人工智慧設計師v0.0.2

本文是DIY一個人工智慧設計師_v0.0.1的升級版本。將結合推薦系統，梳理人工智慧設計師的具體使用場景之一。

先看下近期人工智慧+設計的熱點事件：

下面是新榜的數據，我對比了下「魯班」跟「人工智慧設計師」這2個關鍵詞的情況：

再看下，各大自媒體傳播的核心：

失業，每秒8000張海報，成為了這一輪傳播的熱議話題。

真的會失業嗎？

反正對人類設計師的要求會越來越高，因為有了瞬間出圖的AI（此AI不是Adobe Illustrator），作為對比。

設計師如何跟上時代的潮流，應該多了解甚至掌握人工智慧相關的技能，所以我寫了《寫給設計師的人工智慧指南》系列，設計師都應該了解的人工智慧指南，往期文章，可點擊查閱：

指南：圖像

指南：虛擬私人助理

指南：Tensorflow快速入門

指南: JS框架Synaptic

指南：如何找出相似的文章

指南：推薦系統

回到文本重點：

個性化推薦要解決什麼問題？

互聯網聚合了豐富的信息，給用戶提供更多選擇的同時，帶來了信息的泛濫，這意味著用戶必須為篩選信息付出更大的成本。個性化推薦技術能夠幫助用戶把最感興趣的內容直接呈現在用戶面前。

人工智慧設計師如何應用到個性化推薦中呢？

傳統的個性化推薦，推薦結果都是系統里預存的結果，人工智慧設計師的加入，可以達到實時生成個性化的Banner，相當於有個設計師專門24小時根據用戶喜好畫圖（生成banner）。

人工智慧設計師之應用：

個性化推薦

+

banner自動合成

圖片引自網路

Banner個性化推薦（簡稱），解決的是根據用戶的喜好或者瀏覽行為，推薦合適的內容數據；合適的內容數據輸入智能Banner系統中，生成美觀的圖片；最後送達用戶。減去了中間美工的工作，可以做到實時、更靈活的個性化推薦。

有哪些具體的使用場景需要Banner個性化推薦？

各種輪播圖、banner廣告、視頻封面等各種圖片展示場景，均可使用。

以上截圖分別來自愛奇藝、京東、知乎

只要是個互聯網產品，都會有圖文類的banner推送需求，尤其是強烈依賴圖片展示的產品，如電商亞馬遜：

那麼，我們可以通過什麼樣的步驟構建一個Banner個性化推薦系統呢？

1

個性化推薦

用戶畫像、機器學習

Persona、Machine Learning

個性化推薦，核心是推薦系統，比如在電商網站，用戶看到的「商品推薦」；在搜索引擎，根據你的輸入會提示相關的關鍵詞或者內容；今日頭條的新聞內容；知乎推薦的問答內容等等。個性化推薦基本成為了一個互聯網產品的標配。

不做個推薦系統，都不好意思上線了-_-!!

（後悔之前幾款app／小程序都沒有做個性化推薦）

更何況推薦系統，還可以幫助產品提升頁面訪問量與產品印象，幫助用戶節省精力，最終提升用戶體驗。

個性化推薦系統大致可分為三個層級，以電商推薦場景為例，第一個是用戶曾經購買過什麼，就給用戶推薦類似的商品；第二層是用戶有可能需要並且也適合用戶的其他商品；第三層，是能夠根據用戶的性格、興趣等用戶畫像標籤，為用戶推薦從來沒有想過但確確實實會喜歡的商品，給用戶帶來意想不到的驚喜。

第一、二層的推薦系統構建方法，可以查閱往期文章：

寫給設計師的人工智慧指南：推薦系統

下面重點介紹第三層，根據用戶畫像構建推薦系統。

1.1

用戶畫像的構建

要完成個性化推薦系統，先要準備好用戶畫像，用戶畫像最早由交互設計之父Alan Cooper提出:

「Personas are a concrete representation of target users.」

用戶畫像，簡單理解就是給用戶打各種標籤。如果想詳細了解用戶畫像，可以查閱往期的文章：

app之用戶屬性

用戶畫像的產生過程，可以分為以下幾步：

1 用戶建模

指確定提取的用戶特徵維度，和需要使用到的數據源。

2 數據收集

通過數據收集工具，如自己寫的腳本程序，把需要使用的數據統一存放。

爬蟲在這一步應用非常多，不知不覺爬蟲相關的文章也寫了9篇了，點擊文章即可查閱爬蟲相關內容：

爬蟲之數據獲取的3種方法

開發筆記：基於Electon的圖片採集工具

微信公眾號文章爬取 | 數據爬取及可視化系列

可視化爬蟲SPY | 01

??關於知乎Live的一些數據 | 數據爬取及可視化系列

就叫Spyfari吧！｜數據爬取及可視化系列

03 使用Echarts製作可視化圖表 ｜數據爬取及可視化系列

02技能之谷歌Chrome爬蟲 ｜數據爬取及可視化系列

01基於位置的用戶畫像初探｜數據爬取及可視化系列

3 數據清理

數據清理的過程可以獨立進行，也有可能與數據收集同時進行，這一步主要是把收集到各種來源、雜亂無章的數據進行欄位提取，得到結構化的數據。

4 模型訓練&屬性預測

有些特徵可能無法直接從數據清理得到或者數據缺失，比如用戶消費水平，用戶性別等，可以通過已收集到的特徵進行機器學習和預測。

5 數據合併

把各種數據源提取的用戶特徵進行合併，並給出一定的可信度。

6 數據分發

對於合併後的結構化數據，應用到個性化推薦中，並輸出給banner自動合成系統調用。

2.2

個性化推薦的輸出結果

用戶畫像數據準備好後，需要準備好物品或者內容的數據，然後訓練推薦系統模型，訓練好模型後，部署成為後端的服務，以供客戶端調用，每次調用後，個性化推薦系統輸出的結果可以包含：

用戶喜好的內容或物品

用戶偏好的顏色

用戶偏好的設計風格

用戶偏好的字體

等等

開箱即用的NodeJS庫，可以選基於協同過濾推薦的Likely.js，快速進行實驗，詳細可以查閱：

寫給設計師的人工智慧指南：推薦系統

補充一種，精度更高的推薦系統，即用深度學習來進行推薦系統的構建：

通過「映射」的方法，把人映射成一個向量，把物品也映射成一個同維度同意義的向量，通過神經網路建模，形成的推薦系統。

關於映射：

如word2vec通過語料訓練把詞變成一個數百維的向量，向量的每一維沒有明確的物理意義，作為深度學習的輸入數據。

ps：關於用深度學習來構建推薦系統，將在另外的文章中進行詳細介紹。

如果覺得以上知識不夠深入，這裡推薦一本書，以供系統的深入學習：

《推薦系統實踐》，推薦7天閱讀完，總閱讀時長預計19.7小時。

http://mp.weixin.qq.com/bizmall/malldetail?id=&pid=p1y_iwGWbrCJ8m5o0FqUg1YbRugI&biz=MzIzNjA0ODg1NQ==&scene=&action=show_detail&showwxpaytitle=1#wechat_redirect (二維碼自動識別)

長按識別二維碼

借閱紙質書7天

只需3.5元

平均每天花費低至0.5元

免運費

該服務由「學會Get」提供，真的很優惠！

2

Banner自動合成

人工智慧設計師

Artificial intelligence Designer

在第一步中，獲取到用戶喜好的物品或者內容，顏色，設計風格等內容後，經過人工智慧設計師的智能匹配，匹配到合適的圖片素材、設計風格模版，系統將自動輸出合成上千張Banner，並按照設計效果從高到低依次排列。

這裡的人工智慧設計師有3個組成部分：

匹配系統

+

排版系統

+

評估系統

2.1

匹配系統

完成從物品或內容，匹配合適的圖片素材，文案素材，布局模版的工作，整個過程類似於圖片搜索：

2.2

排版系統

根據上一步匹配到的圖片素材，文案素材，根據布局模版進行內容填充與合成。

這個過程儘可能多的合成各種可能，可以理解為窮舉各種設計的可能情況。

2.3

評估系統

我們需要預先訓練好一個評估系統，作為一個裁判，給排版系統生成的大量設計圖進行評分。

關於評估系統，建議使用神經網路進行訓練，這一內容將在另一篇文章中進行介紹。

最後輸出，根據評分結果從高到低的設計結果，推送至用戶面前。

關於人工智慧設計師，我在往期的文章中有介紹具體的實現步驟，感興趣可以查閱：

DIY一個人工智慧設計師_v0.0.1

關於人工智慧的各種應用，我們也該深入了解，為以後做準備：

《人工智慧時代》，推薦15天閱讀完，總閱讀時長預計26小時。

http://mp.weixin.qq.com/bizmall/malldetail?id=&pid=p1y_iwGa6_xHtU589s6gXvdYuCMo&biz=MzIzNjA0ODg1NQ==&scene=&action=show_detail&showwxpaytitle=1#wechat_redirect (二維碼自動識別)

長按識別二維碼

借閱紙質書7天

只需4.2元

平均每天花費低至0.6元

免運費

該服務由「學會Get」提供，真的很優惠！

最後，再回過頭來看阿里的「魯班」，典型的面向電商的人工智慧設計的應用場景：

基於「雙十一」的大量banner設計需求，如果是通過美工手工設計製作，得耗費多少勞動力成本，而通過機器來實現banner的自動生成，1秒生成8000張，1名設計師一年也不見得可以畫8000張banner圖。

讀者們，有空也幫我做個投票吧！

碼字不易，開啟新的打賞方式：

本公眾號定期更新關於

設計師、程序員發揮創意

互相融合的指南、作品。

主要技術棧：

nodejs、react native、electron

Elasticsearch

Solidity

Keras

歡迎關注，轉發～

歡迎長按二維碼

關注本號

http://weixin.qq.com/r/Skzbw9PEv47ArZeg9xlY (二維碼自動識別)