移动购物应用中各种场景的布局生成

文献标题

Layout Generation for Various Scenarios in Mobile Shopping Applications

文献信息

• 主题领域: 人机交互、图形布局生成、电子商务
• 关键词: 布局生成, 深度生成模型, 移动应用用户界面, 产品展示页面, VQ-VAE, Transformer

研究背景与问题

• 发现的问题或挑战:
  • 移动购物应用中的产品展示页面（PLPs）的布局设计是在内外部约束下生成的，这种设计需要平衡消费者需求以及购物场景的特点。
  • 大规模高质量的PLP布局创建是一项耗时而繁琐的工作，传统基于模板的方法难以满足多样化和定制化设计需求。
  • 现有的生成模型很少考虑场景对布局设计的影响，难以实现条件布局生成。
• 重要性:
  • PLP布局设计直接影响消费者的购物体验、信息获取效率和购买决策，它在电子商务平台中占据关键地位。
• 研究动机与相关工作:
  • 传统的基于模板方法无法应对购物场景多样化带来的变化需求。深度生成模型近年来在布局生成领域表现出色，但缺乏对购物场景的专门研究。
  • 现有研究如LayoutGAN、LayoutVAE等虽然在图形布局生成上取得进展，但未考虑到购物场景的外部约束。

解决方案

• 研究方法或解决方案:
  • 提出了一种新的设计空间用于指导PLP布局创建，该设计空间从三个维度出发（消费者行为与心理、产品信息需求、布局模式）分析了不同的购物场景。
  • 提出了一种新的生成模型LayoutVQ-VAE，该模型结合了VQ-VAE和Transformer网络，实现了在内外部约束下的离散布局表示学习。
  • 构建了一个包含2,575种标注过的产品卡片布局（PDCard）的数据集，帮助分析布局显性特征。
• 创新之处:
  • 首次提出将购物场景作为外部约束融入PLP布局生成，并通过离散潜变量表示布局。
  • 使用VQ-VAE防止潜变量模型中的“后验塌陷”问题，并借助Transformer建模场景与布局的关系。
• 实施步骤与关键技术:
  1. 数据集分析与构建：创建PDCard数据集并标注明确的场景和元素。
  2. 建模：用VQ-VAE离散表示布局，结合Transformer捕获布局与约束之间的关系。
  3. 实验与验证：在公共数据集和PDCard数据集上与现有方法对比分析性能。

研究成果

• 具体成果:
  1. 提出了一个设计空间，综合考虑购物情境、消费者行为以及产品信息，指导PLP布局设计。
  2. LayoutVQ-VAE模型在布局生成和重建任务中表现优越：
     • 生成实验中，模型在合理性、美观度和场景相关性评分上相较于现有方法表现更佳。
     • 在Publaynet和Rico等公共数据集上的FID、MaxIoU等指标优于现有技术。
  3. 在PDCard数据集上模型能依据不同场景生成多样化高质量的布局。
• 优势:
  • 生成出的布局通过场景约束显著增强了针对性，可直接应用于不同的移动购物情境。
  • 模型生成布局的时间显著缩短（平均0.138秒生成一个布局）。
• 实验或评估结果:
  • 模型可有效生成与给定场景匹配的多样化优质布局，同时表现出良好的生成速度和较低的算法复杂性。
  • 在两个用户实验中验证了方法的适用性和高效性，参与者更倾向于选择基于场景生成的布局。
• 局限性与未来方向:
  • 局限性: 当前研究主要基于三个场景，未深入探讨产品类型和更广泛用户特征对布局的影响。
  • 未来方向: 探讨消费者个性化需求引导的大规模实时PLP布局生成，进而实现智能化用户界面设计。