端傳媒 android客户端,知乎安卓客户端交互设计分析!

145209cf9721edc377b0df64701a5942.png

虽然不是重度知乎使用者,但几乎有问题都会第一时间在知乎上进行搜索,空闲时也会刷刷知乎解解闷。在使用过程中,发现知乎客户端有不少地方可以改进,下面说说我的一些想法。

安卓4.0版本

搜索和提问

如果我想找到一个问题的答案,有两种选择,一是搜索现有的提问和答案,看能否解决自己的问题,二是直接提交自己的问题,等别人来回答。

目前,不管是手机客户端还是网页端,都是搜索为主。在客户端,搜索框位于顶部,提示文字是搜索话题、问题和人,而提问只是右边的一个加号按钮。网页端的提问入口也不明显。

145209cf9721edc377b0df64701a5942.png

网页端

确实,大多数用户的习惯是先搜索有没有相关的问题,如果找不到答案再自己提问。对于社区来说也可以避免大量重复的问题以及通过搜索把更多内容推荐给用户。

但是这些也恰好表明搜索和提问并不是并列关系,而是一种递进关系。if 有现有答案,ok , else 则提问寻求回答。

145209cf9721edc377b0df64701a5942.png

搜索和提问流程

目前,对于流程图下方的,阅读相关内容后没有解决问题的,客户端已经提供了相应的进入提问流程的快捷方式,相应的流程已经做得不错。但是对于上方的,还是略显繁琐。

我的解决方案就是在输入问题进行搜索时,增加提问的入口,点击之后自动将搜索内容填进去。具体可参考Quora。

145209cf9721edc377b0df64701a5942.png

quora相应流程

查看问题和答案

目前安卓客户端查看内容的过程是这样的,在首页翻看,如果你感兴趣,点击问题可以进入问题页面,查看问题具体描述、关注问题、评论问题、查看所有的答案。点击答案可以进入一个新页面,查看答案的全部内容以及投票,收藏等。

145209cf9721edc377b0df64701a5942.png

查看问题及答案

这一部分有两个问题:

一是要对问题或答案做任何操作,都必须点击之后在新的页面进行。

比如你对问题感兴趣想关注一下,需要点进去,你对那个答案感兴趣,想收藏下来,需要点进去。你觉得答案不错想点赞,需要点进去。

二是答案的显示方式。

有两种查看答案的途径:

首页–问题–答案

首页–答案

这两种途径进入答案页之后,前者可以左右切换查看不同答案,后者则不能。

下面具体分析一下

对于第一点,或许是为了通过增加操作的难度来避免出现有人恶意刷赞,刷差评。以及促使用户做更多的阅读而不是像刷微博那样简单浏览。代价则是增加用户的操作,要多点一下。而且由于页面跳转不可能非常流畅,因此也会增加用户等待的时间,以及视觉上的中断。

相比之下,我更倾向于将一些常用的操作直接放到首页。比如关注问题,回答问题,收藏答案等。对于一些主观性的评价像赞成、反对、感谢、没有帮助等,则可以按照原来的方式。

第二点,不同途径进入答案页后的操作不同。可能是因为觉得既然是通过点击答案直接进入的,那么就只是想看这个答案而已。但是从用户的心理模型来讲,这个操 作更像是提供一种快捷方式,跳过中间的一个步骤,得到的结果应该跟正常途径的相同,而且,只看一个答案的人应该不多吧?

如果一定要区分两者的不同,也可以通过在首页点击答案之后,在原地展开,而不要跳转到新的页面。功能与原来一样,减少了跳转,也更合理。

关于答案展示还有一个问题,就是用现在这种手势左右切换合适吗?我觉得不,因为答案的数量一般不会少,左右切换难以快速定位,而且该手势隐藏较深,一些用户不知道。

我觉得有两个方案可以代替,一是按照网页端的模式,在答案的右下角直接展开和收起,不跳转到别的页面。读完一个答案之后可以往下拉继续查看自己感兴趣的。

二是点击答案之后跳转到新页面,但是不通过左右滑动切换,而是上下滑动,然后右滑可以回到问题页面。

最后一点是答案的排序,目前的排序看不出规律,既不是按时间排的也不是按点赞数排的。不会是随机吧哈。按时间排序是因为有一些答案是有前后关系的,比如后 面的人会说,前面XXX已经说得很好了,我就说点别的,但是按照浏览顺序我们是先看到这个的。这样就比较麻烦了。按点赞数排名就是想看热门答案,或者从某 种程度上来说最好答案。

所以如果可以加上这些排序方式,会给用户带来方便。

以上。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值