ui设计师是做什么的 工作内容有哪些

UI看到一个交互设计，需要考虑的是这样的排布是否合理，信息重点在哪里，用户人群是哪一类等等分析都是自己的事。下面是ui设计师具体工作内容，供参考。

UI设计师主要工作内容

简单点来说，就是网站的用户界面设计师，网络架构、网站美工等。

具体描述如下：

“UI”的本义是用户界面，是英文User和 interface的缩写。从字面上看是用户与界面两个组成部分，但实际上还包括用户与界面之间的交互关系。具体还包括：可用性分析、GUI（Graphic User Interface即图形用户界面设计）、用户测试等。好的UI设计需要让软件变得有个性有品味，让软件的操作变得舒适、简单、自由，充分体现软件的定位和特点。

因此，UI设计师不单纯从事美术绘画，而需要定位软件使用者、使用环境、使用方式并且最终为软件用户服务，他们进行的是集科学性与艺术性于一身的设计，他们需要完成的，简单说来，正是一个不断为用户设计视觉效果使之满意的过程。UI设计从工作内容上来说分为3大类别，即研究工具，研究人与界面的关系，研究人。

与之相应， UI设计师的职能大体包括三方面：一是图形设计，即传统意义上的“美工”。当然，实际上他们承担得不是单纯意义上美术工人的工作，而是软件产品的产品“外形”设计。二是交互设计，主要在于设计软件的操作流程、树状结构、操作规范等。一个软件产品在编码之前需要做的就是交互设计，并且确立交互模型，交互规范。

三是用户测试/研究，这里所谓的“测试”，其目标恰在于测试交互设计的合理性及图形设计的美观性，主要通过以目标用户问卷的形式衡量UI设计的合理性。如果没有这方面的测试研究，UI设计的好坏只能凭借设计师的经验或者领导的审美来评判，这样就会给企业带来极大的风险。

UI设计师到底是做什么的

从产品需求入手，考虑我们到底要用什么主色调

比如同样是团购，糯米用的是桃红色，而美团是翠绿色。那么我们在UI设计的时候首先就要考虑主色调的问题。

配色和辅助色用什么颜色

在考虑到产品气质和品牌色的同事，我们经常要考虑配合衬托产品主色调的辅助色。在不同的产品中，辅助色运用的策略是不同的，比如我们经常说的：邻近色、对比色等。都是我们选择辅助色的方法。

用什么风格来表达

现在来说，说到风格一句话，扁平风。但是在扁平中也有区别。比如下图，同样是扁平。但是左图微微带有一些光影，而右图是纯扁平。你能说哪个好或者不好吗不能。

图标化成什么风格

同样是设置、发现、，不同的app在基本结构一致的情况下也有很多细微的差别。倒是是要用圆角的icon、还是直角，是用面还是线形，这背后的设计语言逻辑是什么，设计目的是什么。都是需要UI设计来考虑。

比如：同样是腾讯的产品，手Q和微信的icon就完全不一样。其原因是由于产品面面对的人群不同，手Q更偏年轻化。同样，你去看陌陌、来往、易信的聊天icon也是不一样的。这都是需要UI设计师一点点抠细节的去画出来的。

如何表达情感化设计

在一些细节页面我们常常要考虑情感化设计，以此来提升app的品质，降低用户在异常情况下 的挫败感。同时好的设计师还会考虑到如何引导用户去解决，从而满足产品诉求。不同的产品在做情感化设计的时候方式方法不同，风格也不一样。这些也都是需要UI设计来处理的。

随着外卖行业的不断发展，外卖的各项功能也在不断的趋于完善和创新，其中就包括评价系统，今天我们以百度外卖、美团外卖和饿了么三个产品作为案例来分析。

为什么要有评价系统？

既然有购物，自然就有买完之后的感受了。评价的作用有一下几点作用：

01 抒发顾客的情感，无论是积极还是消极的

02 给商家提供反馈

03 给其他买家提供可靠的经验参考

外卖的好与坏，用户是需要一个地方去吐槽的，如果你点了一份外卖，结果很难吃，而且没有给商家差评的机会，这样用户会骂：XX外卖，真是蠢！  用户会将外卖的槽点转移到产品的设计上来，这样从大的角度来说是不利于产品发展的。

个体商家可以通过查看评论来了解自身食品的不足，接受用户的反馈。

外卖的食品介绍远不如淘宝那么完善和精美，用户往往都是凭主观感受来决定好不好吃，其他用户的评价可以帮助用户来 选择。

下面我们来看一下，百度外卖、饿了么、美团外卖的评论页设计：

我们可以发现，这些评论页都似乎按照这样的布局进行设计的

布局上，大体分为两层。最上面是商家的信息，下面则是评价系统；评价系统又分为三个部分，总览评分、评分的分类/标签，最后是详尽的用户评论。其中各家侧重点也不同，大致上区别度不是很大。

总览评分：

百度外卖设计区分别的两家，设置了一个评分曲线，将一周前、两周前和本周的总体评分连起来，同时在在打开评论页的时候，动态曲线展开，是一个不错的动效设计。然而这对用户来说并没有什么帮助，用户的评分较为随意，趋势的变化并不能说明什么，厨师还是那个厨师，总体来说意义不大，但还是这还是一个亮点设计，值得称道。整体评价上，百度外卖需要点击下拉按钮，才会显示服务质量和商品评分。相对于其他两者而言，多了一步操作，而且在用户进入的时候，没有第一时间呈现用户最关心的两个评分要素，这给用户的体验很不好。这个设计就好比是抽屉导航，抽屉内的按钮点击率一定是会下降的。另外，评分的动效设计在右边，左边的注意度会下降，那么下拉的点击频率也会因此下降，大部分注意力都会在这个评分曲线上。最后左边的点击，对于右手拿手机实在是不方便。这样看来，在右边一大块区域放曲线图表是否值得？

在我体验的过程中惊喜的发现，点击图表（页面中该层次中任何地方），服务质量和商品评分就会弹出来。这是一个隐藏设计，我思考的解决方案也是如此，但是整个页面没有任何提示和引导，用户完全只有通过尝试才能发现该功能。

美团和饿了么的这一部分极为相似，其中饿了么在左边添加了与周边商家的对比模块，在右边添加了一个送达时间。作为外卖行业，送餐的速度也决定了用户体验，具体的送餐耗时给用户直观的感受。美团则在左边增加了一个用户好评率，这个模块不算出色，马马虎虎。美团外卖的sologan就是：美团外卖，送啥都快。但是我们发现美团外卖没有一个具体的模块来证明这个sologan，唯有一个配送质量有点联系，但不如饿了么的送餐速度的模块，具体直观。

评论分类/标签

百度外卖和美团都是分了很大一部分空间给评论标签，因为设计师可能觉得，一个个标签能带给用户对商品的最直观看法。一个餐厅的好不好吃，我们可以通过之前的顾客给出的标签，快速直观的了解到，这一层次可以说是评价系统最重要的部分。我们甚至可以看到，美团用了整个页面的三分之一去描述，这也是值得的。对比饿了么，则完全忽略了这个模块，只分为满意和不满意。这一点上可以看出饿了么对评论系统没有足够的重视，设计上也没有足够的思考。

详细评价

详细评价则是用户手动输入文字内容，表达自身对菜品的感受，这是需要用户配合的交互，用户的实际操作成本较大。我在百度外卖上看到这样的评价

通过用户给出的星级评价来自动匹配一些标签给用户，如三星以上均为积极标签，三星一下则为消极标签。这样不仅减少了用户评价时的负担，同时也规范化了评价，这些标签可以更好的运用在上面评价分类/标签的层次中，起到了相辅相成的作用，是一个很棒的设计。其他的平台的提交评价我没有体验，这里就不好说了。

总结

我一直很关注进入页面的第一眼感受，类似于这种起到辅助用户完成任务的参考内容，第一眼呈现给用户的信息显得尤为重要。我个人认为，以上三个层次中，标签实为最重要的部分，标签可以帮助用户快速直观的了解餐厅的“性格”和其他用户对其的感受。设计上要给以足够的重视，视觉上还可以通过颜色来区分积极和不积极的标签，结构上要注意把握好标签的量的多少，等等。

1 业务差异京东是一家电商公司，以在线购物为主要业务；美团是一家本土生活服务平台，以外卖、团购、餐饮、旅游、**等生活服务为主; 快手是一家短视频社交平台，以用户创作、观看、分享短视频为主要业务。2 用户群体京东有广泛的用户群体，主要覆盖在线购物、数码产品、家电、服装等等；美团主要服务于年轻一代和城市居民，在城市的交通、旅游、餐饮等领域有广泛覆盖；快手的用户群体以年轻人为主，主要服务于短视频、生活技能、情感连接等领域。3 盈利模式京东主要盈利于商品销售，通过向商家收取佣金和物流服务等费用来获得利润；美团主要通过服务提供和交易收取一些额外费用，如订单服务费、配送费等；快手主要通过广告投放等方式盈利。4 技术支持京东通过大数据、、云计算等技术支持平台的快速发展，提供更好的购物体验；美团在平台技术上下了大力气，通过打造推荐算法等来提高用户体验；快手则专注于短视频的创作和分享技术，在短视频制作、美化和社交交流上不断创新。综上所述，京东、美团和快手在业务差异、用户群体、盈利模式和技术支持等方面有所不同。

分享嘉宾：张鸿志博士 美团 算法专家

编辑整理：廖媛媛 美的集团

出品平台：DataFunTalk

导读： 美团作为中国最大的在线本地生活服务平台，连接着数亿用户和数千万商户，其背后蕴含着丰富的与日常生活相关的知识。美团知识图谱团队从2018年开始着力于图谱构建和利用知识图谱赋能业务，改善用户体验。具体来说，“美团大脑”是通过对美团业务中千万数量级的商家、十亿级别的商品和菜品、数十亿的用户评论和百万级别的场景进行深入的理解来构建用户、商户、商品和场景之间的知识关联，进而形成的生活服务领域的知识大脑。目前，“美团大脑”已经覆盖了数十亿实体、数百亿的三元组，在餐饮、外卖、酒店、到综等领域验证了知识图谱的有效性。今天我们介绍美团大脑中生活服务知识图谱的构建及应用，主要围绕以下3个方面展开：

--

“美团大脑”是什么？

以下是“美团大脑”构建的整体RoadMap，最先是2018年开始餐饮知识图谱构建，对美团丰富的结构化数据和用户行为数据进行初步挖掘，并在一些重要的数据维度上进行深入挖掘，比如说对到餐的用户评论进行情感分析。2019年，以标签图谱为代表，重点对非结构化的用户评论进行深入挖掘。2020年以后，开始结合各领域特点，逐个领域展开深度数据挖掘和建设，包括商品、美食、酒旅和到综和cross图谱等。

--

在搜索中，通常用户需要将其意图抽象为搜索引擎能够支持的一系列精搜关键词。标签知识图谱则是通过“标签”来承载用户需求，从而提升用户搜索体验。例如，通过标签知识图谱，用户可直接搜索“带孩子”或者“情侣约会”，就可返回合适的商户/内容供给。从信息增益角度来说，用户评论这种非结构化文本蕴含了大量的知识（比如某个商户适合的场景、人群、环境等），通过对非结构化数据的挖掘实现信息增益。该团队以生活服务领域的海量评论数据作为主要知识来源，通过标签挖掘、标签间关系挖掘以及标签-商户关联等关键技术，自下而上梳理用户需求，场景及主要关注点完成图谱构建。

标签知识图谱构建分为以下四个部分：知识抽取、关系挖掘、图谱打标和图谱应用。

① 知识抽取

标签挖掘采用简单的序列标注架构，包括Single span标签挖掘和跳字标签挖掘，此外还会结合语义判别或者上下文判别，采用远监督学习+结果投票方式获取更精准的标签。

② 关系挖掘

同义词挖掘：同义词挖掘被定义为给定包含N个词的池子，M个业务标签词，查找M中每个词在N中的同义词。现有的同义词挖掘方法包括搜索日志挖掘、百科数据抽取、基于规则的相似度计算等，缺乏一定的通用性。当前我们的目标是寻找通用性强，可广泛应用到大规模数据集的标签同义词挖掘方法。

以下是作者给出的同义词挖掘的具体方案，首先将离线标签池或者线上查询标签进行向量表示获取向量索引，再进行向量哈希召回，进一步生成该标签的TopN的同义词对候选，最后使用同义词判别模型。该方案的优势在于降低了计算复杂度，提升了运算效率；对比倒排索引候选生成，可召回字面无overlap的同义词，准确率高，参数控制简单。

对于有标注数据，主流的标签词嵌入表示方法有word2vec、BERT等。word2vec方法实现较为简单，词向量取均值，忽略了词的顺序；BERT通过预训练过程中能捕捉到更为丰富的语义表示，但是直接取[CLS]标志位向量，其效果与word2vec相当。Sentence-Bert对于Bert模型做了相应的改进，通过双塔的预训练模型分别获取标签tagA和tagB表征向量，然后通过余弦相似性度量这两个向量的相似性，由此获取两个标签的语义相似性。

对于无标注数据来说，可以通过对比学习的方法获取句子的表示。如图所示，Bert原始模型对于不同相似度的句子的向量相似度都很高，经过对比学习的调整之后，向量的相似度能够较好地体现出文本相似度。

对比学习模型设计：首先给定一个sentence，对这个样本做扰动产生样本pair，常规来说，在embedding层加上Adversarial Attack、在词汇级别做Shuffling或者丢掉一些词等构成pair；在训练的过程中，最大化batch内同一样本的相似度，最小化batch内其他样本的相似度。最终结果显示，无监督学习在一定程度上能达到监督学习的效果，同时无监督学习+监督学习相对于监督学习效果有显著提升。

同义词判别模型设计：将两个标签词拼接到Bert模型中，通过多层语义交互获取标签。

标签上下位挖掘：词汇包含关系是最重要的上下位关系挖掘来源，此外也可通过结合语义或统计的挖掘方法。但当前的难点是上下位的标准较难统一，通常需要结合领域需求，对算法挖掘结果进行修正。

③ 图谱打标：如何构建标签和商户供给的关联关系？

给定一个标签集合，通过标签及其同义词在商户UGC/团单里出现的频率，卡一个阈值从而获取候选tag-POI。这样会出现一个问题是，即使是频率很高但不一定有关联，因此需要通过一个商户打标判别模块去过滤bad case。

商户打标考虑标签与商户、用户评论、商户Taxonomy等三个层次的信息。具体来讲，标签-商户粒度，将标签与商户信息（商户名、商户三级类目、商户top标签）做拼接输入到Bert模型中做判别。

微观的用户评论粒度，判断每一个标签与提到该标签的评论（称为evidence）之间是正面、负面、不相关还是不确定的关系，因此可当作四分类的判别模型。我们有两种方案可选择，第一种是基于多任务学习的方法， 该方法的缺点在于新增标签成本较高，比如新增一个标签，必须为该标签新增一些训练数据。笔者最终采用的是基于语义交互的判别模型，将标签作为参数输入，使该模型能够基于语义判别，从而支持动态新增标签。

基于语义交互的判别模型，首先做向量表示，然后是交互，最终聚合比较结果，该方法的计算速度较快，而基于BERT的方法，计算量大但准确率较高。我们在准确率和速度上取balance，例如当POI有30多条的evidence，倾向于使用轻量级的方式；如果POI只有几条evidence，可以采用准确率较高的方式进行判别。

从宏观角度，主要看标签和类目是否匹配，主要有三种关系：一定不会，可能会，一定会。一般通过商户层关联结果进行投票结果，同时会增加一些规则，对于准确率要求较高时，可进行人工review。

④ 图谱应用：所挖掘数据的直接应用或者知识向量表示应用

在商户知识问答相关的场景，我们基于商户打标结果以及标签对应的evidence回答用户问题。

首先识别用户query中的标签并映射为id，然后通过搜索召回或者排序层透传给索引层，从而召回出有打标结果的商户，并展示给C端用户。A/B实验表明，用户的长尾需求搜索体验得到显著提升。此外，也在酒店搜索领域做了一些上线实验，通过同义词映射等补充召回手段，搜索结果有明显改善。

主要采用GNN模型实现，在构图中构建了两种边，Query-POI点击行为和Tag-POI关联信息；采用Graph Sage进行图学习，学习的目标是判断Tag和POI是否有关联关系或者Query和POI是否点击关系，进一步依据关联强度进行采样。上线后结果显示，在仅利用Query-POI信息构图时，线上无收益，在引入Tag-POI关联信息后线上效果得到显著提升。这可能是因为排序模型依赖于Query-POI点击行为信息去学习，引入Graph Sage学习相当于换了一种学习的方式，信息增益相对较少；引入Tag-POI信息相当于引入了新的知识信息，所以会带来显著提升。

此外，仅接入Query-POI向量相似度线上效果提升不佳，将Query和POI向量接入后效果得到显著提升。这可能是因为搜索的特征维度较高，容易忽略掉向量相似度特征，因此将Query和POI向量拼接进去后提升了特征维度。

该任务通过当前已知的Item去预测用户点击的Masked Item。比如说获取Item的上下文表征的时候，将相关的Attribute信息也进行向量表征，从而去判断Item是否有Attribute信息。

此外，还可以做Masked Item Attribute 预测，从而将标签的知识图谱信息融入到序列推荐任务中去。实验结果表明，引入知识信息后的准确率在不同的数据集上均有数量级的提升。同时，我们也做了线上转化的工作，将Item表征做向量召回；具体来说，基于用户历史上点击过的Item去召回topN相似的Item，从而补充线上推荐结果，在美食列表推荐页有显著提升。

--

菜品知识图谱的构建目标，一方面是构建对菜品的系统理解能力，另一方面是构建较为完备的菜品知识图谱，这里从不同的层次来说明菜品知识图谱的构建策略。

菜名理解

菜名中蕴含着最精准、获取成本最低的菜品信息，同时对菜名的理解也是后续显式知识推理泛化能力的前提。首先是抽取菜名的本质词/主体菜，然后序列标注去识别菜名中的每个成分。针对两种场景设计了不同的模型，对于有分词情况，将分词符号作为特殊符号添加到模型中，第一个模型是识别每个token对应的类型；对于无分词情况，需要先做Span-Trans的任务，然后再复用有分词情况的模块。

菜名理解是一个较为重要的信息来源，但是所蕴含的知识相对有限，从而提出了基于深度学习模型进行初步字符推断，可实现对不同字面表述的泛化处理。但是对需要专业知识的case表现欠佳，偶尔在字面极其匹配时出现case。

从知识内容丰富的文本中挖掘某些菜谱的基础知识，来构建源知识库；然后通过泛化推理去映射到具体SKU中。在食材推理中，比如菜品种有多道红烧肉，统计10道五花肉中有4道是指五花肉，6道是指带皮五花肉，因此肉就转化为带皮五花肉。对应地，佛跳墙有多道菜谱，先通过统计每种食材出现的概率，可以卡一个阈值，然后表明该菜谱的食谱是什么。

多源数据挖掘，基于菜名理解结果构建solid knowledge triple，同时也依赖菜名理解结果泛化规则。该策略主要适用于处理食材、功效、人群等标签。该方法准确率OK，有一定泛化能力，但覆盖率偏低。

业务内有一些比较好用的训练数据，例如1000万商户编辑自洽的店内分类树。基于该数据可产生5亿的 positive pairs 和 30G corpus。在模型训练中，会随机替换掉菜谱分类的 tab/shop，模型判断 tab/shop 是否被替换；50%的概率drop shop name，使得模型仅输入菜名时表现鲁棒。同时，对模型做了实体化改进，将分类标签作为bert的词进行训练，将该方法应用到下游模型中，在10w标注数据下，菜谱上下位/同义词模型准确率提升了18%。

首先使用ReseNet对菜谱进行编，使用Bert模型对菜谱文本信息做编码，通过对比学习loss去学习文本和店菜的匹配信息。这里采用双塔模型，一方面是下游应用较为方便，单塔模型可独立使用，也可inference出菜品的表示并缓存下来；另一方面是内容单纯，暂无交互式建模的必要。训练目标分别是与店菜匹配、与菜名对齐，与Tab对齐。

可基于多模态信息做菜品品类预测或者菜谱信息补全。比如，预测“猪肉白菜”加上了信息将更加直观和准确。基于文本和视图模态信息进行多视图半监督的菜谱属性抽取，以烹饪方式抽取为例，首先通过产生烹饪方法训练样本（红烧肉-红烧）；然后采用CNN模型去训练预测菜谱烹饪方法，指导Bert模型Finetune文本模型或者多模态模型，基于商户/tab/菜品及评论信息预测菜品烹饪方法；最终对两个模型进行投票或者将两个特征拼接做预测。

综上，我们对菜品知识图谱构建进行相应的总结。菜品理解比较适合SKU的初始化；深度学习推理模型和显式推理模型比较适合做同义词、上下位、菜系等；最终是想通过多模态+结构化预训练和推理来解决单模态信息不完整、属性维度多、需要大量标注数据等问题，因此该方法被应用到几乎所有的场景中。

今天的分享就到这里，谢谢大家。

分享嘉宾：