Web前端最新凹凸技术揭秘·羚珑智能设计平台·逐梦设计数智化(1)，web前端开发入门课程-CSDN博客

本文链接：https://blog.csdn.net/2401_84616292/article/details/138594662

刷面试题

刷题的重要性，不用多说。对于应届生或工作年限不长的人来说，刷面试题一方面能够尽可能地快速自己对某个技术点的理解，另一方面在面试时，有一定几率被问到相同或相似题，另外或多或少也能够为自己面试增加一些自信心，可见适当的刷题是很有必要的。

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

前端字节跳动真题解析
【269页】前端大厂面试题宝典

最后平时要进行自我分析与评价，做好职业规划，不断摸索，提高自己的编程能力和抽象思维能力。大厂面试远没有我们想的那么困难，摆好心态，做好准备，你也可以的。

2.5 企业专区，让每一个企业拥有完整的在线设计解决方案

面向企事业单位提供设计数智化赋能的 SAAS 服务，提供了包括素材在线管理、标准化合图、快速页面搭建、自定义组件编辑在内的一整套解决方案，让企业无须投入开发成本，即可在日常运营的固定位置更新以及组织促销活动等场景中，规范化、流程化、标准化地进行设计输出。

羚珑企业客户 - 乐信

羚珑企业客户 - 乐信（https://www.lexin.com/[9]）

3、程序化设计—

「程序化设计」的核心目标是利用大数据挖掘、人工智能等技术手段，结合用户的设计画像，为不同的人群输出不同风格的设计手法，助力千人千面等精准营销场景，提升转化率，所用到的技术主要包括数据挖掘、计算机视觉、机器学习。

「程序化设计」最大的特点是「极速」和「无人运营」，适用于需要海量快速生成图片的业务场景。在京东的一个典型应用场景是京东 APP 首页焦点图的千人千面，其针对不同用户结合用户画像生成不同的设计结果，每天处理数以亿计的图片生成请求，这些依赖人工运营是根本无法达成的。

基于「程序化设计」相关技术能力的应用，我们达成了设计大幅度降本提效的基本目标，以往设计师可能半天才能做好 1 张广告图，现在 1 台机器的 1 个进程，每秒就能做好几张图，大大节约了设计成本。

除了降本提效，设计结果商业效果的提升也是「程序化设计」十分重要的目标。

我们已经开始在广告图片商业价值层面进行探索和论证：根据不同用户的画像、设计偏好，生成不同风格的广告图片，从而进一步提高广告图片的商业点击率（CTR）。这种依据用户画像、设计偏好进行程序化设计的新模式，我们称其为推荐型设计。

智能推荐型设计是一个复杂的系统工程，可以拆解成若干个图片智能化相关的技术课题，接下来为大家稍作介绍。

3.1 设计画像

3.1.1 缘起

在推荐搜索模型构建中，我们会为用户构造大量的标签，比如像年龄、性别、城市、品牌偏好、品类偏好等，这些标签最后勾勒出一个用户的形象，我们把它定义为机器识别的数据化形象，行业内的叫法是用户画像。

借鉴于用户画像，我们开始思考用户在图片视觉领域是否存在类似的偏好，更通俗讲人的审美是否会因为每个人而不一样？

3.1.2 论证

关于用户设计审美偏好的答案，有一篇文章（《浙大女教授扎心发现：可乐包装上的字体可能正在算计你的钱包》）的结论让我们印象深刻：使用圆润可爱的字体会更能让用户对可乐产生喜爱的情感，进而让用户产生消费！

这篇文章告诉我们，除了内容，设计本身似乎也能影响商业转化率，我们决定在京东实际的业务场景使用一系列的 AB 测试实验，依靠数据来进一步佐证它的结论。

实验一：不同字体曲率对 CTR 影响研究

场景：APP 的核心入口首页 banner 图上

图片

通过监测数据我们得到一些结论：

儿童品类或女性偏好度较高的品类可以考虑通过圆润属性的字体来提升用户对商品的喜爱程度；
品牌认知度较弱的品类可以考虑用过圆润属性的字体来提升用户的喜爱程度；
针对女性用户/25 岁以下的年轻用户进行营销时，可以更多考虑通过圆润属性的字体来提升用户对商品的喜爱程度。
不同年龄的男性女性对于字体的偏好也不太一样

实验二：不同色系对 CTR 影响研究

场景：APP/PC 的核心入口首页 banner 图上

实验三：不同布局对 CTR 影响研究

场景：APP/PC 的核心入口首页 banner 图上

基于以上实验的数据分析后，我们得出一个结论：不同人群在设计上确实存在偏好关系。

3.1.3 实践

标签（偏好）数据加工的流程：首先客户端埋点上报用户的操作行为数据（主要是点击、浏览、搜索等），其次对数仓 hive 表中的数据做清洗、特征计算，然后标签落库，最后提供相应接口。

图片

步骤一、数据清洗

前端上报的数据落在数据仓库里，点击、曝光流量模型里面包含了各个业务的埋点数据，而我们需要清洗出针对于广告焦点图的用户行为序列数据！

用户行为序列数据模型示例

| — | — | — | — | — | — | — |

| x_747b7b44d9bc2 | 01 | 2020.11.1 | App 首焦 | 23111 | 12 | 3 |

| x_747b7b44d9bc2 | 02 | 2020.11.1 | Pc 首焦 | 21222 | 12 | 3 |

| x_747b7b44d9bc2 | 03 | 2020.11.2 | xxx | 2333 | 4 | 1 |

| x_747b7b44d9bc2 | 04 | 2020.11.2 | xxxx | 8333 | 3 | 0 |

| … | … | … | … | … | … | … |

模板标签模型示例

| 名称 | 字段 | 字段类型 | 枚举值示例 |

| — | — | — | — |

| 预览图 | url | array | [‘URL1’,‘URL2’] |

| 场景类型 | scene | int | 1-首焦 |

| 色系 | color | string | 蓝色 |

| 按钮 | button | string | 有 |

步骤二、统计分析

重行为难题：

当我们在给用户构建品牌偏好时，经常会关注到用户在该品牌下产生了哪些“重”行为？“重”行为可以理解成用户为了做某件事付出了比较高的操作成本，比如用户是否特意搜索了某个品牌的商品。

我们在讨论设计画像方案的时候，几乎找不到方法去定义这种“重”行为，所以常规的套路好像并不适合用来构建设计画像！

经过讨论后，我们决定返璞归真回到最初的统计学的方式，假定如果用户点击某个颜色的广告图多，那就证明用户对于该颜色存在一定的偏好，然后借助于显著性检验来验证数据是否显著，得以确定最后的标签权重！

显著性检验：

显著性检验作为判断两个乃至多个数据集之间是否存在差异的方法被广泛应用于各个科研领域。

图片

步骤三、标签落库

当我们跑出来用户标签数据后，最后其实只是一个工程问题，把相应的数据落到对应的表里。然而实际情况却要复杂的多，仍然会存在问题：数据量偏少，不足于覆盖大部分用户！

接着又衍生出了 look alike 这种人群标签的方法，也就是我们的用户可能是完全没有数据的新用户，这个时候期望通过匹配相似人群的标签作为最后的标签结果。

图片

算法模型

除了统计学的思路，我们还在探索用另外一种方式去构建设计画像，使用模型训练输出标签。之前也说过偏好问题可以认为是一个分类问题。

常用的分类模型主要有以下两种：

| 分类模型 | 优点 | 缺点 |

| — | — | — |

| 决策树 | 根据决策树可以很容易地构造出规则，而规则通常易于解释和理解；决策树可很好地扩展到大型数据库中，同时它的大小独立于数据库的大小；决策树模型的另外一大优点就是可以对有许多属性的数据集构造决策树。 | 处理缺失数据时的困难，过度拟合问题的出现，以及忽略数据集中属性之间的相关性等。 |

| 朴素贝叶斯 | 有稳定的分类效率。对小规模的数据表现很好，能够处理多分类任务，适合增量式训练，尤其是数据量超出内存时，我们可以一批批的去增量训练。对缺失数据不太敏感，算法也比较简单，常用于文本分类。 | 需要知道先验概率，且先验概率很多时候取决于假设，假设的模型可以有很多种，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。 |

目前我们正在尝试使用决策树类模型 XGBoost 实现标签训练输出，它支持各种语言调用，支持单机和分布式，支持 libsvm 的稀疏矩阵的数据格式。

3.1.4 展望和目标

设计画像是智能设计基础能力中的一环，结合程序合图，为不同的人群输出不同风格的设计手法，助于千人千面、千人千场等精准营销场景，提升商业转化率。

3.2 实时合图

我们面向开发者、第三方系统平台提供了服务端快速合成图片的接口，开发者可以根据自身的业务诉求集成羚珑的程序化设计能力，构建自己的设计引擎。

「实时合图」在京东最大的应用场景是京东 APP 首焦轮播广告图的千人千面，根据不用访客的用户画像和购买行为数据分析，实时合成并推送精准的广告图，提升其商业转化率（CTR）。

它的核心就是通过 C 去实现了合图的底层引擎，然后通过 NGINX 扩展的形式注入到 NG 里面，通过 LUA 脚本来控制各个业务上层的逻辑配置。

图片

此外，羚珑实时合图方案的一大亮点在于 CDN 兜住了绝大多数请求，能有效降低真正回源的请求量。

图片

CDN 是一种加速内容分发网络，通过多节点的形式，让用户访问到离用户最近的节点资源，从而达到让内容快速呈现给用户的技术，简而言之，我们可以理解为缓存。

3.3 智能配色

在羚珑网站上作图，都能体验到智能配色的功能，从而大大提高图片丰富性，做到一键切换图片风格。

基于图像智能识别技术，对图像色值进行精准识别，通过像素级别的色值替换，实现图片色彩风格的智能变换，保证配色结果的风格与质量。

3.4 智能抠图

智能抠图基于京东drawbot[10]和么么照的能力进行构建，前者擅长商品抠图，后者适合人像抠图。目前这两种抠图能力都可以在羚珑平台上体验，另外也提供接口方式内外赋能。

智能抠图

3.5 智能排版

基于知识图谱的推理能力，我们构建了一套适用于泛零售领域的广告图片排版技术，通过知识图谱可以让图形在任意尺寸下自动适应画布，并添加合适的图元。

3.5.1 任意尺寸 Banner 图合成

我们建立了一套基于知识推理的方法，从简单到复杂的递推迁移实现了 banner 图任意版式结构的构图，利用机器学习算法学习大量的优秀设计师模板中的布局参数，智能化的构建出符合人眼审美的排版构图，使用模型的泛化能力实现了任意尺寸的版式合图能力。

Banner图合成

3.5.2 任意形状图形排列

为了增加素材的丰富性与层次感，我们对一些基本图形或文字进行叠加组合，生成复合型的素材，使用场卷积堆叠算法，对图元生成卷积核在目标区域内卷积扫描，填充并目标轮廓区域，实现了任意形状轮廓的图元排列与叠加效果。

3.6 智能背景

尺寸拓展是设计需求中经常碰到的一个痛点，一张广告图片，经常因为要下发到不同的客户端，需要做不同尺寸的版本。这个过程我们会碰到一个很大的问题，静态的背景图片没有办法很好的适应于各种尺寸中，它不像矢量素材一样，可以任意的放大或缩小，而矢量背景素材却又具有很大的设计成本。因此，我们希望可以利用程序算法动态生成任意尺寸的好看好用的背景图素材，它具有矢量背景素材的特性，又具有极低的生产成本，这是羚珑智能背景课题研究的初衷，是实现 AI 无人化设计的难题之一，我们现在就在路上。

利用机器生成的背景，在创意层面会有一定的局限性。我们觉得以下几种类型的抽象背景素材具有机器生成的可行性。

3.6.1 粒子 + 渐变

将大量的粒子和深色的渐变相叠加, 可以生成类似科幻大片中的背景效果图, 非常适合用作电子产品的背景图。通过对粒子大小, 色彩混合模式, 随机性等参数的修改, 可以生成更多特殊氛围效果。

3.6.2 形状组合

纯形状组合的背景具有很强的通用性, 可用于各种品类的商品, 它是由算法生成一些随机形状组成, 并根据用户喜好风格匹配一套配色方案对图形进行着色。

3.6.3 渐变+装饰

最后

基础知识是前端一面必问的，如果你在基础知识这一块翻车了，就算你框架玩的再6，webpack、git、node学习的再好也无济于事，因为对方就不会再给你展示的机会，千万不要因为基础错过了自己心怡的公司。前端的基础知识杂且多，并不是理解就ok了，有些是真的要去记。当然了我们是牛x的前端工程师，每天像背英语单词一样去背知识点就没必要了，只要平时工作中多注意总结，面试前端刷下题目就可以了。

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】