基于用户反馈的深度学习无代码应用布局优化方法及系统与流程

本发明属于应用设计，具体涉及一种基于用户反馈的深度学习无代码应用布局优化方法及系统。

背景技术：

1、无代码开发是软件开发者无须通过手工编码，以达到目标需求的一种软件开发方式。无代码开发通常需要经过四个步骤来完成小程序的搭建，包括需求分析、模型设计、页面搭建和测试发布。

2、传统的无代码应用程序设计工具大多需要用户手动设计和布局，对用户的设计和编程能力要求较高；现有的用户界面设计工具缺乏对用户反馈数据的分析和利用，难以根据用户需求和偏好自适应地调整应用程序布局和用户界面设计；传统的用户界面设计方法难以满足不同用户的需求，因此需要进行人工修改和优化，工作量较大。

技术实现思路

1、为此，本发明提供一种基于用户反馈的深度学习无代码应用布局优化方法及系统，能够实现自动化的无代码应用程序布局优化，以满足不同应用场景和用户需求。

2、为了实现上述目的，本发明提供如下技术方案：第一方面，提供一种基于用户反馈的深度学习无代码应用布局优化方法，包括：

3、数据收集处理：从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；

4、深度学习模型构建：建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；

5、特征提取表示：从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；

6、布局优化调整：结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。

7、作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，数据收集处理过程中，预处理包括：数据清理、数据转换、数据集成和数据规范化。

8、作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，深度学习模型构建过程中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；

9、采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数。

10、作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，还包括模型训练优化，通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数。

11、作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，特征提取表示过程中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数。

12、作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，布局优化调整过程中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；

13、遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；

14、粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；

15、模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。

16、作为基于用户反馈的深度学习无代码应用布局优化方法优选方案，还包括自适应性调整，所述自适应性调整过程中，根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；

17、所述自适应性调整过程采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；

18、所述自适应性调整过程采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。

19、本发明第二方面提供一种基于用户反馈的深度学习无代码应用布局优化系统，包括：

20、数据收集处理模块，用于从应用程序中收集用户数据，所述用户数据包括应用程序数据和用户反馈数据，所述应用程序数据包括界面设计和布局信息，所述用户反馈数据包括用户操作行为、偏好、评分和评论；将所述用户数据进行预处理；

21、深度学习模型构建模块，用于建立深度学习模型，所述深度学习模型包括卷积神经网络或递归神经网络，所述深度学习模型建立过程引入自注意力机制，并使用生成对抗网络生成用户反馈数据，通过所述深度学习模型处理用户界面设计和用户反馈数据，以学习用户偏好、界面特征和布局规律；

22、特征提取表示模块，用于从用户界面设计和用户反馈数据中提取指定特征，指定特征包括界面元素的位置、尺寸、颜色、文本内容，并对指定特征的数值化或向量化表示；

23、布局优化调整模块，用于结合所述深度学习模型和用户反馈数据，优化调整应用程序的布局和用户界面设计。

24、作为基于用户反馈的深度学习无代码应用布局优化系统优选方案，所述数据收集处理模块中，预处理包括：数据清理、数据转换、数据集成和数据规范化；

25、所述深度学习模型构建模块中，采用卷积神经网络提取界面元素的视觉特征，视觉特征包括位置、尺寸和颜色；卷积神经网络参数包括卷积核大小、滤波器数量、激活函数和优化算法的超参数；

26、所述深度学习模型构建模块中，采用递归神经网络处理用户反馈数据的时序特征，时序特征包括用户的操作行为序列，递归神经网络的参数包括隐藏状态的维度、层数和训练算法的超参数；

27、还包括模型训练优化模块，用于通过自适应学习率算法、梯度下降方法或正则化方法优化所述深度学习模型参数；

28、所述特征提取表示模块中，采用特征工程技术从用户界面设计和用户反馈数据中提取指定特征，特征工程技术包括度归一化、主成分分析和局部二值模式；特征工程技术的参数包括特征选择、特征变换和特征表示的超参数；

29、所述布局优化调整模块中，采用的优化算法包括遗传算法、粒子群算法和模拟退火算法；

30、遗传算法的参数包括种群大小、交叉变异概率、适应度函数和迭代次数；

31、粒子群算法的参数包括粒子数量、速度更新系数、适应度函数和迭代次数；

32、模拟退火算法的参数包括初始温度、退火速度、迭代次数和能量函数。

33、作为基于用户反馈的深度学习无代码应用布局优化系统优选方案，还包括自适应性调整模块，所述自适应性调整模块用于根据预设的应用场景和用户需求，调整应用程序的布局和用户界面设计；

34、所述自适应性调整模块中，采用动态布局，根据用户设备的屏幕尺寸和分辨率信息，自适应地调整应用程序的布局；

35、所述自适应性调整模块中，采用适应性反馈，根据用户的操作行为和反馈意见，实时调整应用程序的布局和用户界面设计。

36、本发明第三方面提供一种非暂态计算机可读存储介质，所述计算机可读存储介质中存储有基于用户反馈的深度学习无代码应用布局优化方法的程序代码，所述程序代码包括用于执行第一方面或其任意可能实现方式的基于用户反馈的深度学习无代码应用布局优化方法的指令。

37、本发明第四方面提供一种电子设备，包括：存储器和处理器；所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面或其任意可能实现方式的基于用户反馈的深度学习无代码应用布局优化方法。

38、本发明的有益效果如下，采用无代码应用程序设计工具、深度学习技术、优化算法和自适应性调整等技术手段，实现了自动化的无代码应用程序布局优化，并能够根据大量用户界面设计和用户反馈数据，自动生成优化的应用程序布局和用户界面设计，提高应用程序的用户体验和满意度；

39、自动化程度高，节省时间和精力：本发明通过利用深度学习模型和优化算法自动分析和优化应用程序布局和用户界面设计，无需用户手动设计和布局的方法，自动化程度高，节省了用户的时间和精力；

40、本发明通过深度学习技术和优化算法实现的，能够自动学习用户偏好、界面特征和布局规律，并根据用户的操作行为和反馈意见，不断优化和调整界面元素的排列和样式，提高应用程序的用户体验和满意度；

41、本发明通过结合深度学习模型和用户反馈数据，设计优化算法，具备自适应性，能够根据不同的应用场景和用户需求，灵活调整应用程序的布局和界面设计。