Нейросетевой метод частичного анализа эргономичности пользовательского веб-интерфейса

Ефименко Никита Александрович – FE разработчик ООО «АйТиЭфБи Групп».

Аннотация: Разработать и проанализировать возможность нейросетевой частичной оценки эргономичности веб-сайтов. В основе метода лежит представление маршрутизации или пользовательских сценариев в виде графа связей и дальнейшее преобразование его в виде вектора признаков для обучения простой нейросети прямого распространения. Предлагается использовать сеть для классификации. Используется метод graph2vec для представления графа в виде вектора признаков (вложение в ). Получен метод оценки и проведена работа по анализу качества и достоверности результатов.

Метод показал неплохие результаты на малом объёме данных, однако нуждается в дальнейшем развитии и анализе недостатков.

Ключевые слова: UX, newtwork, doc2vec, graph2vec, classification

Рассмотрим некоторые очевидные связи схем маршрутизации приложения и удобства использования.

Если количество вершин инцидентных стартовой вершине соответствующей стартовой странице больше семи, то интерфейс перестанет учитывать закон Миллера, что может служить показателей низкого юзабилити. Это не значит, что восемь переходов перегружают сайт, однако ясно, что будет некоторое переходное число после которого «удобность» интерфейса начнёт падать.

12

Рисунок 1. Примеры графов маршрутизации сайтов с потенциально низкой оценкой.

Рассмотрим показатель «количество кликов до выполнения задачи», которая коррелирует с метрикой «время решения задачи». Ясно, что чем дальше в графе маршрутов находится заветная кнопка завершения решения задачи, тем больше времени тратится на её решение.

Получается, что количество рёбер в графе маршрутизации, находящихся на пути от корня сайта до страницы содержащей решение некоторой пользовательской задачи связано со скорость её выполнения. Очевидно и то, что большое количество циклов в графе, может служить показателем запутанности что даёт возможность пользователю ошибиться в навигации, что ухудшает метрику ошибок.

3

Рисунок 2. Пример графа сайта с высокой конверсией.

Проанализировав семантические свойства графов, я предполагаю, что существует более сложные зависимости структур графа и атрибутов оценок удобности ипользования сайта. Предположение проверяется на небольшом наборе данных. Я собрал репрезентативную выборку графов маршрутизации реальных сайтов. Проверять гипотезу будем при помощи обучения сети прямого распространения для задачи классификации наших графов маршрутизации на классы:

  1. Класс «0» - низкая оценка удобности
  2. Класс «1» - высокая оценка

Для представления графов в виде векторов заданной размерности ,

используется нейросетевой метод эмбеддинга (вложения) графа в пространство. Данный алгоритм называется graph2vec. Он использует внутри себя doc2vec архитектуру и алгоритм машины Вейсфейлера-Лемана для выделения ядра графа.

4

Рисунок 3. Схема работы graph2vec.

Получившиеся вложения, используются как вектор признаков сайта и передается в простую сеть классификации

5
Рисунок 4. Модель сети классификатора.

67
Рисунок 5. Результаты тестового обучения.

Получившиеся результаты неоднозначны. С одной стороны набор данных, чрезвычайно мал, чтобы говорить о каких-либо точных выводах, однако оценка «аккуратности» в 77%. неплохой результат, а значит можно продолжить эксперименты.

Список литературы

  1. Шолле Франсуа Глубокое обучение на Python – СПб.:Питер, 2018 – 400с., 8с. ил.: ил - (Серия «Библиотека программиста»). ISBN 978-5-4461-0770-4
  2. Гарретт, Дж., Веб-дизайн: книга Джесса Гарретта. Элементы опыта взаимодействия. Пер. с англ. / Дж. Гарретт. – СПБ.: Символ-Плюс, 2008. –192с.
  1. Нильсен, Я. Веб-дизайн: книга Якоба Нильсена: пер. с анг./ Я Нильсен.– СПб: Символ-Плюс, 2003. – 512 с.

Интересная статья? Поделись ей с другими: