视化分析图中各人群类型和各ui方案的描点处理，实现对于用户使用偏好的准确表达。
14.可选的，该方法还包括：计算可视化分析图中各人群类型坐标位置和各ui方案的坐标位置之间的距离；根据各人群类型和各ui方案之间的距离确定不同人群类型的用户对不同ui方案的使用偏好。
15.可知的是，本实施方式中，通过计算可视化分析图中各人群类型和各ui方案之间的坐标位置的距离，从而能够实现对用户使用偏好的确定。
16.可选的，利用用户操作数据对人群类型和ui方案进行对应分析，得到第一因子载荷和第二因子载荷，包括：基于用户操作数据，计算人群类型的第一协方差矩阵和ui方案的第二协方差矩阵；对第一协方差矩阵和第二协方差矩阵进行特征值分解处理，得到公共特征矩阵、人群类型特征向量和ui方案特征向量；根据共同特征矩阵和人群类型特征向量计算第一因子载荷，并根据共同特征矩阵和ui方案特征向量计算第二因子载荷。
17.可选的，基于操作数据，计算人群类型的第一协方差矩阵和ui方案的第二协方差矩阵，包括：对用户操作数据对应的操作数据矩阵进行概率变换处理，得到概率矩阵；对概率矩阵进行标准化变换处理，得到得分矩阵；根据得分矩阵和得分矩阵的转置矩阵，得到第一协方差矩阵和第二协方差矩阵。
18.可选的，根据共同特征矩阵和人群类型特征向量计算第一因子载荷，并根据共同特征矩阵和ui方案特征向量计算第二因子载荷，包括：确定共同特征矩阵中的各特征值，并对各特征值进行数值排序，得到共同特征矩阵对应的特征序列；根据特征序列和人群类型特征向量计算第一因子载荷；根据特征序列和ui方案特征向量计算第二因子载荷。
19.可知的是，本实施方式中限定了对于第一因子载荷和第二因子载荷的生成方式，通过上述方式，能够将用户操作数据中的人群类型这一数据变量和ui方案这一数据变量进行定量表达，便于后续对于可视化分析图的生成。
20.第二方面，本技术实施例提供了一种ui数据处理装置，包括：
21.获取模块，用于获取用户操作数据，用户操作数据包括多个人群类型的用户使用多个ui方案所产生的数据；
22.处理模块，用于利用用户操作数据对人群类型和ui方案进行对应分析，得到第一
因子载荷和第二因子载荷；
23.生成模块，用于基于第一因子载荷和第二因子载荷，生成可视化分析图；其中，可视化分析图用于表征不同人群类型的用户对不同ui方案的使用偏好。
24.第三方面，本技术实施例提供了一种电子设备，包括：存储器，处理器；
25.至少一个处理器；以及
26.存储器；
27.存储器存储计算机执行指令；
28.至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面的方法。
29.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如第一方面的方法。
30.第五方面，本技术实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面的方法。
31.本技术提供的一种ui数据处理方法及装置，通过对多个人群类型的用户使用多个ui方案的所产生的用户操作数据进行对应分析，以得到可用于表示各人群类型之间的相关关系的第一因子载荷和用于表示各ui方案之间的相关关系的第二因子载荷，从而可利用该第一因子载荷和第二因子载荷，生成可视化分析图。利用该可视化分析图，应用厂商可实现对于不同人群类型的用户对不同ui方案的使用偏好的准确识别，便于其能够为用户提供更好的应用ui方案投放服务。
附图说明
32.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
33.图1为现有技术中的一种ui数据处理方法的示意图；
34.图2为本技术所基于的一种网络架构的示意图；
35.图3为本技术实施例提供的一种ui数据处理方法的流程示意图；
36.图4为本技术实施例提供的一种可视化分析图的示意图；
37.图5为本技术实施例提供的一种ui数据处理方法中对应分析的流程示意图；
38.图6为本技术实施例提供的ui数据处理装置的结构框图；
39.图7为本技术提供的一种电子设备的硬件结构示意图。
40.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
41.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
42.本技术的技术方案中，所涉及的用户操作数据的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
43.随着互联网技术的迅速发展，如何为用户提供更好的应用服务成为应用厂商的研究重点。应用厂商会提供多种应用ui方案，并通过向用户投放其所偏好的ui方案的方式，以满足不同用户的个性化的应用使用需求。
44.在现有技术中，对不同用户对不同ui方案的使用偏好的识别一般可通过如下几种方式实现的：
45.其一，应用厂商可统计不同用户对不同ui方案的点击率数据，然后基于点击率数据之间的差异，以对不同用户对不同ui方案的使用偏好进行分析。
46.但是，这样的分析方式所获得的分析结果较为粗糙，其分析效果较差。
47.其二，应用厂商可通过利用神经网络模型提取不同人群类型的人群特征和不同ui方案的方案特征，并对人群特征和方案特征之间的交叉关系进行约束分析，从而得不同用户对不同ui方案的使用偏好的分析结果。
48.图1为现有技术中的一种ui数据处理方法的示意图，应用厂商可采集用户使用ui方案的原始数据，并将该原始数据多次输入至神经网络模型中。
49.如图1所示的，原始数据第1次输入至神经网络模型之后，该神经网络模型将提取原始数据的特征，得到人群特征1和方案特征1；通过神经网络模型对该特征的分析，得到第1次输出结果，即分析结果1。此外，应用厂商还可将原始数据再次输入至神经网络模型，即原始数据第2次输入至神经网络模型以提取原始数据的特征，得到人群特征2和方案特征2；通过神经网络模型对该特征的分析，得到第2次输出结果，即分析结果2。
50.其中，由于第1次输出的分析结果1是对人群特征1和方案特征1进行分析得到的，而第2次输出的分析结果2是对人群特征2和方案特征2进行分析得到的，而由于特征的不同，两次输出的分析结果也是不同的。
51.换句话说，基于神经网络模型机制，采用相同的神经网络模型对相同的数据进行特征提取，往往会得到不同的人群特征和不同的方案特征，基于不同的人群特征和不同的方案特征所得到的分析结果也是不同。这也将导致利用神经网络模型在进行特征提取时的稳定性较差，分析结果的稳定性和置信度均不高，分析效果不佳。
52.面对上述提及的现有分析方法中，分析结果准确性较差、稳定性不佳等问题，本技术实施方式中，通过对多个人群类型的用户使用多个ui方案的所产生的用户操作数据进行对应分析，以得到可用于表示各人群类型之间的相关关系的第一因子载荷和用于表示各ui方案之间的相关关系的第二因子载荷，从而可利用该第一因子载荷和第二因子载荷，生成可视化分析图。利用该可视化分析图，应用厂商可实现对于不同人群类型的用户对不同ui方案的使用偏好的准确识别，便于其能够为用户提供更好的应用ui方案投放服务。
53.参考图2，图2为本技术所基于的一种网络架构的示意图，图2所示网络架构具体可包括服务器1、第一终端2以及第二终端3。
54.服务器1具体可为设置在云端的服务器集群，该服务器1可用于为用户提供应用服务，还可用于按照本技术提供的可视化分析方法对用户操作数据进行处理和分析。可知的是，为了提供应用服务以及对数据的处理和分析功能，服务器1将有可实现上述功能的逻辑运算模块、数据存储模块以及通信模块等构成。
55.第一终端2和第二终端3具体可为具有网络通信功能、运算功能、图像采集功能以及信息显示功能的硬件设备，其包括但不限于智能手机、平板电脑、台式电脑、物联网设备等。
56.如图2所示的，本技术实施方式中，服务器1可分别与第一终端2和第二终端3建立通信链接。服务器1可通过与第一终端2的通信链接为各第一终端2提供应用服务，其中，在服务器1向第一终端2提供应用服务时，可向不同的第一终端2投放不同的ui方案，并通过对各第一终端2反馈的操作数据进行处理和分析，将得到的可视化分析图。服务器1还可通过与第二终端3的通信链接将该可视化分析图下发给第二终端3，以供应用厂商的相关人员使用。
57.下面通过具体的实施例对本技术提供的方案进行详细说明。下面的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
58.需要说明的是，本实施例中提供的ui数据处理方法，该ui数据处理方法的执行主体为ui数据处理装置，该装置可安装或集成在前述图2提及的服务器中，以实现下述实施例所述的方法。
59.图3为本技术实施例提供的一种ui数据处理方法的流程示意图。如图3所示的，该ui数据处理方法可以包括如下几个步骤：
60.步骤301、获取用户操作数据，用户操作数据包括多个人群类型的用户使用多个ui方案所产生的数据。
61.人群类型是指具有某一属性的用户的集合，例如，女性用户、男性用户可分别作为不同人群类型的用户；又例如，青年用户、老年用户、中年用户也可分别作为不同人群类型的用户。
62.ui方案是指用户在使用应用时的人机交互、操作逻辑和页面布局的集合。对于应用来说，可预先创建多种不同的ui方案，不同的ui方案中的人机交互、操作逻辑和页面布局的组合将不同。
63.具体的，结合图2可知，服务器可将不同ui方案投放至不同的第一终端，以供用户使用。因此，在可选方式中，可视化分析装置可获取用户使用不同ui方案时所产生的数据，并对这些数据按照其数据所属于的用户的人群类型和ui方案进行数据统计，得到用户操作数据。基于此，服务器会相应的接收到来自各第一终端的用户使用ui方案时所产生的数据，这些数据包括但不限于浏览次数、浏览时长、点击次数等。
64.而当可视化分析装置获取到用户使用每一ui方案的浏览次数、浏览时长和点击次数等数据之后，将会按照不同的人群类型和不同的ui方案对数据进行统计，以得到如表1所示的用户操作数据。
65.表1
66.点击次数男性用户女性用户ui方案1234444ui方案2432232ui方案3434445
67.如表1所示的，其表1中的每一行数据表征了一种ui方案在不同人群类型中所对应的点击次数，表1中的每一列数据表征了一类人群类型的用户在使用各种ui方案时对应产
生的点击次数。
68.可知的是，表1中的用户操作数据的数据值以表征点击次数为例进行说明，在其他可选实施方式中，该用户操作数据的数据值还可表征浏览次数、浏览时长甚至表征多个数据含义，本实施方式对此不进行限制。
69.步骤302、利用用户操作数据对人群类型和ui方案进行对应分析，得到第一因子载荷和第二因子载荷。
70.步骤303、基于第一因子载荷和第二因子载荷，生成可视化分析图；其中，可视化分析图用于表征不同人群类型的用户对不同ui方案的使用偏好。
71.需要说明的是，对应分析(correspondence analysis)是一种多元相依变量统计分析技术，其可对应分析法可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。
72.具体来说，在本技术实施方式中，利用对应分析对用户操作数据进行人群类型和ui方案的分析，能够得到人群类型对应的第一因子载荷和ui方案对应的第二因子载荷。
73.通过对应分析，可以分析统计出每一个人群类型在公共因子上的负荷，并得到可用于反应每一个人群类型在公共因子上的相对重要性的第一因子载荷；通过对应分析，还可以分析统计出每一ui方案在公共因子上的负荷，并得到可用于反应每一ui方案在公共因子上的相对重要性的第二因子载荷。
74.换句话说，第一因子载荷可用于表征不同人群类型相对于公共因子的因子得分，第二因子载荷可用于表征不同ui方案相对于所述公共因子的因子得分。相应的，可将第一因子载荷所表征的不同人群类型的因子得分，和第二因子载荷所表征的不同人群ui方案的因子得分，投影在基于公共因子的因子载荷平面上，获得所述可视化分析图。
75.其中，由于第一因子载荷和第二因子载荷均与公共因子相关联，此时，在生成可视化分析图时，可将该公共因子作为轴构建因子载荷平面，并基于相对于公共因子的因子得分将第一因子载荷和第二因子载荷投影在构建的因子载荷平面上，从而生成可视化分析图。
76.在可视化分析图中，将以二维散点图的形式，对各人群类型和各ui方案相对于公共因子的因子得分进行表征，而各散点之间的距离远近则可用于表征不同散点的关联紧密程度。
77.图4为本技术实施例提供的一种可视化分析图的示意图，该可视化分析图中显示有大量散点，每一个散点均对应一种变量因素，而各散点之间的距离则用于表征其变量因素之间的关联性。如图4所示的，靠近图4上方部分显示出“女/购买力(中)”的人群类型与“用户评价”这一ui方案的子项目之间的距离较近，其二者之间的关联性较高；而靠近图4上方部分显示出“女/购买力(中)”的人群类型与图4右下部分显示出的“店铺优惠券”这一ui方案的子项目之间的距离较远，其二者之间的关联性较低。
78.在本实施方式中，通过利用第一因子载荷和第二因子载荷，生成相应的可视化分析图，该可视化分析图以用于表征不同人群类型的用户对不同ui方案的使用偏好，利用该可视化分析图，应用厂商可快速和准确的对于用户使用偏好进行识别获取，便于其能够为用户提供更好的应用ui方案投放服务。
79.为了更好的说明本技术提供的可视化分析方法，下面将以表1为例，对本案涉及的对应分析部分的内容进行进一步说明：
80.图5为本技术实施例提供的一种ui数据处理方法中对应分析的流程示意图，如图5所示的，在利用用户操作数据对人群类型和ui方案进行对应分析时，可至少包括如下几个步骤：
81.步骤501、基于用户操作数据，计算人群类型的第一协方差矩阵和ui方案的第二协方差矩阵。
82.步骤502、对第一协方差矩阵和第二协方差矩阵进行特征值分解处理，得到公共特征矩阵、人群类型特征向量和ui方案特征向量。
83.步骤503、根据共同特征矩阵和人群类型特征向量计算第一因子载荷，并根据共同特征矩阵和ui方案特征向量计算第二因子载荷。
84.其中，在获得如表1所示的用户操作数据之后，如步骤401所述的，首先，可视化分析装置会基于用户操作数据，计算人群类型的第一协方差矩阵和ui方案的第二协方差矩阵。
85.在计算人群类型的第一协方差矩阵和ui方案的第二协方差矩阵的过程中，可视化分析装置先可对用户操作数据对应的操作数据矩阵进行概率变换处理，得到概率矩阵；然后对概率矩阵进行标准化变换处理，得到得分矩阵；最后，根据得分矩阵和得分矩阵的转置矩阵，得到第一协方差矩阵和第二协方差矩阵。
86.以前述表1为例，可视化分析装置可先将如前表1所述的用户操作数据转换为对应的操作数据矩阵，即其中的每一行数据值和每一列数据值均对应为操作数据矩阵x中相应矩阵行和相应矩阵列的矩阵值。
87.即，可得到如下所示的操作数据矩阵x：
[0088][0089]
然后，可视化分析装置还将对操作数据矩阵x进行概率变换处理，得到概率矩阵z。
[0090]
其中，概率变换处理可用于将如点击次数在内的数据值转换为点击概率的概率值。
[0091]
即，可得到如下所示的概率矩阵z：
[0092][0093]
其中，n为操作数据矩阵x中各矩阵值的和。
[0094]
即，n＝x
11
+x
12
+
…
+x
32
＝234+432+
…
+445＝2221。
[0095]
再后，对概率矩阵进行标准化变换处理，得到得分矩阵s。
[0096]
针对得分矩阵s中第i行第j列的矩阵值s
ij
，其可表示为：
[0097][0098]
其中的r用于表示概率矩阵z中各矩阵行的和向量，即r＝[0.3052679,
0.29896443,0.39576767]
t
。
[0099]
其中的c用于表示概率矩阵z中各矩阵列的和向量，即c＝[0.4952724,0.5047276]
t
。
[0100]
将r和c代入前述的得分矩阵s的表达式，可得到概率矩阵z对应的得分矩阵s：
[0101][0102]
当得到得分矩阵s之后，可视化分析装置还将根据得分矩阵s和得分矩阵的转置矩阵s
t
，得到第一协方差矩阵a和第二协方差矩阵b。
[0103]
其中，第一协方差矩阵a可表示为：
[0104][0105]
第二协方差矩阵b可表示为：
[0106][0107]
至此，得到人群类型的第一协方差矩阵a和ui方案的第二协方差矩阵b。随后，可视化执行装置将执行步骤402。
[0108]
在步骤402中，可视化执行装置对第一协方差矩阵a和第二协方差矩阵b进行特征值分解处理，得到公共特征矩阵λ、人群类型特征向量u和ui方案特征向量v。
[0109]
具体的，对第一协方差矩阵a进行特征值分解处理可表示为：
[0110]
a＝u
t
λu
[0111]
对第二协方差矩阵b进行特征值分解处理可表示为：
[0112]
b＝v
t
λv
[0113]
可知的是，对第一协方差矩阵a和第二协方差矩阵b进行特征值分解处理所得到的λ为相同的特征矩阵。
[0114]
最后，如步骤403所述的，可视化执行装置还将根据共同特征矩阵λ和人群类型特征向量u计算第一因子载荷f，并根据共同特征矩阵λ和ui方案特征向量v计算第二因子载荷g。
[0115]
具体的，上述得到共同特征矩阵λ一般为对角矩阵，可视化执行装置可提取该共同特征矩阵λ的对角线的各特征值，并将各特征值按照数值大小将特征值从大到小进行排序，得到共同特征矩阵对应的特征序列，如λ1、λ2、
…
、λm。
[0116]
可视化执行装置将根据特征序列和人群类型特征向量计算第一因子载荷f，即得到：
[0117][0118]
可视化执行装置将根据特征序列和ui方案特征向量计算第二因子载荷g，即得到：
[0119][0120]
依旧以前述表1为示例，当对于如前所述的第一协方差矩阵a和第二协方差矩阵b进行特征值分解之后，可知其各特征值中λ2、
…
、λm均近似于0。基于此，可得到如下的第一因子载荷f和第二因子载荷g。
[0121][0122][0123]
其中，第一因子载荷中不同的矩阵行对应不同的人群类型，在生成可视化分析图时，可将第一因子载荷中f每一矩阵行中的第一列矩阵值和第二列矩阵值作为各人群类型相对于公共因子的因子得分，并根据各人群类型相对于公共因子的因子得分确定各人群类型在因子载荷平面的坐标位置。
[0124]
即，根据得到的第一因子载荷f可知，男性用户这一人群类型的用户在因子载荷平面坐标值将表示为(0.168701127，0)；女性用户这一人群类型的用户在因子载荷平面坐标值将表示为(-0.167113494，0)。
[0125]
同时，第二因子载荷g中不同的矩阵行对应不同的ui方案，在生成可视化分析图时，将第二因子载荷中各矩阵行中的第一列矩阵值和第二列矩阵值作为各ui方案相对于公共因子的因子得分，并根据各ui方案相对于公共因子的因子得分确定各ui方案在因子载荷平面的坐标位置。
[0126]
即，根据得到的第二因子载荷g可知，ui方案1这一ui方案在因子载荷平面坐标值将表示为(-0.165914902，0)；ui方案2这一ui方案在因子载荷平面坐标值将表示为(0.169869160，0)；ui方案3这一ui方案在因子载荷平面坐标值将表示为(-0.00192451782，0)。
[0127]
至此，可视化分析装置可根据各人群类型在因子载荷平面的坐标位置和各ui方案在因子载荷平面的坐标位置，生成基于因子载荷平面的可视化分析图。
[0128]
当然，可视化分析装置还可利用该可视化分析图对各人群类型的用户对各ui方案的使用偏好情况进行分析：
[0129]
在可选实施方式中，可视化分析装置可计算可视化分析图中各人群类型坐标位置和各ui方案的坐标位置之间的距离；然后，根据各人群类型和各ui方案之间的距离确定不同人群类型的用户对不同ui方案的使用偏好。
[0130]
具体的，以前述坐标位置为例，通过计算任一两个坐标位置之间的距离可知：
[0131]
ui方案1(-0.165914902，0)与女性用户(-0.167113494，0)之间的距离较小，即说明女性用户对ui方案1具有一定的使用偏好，也就是说，若后续将ui方案1投放给女性用户
则有较好的投放效果，该方案可适用在定向投放场景中。
[0132]
类似的，ui方案2(0.169869160，0)与男性用户(0.168701127，0)之间的距离较小，即说明男性用户对ui方案2具有一定的使用偏好，也就是说，若后续将ui方案2投放给男性用户则能够有较好的投放效果，该方案可适用在定向投放场景中。
[0133]
此外，ui方案3(-0.00192451782，0)与女性用户(-0.167113494，0)和与男性用户(0.168701127，0)之间的距离均相对较远，但其两个距离接近，这说明将u i方案3投放给任一人群类型的用户，其能够得到的投放效果较为均衡，该ui方案可适用在测试投放等不定项投放的场景中。
[0134]
本技术实施例提供的ui数据处理方法，通过对多个人群类型的用户使用多个ui方案的所产生的用户操作数据进行对应分析，以得到可用于表示各人群类型之间的相关关系的第一因子载荷和用于表示各ui方案之间的相关关系的第二因子载荷，从而可利用该第一因子载荷和第二因子载荷，生成可视化分析图。利用该可视化分析图，应用厂商可实现对于不同人群类型的用户对不同ui方案的使用偏好的准确识别，便于其能够为用户提供更好的应用ui方案投放服务。
[0135]
对应于上文实施例提供的ui数据处理装置，图6为本技术实施例提供的ui数据处理装置的结构框图。为了便于说明，仅示出了与本技术实施例相关的部分。参照图6，该ui数据处理装置设置于服务器，该装置包括：
[0136]
获取模块610，用于获取用户操作数据，用户操作数据包括多个人群类型的用户使用多个ui方案所产生的数据；
[0137]
处理模块620，用于利用用户操作数据对人群类型和ui方案进行对应分析，得到第一因子载荷和第二因子载荷；
[0138]
生成模块630，用于基于第一因子载荷和第二因子载荷，生成可视化分析图；其中，可视化分析图用于表征不同人群类型的用户对不同ui方案的使用偏好。
[0139]
可选的，第一因子载荷用于表征不同人群类型相对于公共因子的因子得分，第二因子载荷用于表征不同ui方案相对于公共因子的因子得分；
[0140]
该生成模块630，具体用于：
[0141]
将第一因子载荷所表征的不同人群类型的因子得分，和第二因子载荷所表征的不同人群ui方案的因子得分，投影在基于公共因子的因子载荷平面上，获得可视化分析图。
[0142]
可选的，第一因子载荷中不同的矩阵行对应不同的人群类型；第二因子载荷中不同的矩阵行对应不同的ui方案；
[0143]
该生成模块630，具体用于：
[0144]
将第一因子载荷中每一矩阵行中的第一列矩阵值和第二列矩阵值作为各人群类型相对于公共因子的因子得分，并根据各人群类型相对于公共因子的因子得分确定各人群类型在因子载荷平面的坐标位置；第二因子载荷中各矩阵行中的第一列矩阵值和第二列矩阵值作为各ui方案相对于公共因子的因子得分，并根据各ui方案相对于公共因子的因子得分确定各ui方案在因子载荷平面的坐标位置；根据各人群类型在因子载荷平面的坐标位置和各ui方案在因子载荷平面的坐标位置，生成基于因子载荷平面的可视化分析图。
[0145]
可选的，该方法还包括：分析模块；
[0146]
分析模块，用于计算可视化分析图中各人群类型坐标位置和各ui方案的坐标位置
之间的距离；还用于根据各人群类型和各ui方案之间的距离确定不同人群类型的用户对不同ui方案的使用偏好。
[0147]
可选的，处理模块620，具体用于：基于用户操作数据，计算人群类型的第一协方差矩阵和ui方案的第二协方差矩阵；对第一协方差矩阵和第二协方差矩阵进行特征值分解处理，得到公共特征矩阵、人群类型特征向量和ui方案特征向量；根据共同特征矩阵和人群类型特征向量计算第一因子载荷，并根据共同特征矩阵和ui方案特征向量计算第二因子载荷。
[0148]
可选的，处理模块620，具体用于：对用户操作数据对应的操作数据矩阵进行概率变换处理，得到概率矩阵；对概率矩阵进行标准化变换处理，得到得分矩阵；根据得分矩阵和得分矩阵的转置矩阵，得到第一协方差矩阵和第二协方差矩阵。
[0149]
可选的，处理模块620，具体用于：确定共同特征矩阵中的各特征值，并对各特征值进行数值排序，得到共同特征矩阵对应的特征序列；根据特征序列和人群类型特征向量计算第一因子载荷；根据特征序列和ui方案特征向量计算第二因子载荷。
[0150]
本技术提供的一种ui数据处理装置，通过对多个人群类型的用户使用多个ui方案的所产生的用户操作数据进行对应分析，以得到可用于表示各人群类型之间的相关关系的第一因子载荷和用于表示各ui方案之间的相关关系的第二因子载荷，从而可利用该第一因子载荷和第二因子载荷，生成可视化分析图。利用该可视化分析图，应用厂商可实现对于不同人群类型的用户对不同ui方案的使用偏好的准确识别，便于其能够为用户提供更好的应用ui方案投放服务。
[0151]
图7为本技术提供的一种电子设备的硬件结构示意图，如图7所示的，本技术实施例提供一种电子设备，电子设备的存储器可用于存储至少一个程序指令，处理器用于执行至少一个程序指令，以实现上述方法实施例的技术方案。其实现原理和技术效果与上述方法相关实施例类似，此处不再赘述。
[0152]
本技术实施例提供一种芯片。芯片包括处理器，处理器用于调用存储器中的计算机程序，以执行上述实施例中的技术方案。其实现原理和技术效果与上述相关实施例类似，此处不再赘述。
[0153]
本技术实施例提供一种计算机程序产品，当计算机程序产品在电子设备运行时，使得电子设备执行上述实施例中的技术方案。其实现原理和技术效果与上述相关实施例类似，此处不再赘述。
[0154]
本技术实施例提供一种计算机可读存储介质，其上存储有程序指令，程序指令被电子设备执行时，使得电子设备执行上述实施例的技术方案。其实现原理和技术效果与上述相关实施例类似，此处不再赘述。
[0155]
以上的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。