人工智能设计师v0.0.2

本文是DIY一个人工智能设计师_v0.0.1的升级版本。将结合推荐系统，梳理人工智能设计师的具体使用场景之一。

先看下近期人工智能+设计的热点事件：

下面是新榜的数据，我对比了下“鲁班”跟“人工智能设计师”这2个关键词的情况：

再看下，各大自媒体传播的核心：

失业，每秒8000张海报，成为了这一轮传播的热议话题。

真的会失业吗？

反正对人类设计师的要求会越来越高，因为有了瞬间出图的AI（此AI不是Adobe Illustrator），作为对比。

设计师如何跟上时代的潮流，应该多了解甚至掌握人工智能相关的技能，所以我写了《写给设计师的人工智能指南》系列，设计师都应该了解的人工智能指南，往期文章，可点击查阅：

指南：图像

指南：虚拟私人助理

指南：Tensorflow快速入门

指南: JS框架Synaptic

指南：如何找出相似的文章

指南：推荐系统

回到文本重点：

个性化推荐要解决什么问题？

互联网聚合了丰富的信息，给用户提供更多选择的同时，带来了信息的泛滥，这意味着用户必须为筛选信息付出更大的成本。个性化推荐技术能够帮助用户把最感兴趣的内容直接呈现在用户面前。

人工智能设计师如何应用到个性化推荐中呢？

传统的个性化推荐，推荐结果都是系统里预存的结果，人工智能设计师的加入，可以达到实时生成个性化的Banner，相当于有个设计师专门24小时根据用户喜好画图（生成banner）。

人工智能设计师之应用：

个性化推荐+banner自动合成

图片引自网络

Banner个性化推荐（简称），解决的是根据用户的喜好或者浏览行为，推荐合适的内容数据；合适的内容数据输入智能Banner系统中，生成美观的图片；最后送达用户。减去了中间美工的工作，可以做到实时、更灵活的个性化推荐。

有哪些具体的使用场景需要Banner个性化推荐？

各种轮播图、banner广告、视频封面等各种图片展示场景，均可使用。

以上截图分别来自爱奇艺、京东、知乎

只要是个互联网产品，都会有图文类的banner推送需求，尤其是强烈依赖图片展示的产品，如电商亚马逊：

那么，我们可以通过什么样的步骤构建一个Banner个性化推荐系统呢？

1

个性化推荐

用户画像、机器学习

Persona、Machine Learning

个性化推荐，核心是推荐系统，比如在电商网站，用户看到的“商品推荐”；在搜索引擎，根据你的输入会提示相关的关键词或者内容；今日头条的新闻内容；知乎推荐的问答内容等等。个性化推荐基本成为了一个互联网产品的标配。

不做个推荐系统，都不好意思上线了-_-!!

（后悔之前几款app／小程序都没有做个性化推荐）

更何况推荐系统，还可以帮助产品提升页面访问量与产品印象，帮助用户节省精力，最终提升用户体验。

个性化推荐系统大致可分为三个层级，以电商推荐场景为例，第一个是用户曾经购买过什么，就给用户推荐类似的商品；第二层是用户有可能需要并且也适合用户的其他商品；第三层，是能够根据用户的性格、兴趣等用户画像标签，为用户推荐从来没有想过但确确实实会喜欢的商品，给用户带来意想不到的惊喜。

第一、二层的推荐系统构建方法，可以查阅往期文章：

写给设计师的人工智能指南：推荐系统

下面重点介绍第三层，根据用户画像构建推荐系统。

1.1

用户画像的构建

要完成个性化推荐系统，先要准备好用户画像，用户画像最早由交互设计之父Alan Cooper提出:

“Personas are a concrete representation of target users.”

用户画像，简单理解就是给用户打各种标签。如果想详细了解用户画像，可以查阅往期的文章：

app之用户属性

用户画像的产生过程，可以分为以下几步：

1 用户建模

指确定提取的用户特征维度，和需要使用到的数据源。

2 数据收集

通过数据收集工具，如自己写的脚本程序，把需要使用的数据统一存放。

爬虫在这一步应用非常多，不知不觉爬虫相关的文章也写了9篇了，点击文章即可查阅爬虫相关内容：

爬虫之数据获取的3种方法

开发笔记：基于Electon的图片采集工具

微信公众号文章爬取 | 数据爬取及可视化系列

可视化爬虫SPY | 01

?关于知乎Live的一些数据 | 数据爬取及可视化系列

就叫Spyfari吧！｜数据爬取及可视化系列

03 使用Echarts制作可视化图表 ｜数据爬取及可视化系列

02技能之谷歌Chrome爬虫 ｜数据爬取及可视化系列

01基于位置的用户画像初探｜数据爬取及可视化系列

3 数据清理

数据清理的过程可以独立进行，也有可能与数据收集同时进行，这一步主要是把收集到各种来源、杂乱无章的数据进行字段提取，得到结构化的数据。

4 模型训练&属性预测

有些特征可能无法直接从数据清理得到或者数据缺失，比如用户消费水平，用户性别等，可以通过已收集到的特征进行机器学习和预测。

5 数据合并

把各种数据源提取的用户特征进行合并，并给出一定的可信度。

6 数据分发

对于合并后的结构化数据，应用到个性化推荐中，并输出给banner自动合成系统调用。

2.2

个性化推荐的输出结果

用户画像数据准备好后，需要准备好物品或者内容的数据，然后训练推荐系统模型，训练好模型后，部署成为后端的服务，以供客户端调用，每次调用后，个性化推荐系统输出的结果可以包含：

用户喜好的内容或物品

用户偏好的颜色

用户偏好的设计风格

用户偏好的字体

等等

开箱即用的NodeJS库，可以选基于协同过滤推荐的Likely.js，快速进行实验，详细可以查阅：

写给设计师的人工智能指南：推荐系统

补充一种，精度更高的推荐系统，即用深度学习来进行推荐系统的构建：

通过“映射”的方法，把人映射成一个向量，把物品也映射成一个同维度同意义的向量，通过神经网络建模，形成的推荐系统。

关于映射：

如word2vec通过语料训练把词变成一个数百维的向量，向量的每一维没有明确的物理意义，作为深度学习的输入数据。

ps：关于用深度学习来构建推荐系统，将在另外的文章中进行详细介绍。

如果觉得以上知识不够深入，这里推荐一本书，以供系统的深入学习：

2

Banner自动合成

人工智能设计师

Artificial intelligence Designer

在第一步中，获取到用户喜好的物品或者内容，颜色，设计风格等内容后，经过人工智能设计师的智能匹配，匹配到合适的图片素材、设计风格模版，系统将自动输出合成上千张Banner，并按照设计效果从高到低依次排列。

这里的人工智能设计师有3个组成部分：

匹配系统+排版系统+评估系统

2.1

匹配系统

完成从物品或内容，匹配合适的图片素材，文案素材，布局模版的工作，整个过程类似于图片搜索：

2.2

排版系统

根据上一步匹配到的图片素材，文案素材，根据布局模版进行内容填充与合成。

这个过程尽可能多的合成各种可能，可以理解为穷举各种设计的可能情况。

2.3

评估系统

我们需要预先训练好一个评估系统，作为一个裁判，给排版系统生成的大量设计图进行评分。

关于评估系统，建议使用神经网络进行训练，这一内容将在另一篇文章中进行介绍。

最后输出，根据评分结果从高到低的设计结果，推送至用户面前。

关于人工智能设计师，我在往期的文章中有介绍具体的实现步骤，感兴趣可以查阅：

DIY一个人工智能设计师_v0.0.1

关于人工智能的各种应用，我们也该深入了解，为以后做准备：

《人工智能时代》，推荐15天阅读完，总阅读时长预计26小时。

最后，再回过头来看阿里的“鲁班”，典型的面向电商的人工智能设计的应用场景：

基于“双十一”的大量banner设计需求，如果是通过美工手工设计制作，得耗费多少劳动力成本，而通过机器来实现banner的自动生成，1秒生成8000张，1名设计师一年也不见得可以画8000张banner图。