论文部分内容阅读
随着科技的发展,软件产业正前所未有地改变着人们的衣食住行。面对激烈的市场竞争,用户体验被越来越多的软件公司所重视。各类软件公司通过挖掘用户信息以改进各自的软件,进而提高用户体验,使软件更具竞争力。精准分析用户体验有助于提升用户体验质量并延长软件寿命。用户体验分析包括评估用户体验以及在评估后获得的准确的用户体验上进行分析。精准评估用户体验可以获得真实的用户体验并为后续用户体验分析提供可靠性保障。对用户体验进行分析可以获取与用户体验相关的用户特性和软件因素,进而定位用户群体并通过改进相应的软件因素以提升用户体验,最终获得软件利益最大化。此外,由于用户体验领域中的研究样本较少,在小样本上分析得到的结果准确性得不到保证。因此,本文的目的是准确地评估用户体验,获取充分的用户体验与用户特性以及软件因素三者之间的关系,并且提出用于用户体验小样本的高准确率可解释模型。针对现有主观评估方法或客观评估方法对于用户体验评估具有片面性的问题,本文基于主客观相结合的评估方法对其进行改进以评估用户体验。首先,本文设计了包含用户体验以及用户特性的问卷以获取主观用户体验,然后分析用户体验与用户特性以及软件因素之间的关系,最后利用心率变异性验证以上关系。现有的分析用户体验与相关因素之间关系的方法有统计学习方法和机器学习方法。然而,现有的基于统计学习方法的研究和机器学习模型只得出了部分用户体验与用户特性以及软件因素之间的关系且现有的用于分析用户体验小样本的机器学习模型是不足够准确的。为了充分的分析用户体验关系,本文选用具有可解释性的RIPPER算法。此外,本文改进RIPPER算法中的FOIL信息增益公式以解决该算法在特定值样本缺失时的问题,并利用改进的RIPPER算法分析用户体验与用户特性以及软件因素三者之间的关系。现有的提升小样本分析准确率的方法分为直接作用于小样本上的机器学习方法和利用辅助数据的迁移学习方法。本文首次将迁移学习中的TrAdaBoost算法引入用户体验领域以提升小样本分析的准确率。为了在提高小样本分析准确率的同时解释用户体验与用户特性以及软件因素三者之间的关系,本文基于可解释的迁移决策树提出Transferin Cart(TrCart)算法。此外,本文首次将基于实例的迁移学习算法TrAdaBoost和基于模型的迁移学习算法TrCart结合,得到在用户体验领域小样本上准确率高的且具有可解释性的模型Transfer Adaboost in Cart(TrAdaboostCart)算法。