基于马田系统的人机界面审美偏好智能定位方法

储 程，董占勋

(上海交通大学 设计学院，上海 200240)

0 引言

互联网时代，用户对人机界面(User Interface, UI)的设计提出了更高的要求，人机界面设计不仅需要给用户带来良好的使用体验，更需要带来审美意义上的体验提升[1]。提升人机界面的审美体验，有利于优化产品，增强用户粘性。为了设计出更符合审美偏好的人机界面，需要快速定位产品服务对象群体的审美特征。但目前尚无科学化、系统化地针对人机界面审美偏好的定位方法。设计师通常采用访谈法、观察法等调研的方法对用户的审美偏好进行研究[2]，调研结果多为定性研究结论，依赖于设计师的经验，受主观影响较大，会产生较大的偏差。因此，需要合适的方法快速定位特定对象的人机界面审美偏好。“马田系统”是一种新兴的模式识别工具，可以简化数据指标，方便快速准确地定位目标数据，适用于复杂变量的快速优化问题研究[3]。人机界面是典型的具有特征变量多、复杂性大等特点的目标求解对象。使用马田系统智能确定用户审美偏好，对人机界面设计优化具有显著的实践意义和应用价值[4]。本文研究了针对人机界面的用户审美偏好，提出一种基于马田系统的智能快速研究个体审美偏好的方法。基于界面审美的影响因素确定粗特征，通过用户偏好实验采集数据，利用马氏距离与信噪比对粗特征进行筛选，建立审美基准空间，对用户审美偏好进行预测。以软件即服务(Software as a Service, SaaS)类人机界面设计为例，验证了基于马田系统以小样本智能定位用户人机界面审美偏好的方法的可行性与有效性，并通过对基准空间的优化，提出对人机界面设计的实际指导方案。

1 基于马田系统的人机界面审美偏好研究方法

马田系统(Mahalanobis-Taguchi System, MTS)是由日本质量学家田口玄一(Genichi Taguchi)等[5]提出的一种模式识别技术，广泛应用于质量工程学领域，支持在实验设计中用信噪比及正交表来筛选特征变量，达到降维效果。Jobi-Taiwo等[6]借鉴距离判别思想，构建了MTS多类判别规则，并成功应用在钢板故障检测中;生志荣等[7]用MTS构建了多类测量尺度，对数据集进行分类筛选，快速检测异常数据;顾玉萍[8]将MTS用于不平衡数据的分类取得显著效果;詹君等[9]将其用于医疗智能诊断中，简化诊断模型，加速诊断过程，提升诊断效率。以上案例证明了马田系统用于快速优化复杂变量的可行性，使其在处理人机界面审美这类复杂问题时成为可能。

马田系统与传统因子分析、主成分分析、多元逐步回归等多元统计方法不同，不是基于变量概率分布的方法，而是基于数据进行分析与模式识别。因子分析法[10]寻找具有代表性的隐藏因子，将有相同本质的变量归入同一个因子，减少变量数，但有时不易解释公共因子，不能完整反映原始指标特点，且需要完整的样本数据;主成分分析法[11]通过找出重复反映信息的变量，删除多余变量;多元逐步回归法[12]主要是将其中一个变量视为因变量，其余为自变量，由此建立多个变量之间的线性关系，但通常自变量会影响因变量。MTS是一种新的模式识别技术，借助信噪比与正交表来筛选有效变量，根据质量损失函数来确定数据分类的阈值，最终实现对数据的分类[13]。经过训练的MTS可以根据马氏距离正交表及信噪比快速筛选出有效特征变量，实现特征变量的精简。因此，本文选择MTS作为研究方法行之有效。

利用MTS对特定对象进行审美偏好快速智能定位研究包括构建基准空间、优化基准空间与审美特征分析、确定临界值3个步骤。

1.1 构建基准空间

为研究特定对象的审美偏好，需建立被试的基准审美空间。基准空间是MTS判定事件是否发生的基础，是被认定事件发生的样本数据集合[14]。在研究人机界面审美偏好时，“发生事件”可定义为一个界面受被试喜爱或者不喜爱，基准空间由特定对象喜爱或不喜爱的样本构成。在本次研究中，以用户喜爱的界面样本组成基准空间。

1.1.1 设置样本库

为构建基准空间，首先需设定样本库，确定测量特征，并初步提取人机界面的审美特征。初步提取特征的数量一般较大，且其有效性未经MTS验证，因此被称为粗特征[15]。

MTS可以从粗特征中筛选出对事件发生存在真实影响的特征，即精特征。

1.1.2 审美粗特征提取

粗特征是否合理是MTS能否准确定位人机界面的审美偏好的关键步骤。所提取的特征应较为全面地包含人机界面的审美影响因素，同时能够明确地加以区分，并且能描述出不同界面审美偏好的差异性。

人机界面设计是将计算机等作为载体，将信息要素与交互要素作为呈现内容的信息传达形式[16]。人机界面设计脱胎于传统的版式设计，在设计原则、设计形式尤其是审美特点等方面与传统设计关系密切。因而，可以基于平面设计的审美角度，吸取传统版式设计的核心理论与评价方法，结合人机界面设计虚拟化、交互化、动态化等特点，从版式、色彩、文字排印及设计细节等4个维度进行审美粗特征提取。

版式设计是指在有限的范围内根据客户的需求将设计元素有组织、有目的地排列，以增强读者的关注度和理解性，从而达到有效、直接、快速的信息传递[17]。版式设计通常遵循“格式塔”准则，包括：闭合性、相似性、连续性、接近性、对称性等[18]。版式设计同时强调秩序性、节奏与韵律，讲究虚实结合，确保设计的人机界面具有较高的条理性，增强用户信息获取质量。从版式设计的角度提取的人机界面审美粗特征包括秩序性、密集度、版式留白与主题元素；对文字信息的排版设计包括：字体、字重、字号以及行间距等。特征变量之间须解耦，以减少变量之间的关联性。

色彩是人机界面给用户的第一印象，在人机界面设计中具有突出视觉重点、渲染与引导用户情感的功能。在人机界面设计中，除遵循一般的色彩原则，基于人机界面的特性，设计界引入了“色彩工效学”与“色彩界面”的概念[19]。色彩工效学关注视觉疲劳度和持续性，探索视觉产品的目的性、有效性、安全性以及审美性，以期达到设计人性化的目的。从色彩审美偏好角度，提取人机界面设计的色彩粗特征包括界面整体的明度、饱和度、色彩的丰富程度以及对比度等。

此外，设计细节也会对界面的审美偏好产生影响，设计细节包括元素倒角、阴影、边框等特征。综上所述，对人机界面审美基准空间的粗特征如表1所示。

表1 审美粗特征表

在确定审美粗特征集后，收集各类审美风格的人机界面样本，并对样本的提取特征进行标注打分，即完成样本库的建立。

1.1.3 基准数据采集与基准空间有效性检测

实验过程首先由被试从样本库中选择其喜爱的人机界面样本，被选中的偏好样本集合即为该个体的审美偏好基准空间。

本文选择“马氏距离”[8]作为描述不同被试对样本喜爱程度的指标。相比于传统的欧氏距离，“马氏距离”考虑了各种特性之间的联系，独立于测量尺度，并且每两个点之间的马氏距离都与原始数据的测量单位无关，可以有效地计算两个样本集之间的相似度。对被试喜爱与不喜爱的人机界面样本，分别利用Gram-Schmidt正交化方法[20]来计算它们到基准空间的马氏距离。正交化可以准确定位相关性比较大的特征变量，减少实验次数并优化实验质量。计算公式为：

(1)

式中：Xj=(XjA,XjB,…,XjO)，XjA为样本j对应的特征A的特征值，R为特征的相关矩阵。如果是被试喜爱的人机界面，即样本属于基准空间时，其马氏距离值会小于临界值；如果是不喜欢的界面，其马氏距离值会大于临界值。当两类样本的马氏距离明确分布在临界值两侧时，可以认定基准空间为有效。

与普通的模式识别不同，由于审美偏好存在主观性，可能出现部分不被喜欢的样本的马氏距离小于受喜爱样本的情况。但据学者们的实践经验[21]，此类掺杂主观意识的临界值确定问题，只要两类样本出现明显区分，就可以认为基准空间有效，忽略小部分异常样本。

1.2 优化基准空间与审美特征分析

为从各特征中选择与审美评价结果最相关的审美特征，需要从粗特征中筛选出有效检测项目。筛选有效项目有利于减少计算马氏距离的检测项目数量，降低计算维度，从而加快MTS的运算速度，提高检测效率[22]。

根据审美特征的数量选择“两水平正交表”[23]，审美特征被计入基准空间，计为水平1，表明该特征对审美偏好有效；不计入基准空间的审美特征，则计为水平2，表明该特征对审美偏好无影响。正交表中的每一行用1、2标记该审美特征是否计入，不同的审美特征计入方式构成不同的基准空间。选择部分用户不喜欢的样本，计算其在不同基准空间的马氏距离，从而得出正交表各行的信噪比。

基于审美粗特征表(如表1)15个审美特征，两水平正交表共构成了12个不同的基准空间。根据被选中的样本到基准空间的马氏距离，计算正交表各行的信噪比η[23]，

(2)

式中：MDj为马氏距离值;d为被选中的样本数量。

检测项目特征在水平1和水平2下的信噪比之和分别以T1和T2表示：

ΔT=T1-T2。

(3)

若ΔT<0，审美特征在水平2下信噪比更大，表明该特征指标具有负作用；若ΔT≈0，表明审美特征对审美偏好没有明显影响。舍弃对审美偏好起负作用或无明显影响的特征，仅留下对审美偏好实际产生影响的特征，由这些特征组成新的基准空间，即优化基准空间。

在优化基准空间中，可以显示哪些审美特征会对被试的审美偏好产生实际影响。结合基准空间中的样本，可以进一步了解这些特征是如何影响用户审美偏好的，并据此指导设计。

1.3 确定临界值

临界值的确定方法一般有损失函数法、F分布临界值表和按经验人为确定3种[22]。前两种临界值确定方法的精度较高，但数据量要求也高，且计算过程复杂。而根据经验人为确定法的精确度较低但简易可行，且更适宜对主观性较强的审美偏好的确定。因此，本文选择按经验人为确定的经验法来确定马氏距离的临界值，一旦两类样本在“临界值”两侧出现比较明显的区分，即判定该基准空间有效。

2 实验验证

为验证MTS对人机界面审美偏好快速智能定位方法的有效性，选取SaaS类产品作为研究对象，对控制面板(Dashboard)类的人机界面进行审美偏好定位实验，以验证该方法的可行性。

2.1 样本库预处理

选取30张SaaS类产品的界面构成样本库，并标注样本的审美特征。本实验只选用少量的样本数据，来验证人机界面审美偏好智能定位方法的有效性及可行性。对于海量数据的处理，马氏距离公式同样适用，本算法依然有效。如图1[24]所示为本次实验的部分样本。

由3名5年以上工作经验的设计师对样本库中的样本进行审美特征的评分标注，统计样本的评分情况，其中15个审美特征的样本粗特征评分如表2所示。

表2 样本粗特征评分表

2.2 审美偏好选择实验

审美偏好选择实验步骤如下：被试在30张样本中选择至少5张较为喜欢的人机界面，组成被试审美基准空间，部分被选中的样本如图2[24]所示；计算选中与未选中的样本的马氏距离，检测基准空间的有效性；筛选审美特征；通过实验验证预测的结果。

2.2.1 基准空间有效性检测

被试从30张SaaS人机界面中选择偏好样本，构成审美基准空间，分别计算选中与未被选中样本的马氏距离，得到的样本马氏距离表如表3所示。

表3 样本马氏距离表

图3所示为样本马氏距离的可视化结果，其中三角形的点表示被选中的样本，圆形的点表示未被选中的样本。由图3可以看出，选中与未被选中两类样本的马氏距离明显分布在约为0.5的临界值两侧，因此判定基准空间有效。

2.2.2 审美特征筛选

选取10个非基准空间内的样本，计算其在12个审美粗特征基准空间的信噪比η。计算结果如表4所示。

根据得到的信噪比，计算各审美粗特征在水平1和水平2下的信噪比之和，结果如表5所示。

表4 非基准空间样本马氏距离与信噪比

表5 各特征两水平正交表

由表5计算结果可知，本次审美偏好实验中，色彩明度A、版式留白G、衬线字体I、字重J、字号K、边框N、阴影大小O等特征的ΔT<0，说明这些特征项目在水平2下信噪比更大，对本次统计结果起负作用，舍弃此类特征;色彩饱和度B、丰富度C、对比度D，版式的秩序性E、信息的密集度F、主题元素H、文字排印的行间距L及元素倒角M对审美偏好实际产生影响，其中色彩的饱和度B、丰富度C以及主题元素H等对统计结果的权重较大。

2.2.3 实验验证

再次选取10个新的样本，计算其到基准空间的马氏距离，并利用刚刚构建的MTS模型预测是否会被用户喜爱。同时由相同的被试从10个样本中选择出其喜爱的样本，并与预测结果进行比对，实验结果如表6所示。

表6 样本预测与实验结果对照表

经过实验对比，10个样本中共有8个样本的预测与实际实验结果一致，可以初步认定方法基本有效。

在预测失败的样本中，其中一个样本的马氏距离接近临界值(马氏距离为0.501 2，临界值为0.5)，可能与临界值为经验选定有关，临界值的选定可以进一步优化；另一预测失败的样本的马氏距离较大，这可能与审美本身带有极强的主观性或样本库的完整度有关。

2.3 特征优化的设计应用

根据基准空间的优化结果，可以进一步分析审美特征，并根据被试审美偏好来进行设计指导。

根据审美粗特征的计算结果，得到有效审美特征表如表7所示。再结合审美空间样本的对应特征评分情况，可以得出如下结论：

(1)被试倾向于色彩饱和度与对比度均较高的人机界面设计。

(2)被试不喜欢色彩过于单调的界面，需维持界面色彩的丰富度在一个适中的范围，约3～4个主要色彩为宜，不宜过少或过多。

(3)被试对主题元素有明显的审美偏好，更倾向于有插画的人机界面。

(4)被试对版式的秩序性有一定的审美倾向，对布局规则的界面评价更高；但版式极其严谨的界面亦不受被试喜爱，在界面设计中需要在规则的版式基础上加入有限的节奏变化。版式对被试审美评价的权重较低。

(5)被试不希望信息过于密集的呈现；行间距在中等水平偏上，即1.7-2倍左右行距更符合被试的审美偏好。

(6)在设计细节中被试偏好较大的元素倒角。

表7 有效审美特征表

3 结束语

针对当前界面设计中存在的对设计对象审美偏好研究不足的问题，本文提出了利用MTS对人机界面审美偏好进行智能定位的方法并指导设计。在基准空间有效性检测中，选中与未被选中的样本产生了较为明显的区分，马氏距离明显分布在约0.5两侧，因此判定基准空间为有效。偏好选择实验验证中，80%的样本的预测与实际实验结果一致，可以初步判定方法有效，在一定程度上能对用户个体审美偏好进行智能预测，并可以以此对人机界面的设计提供指导。通过实验验证了基于MTS以小样本确定人机界面审美偏好的系统方法的可行性与有效性。

针对不同类型的人机界面丰富完善审美粗特征集；利用图像识别与机器学习的方法对样本进行更精准、客观的特征评分；提供完整的样本库；量化审美特征等，这都将是未来基于MTS对人机界面的设计审美进行决策与优化的发展方向。