背景

不同的用户有不同的偏好，不仅对于商品，对于UI也是同样如此。淘系会场的智能UI模块由此应运而生。在目前的淘系会场中，所谓的智能UI指的是借助AI提供界面千人千面的解决方案，给不同的用户展现不同的界面。在今年的双11中，智能UI模块成为了会场模块的主流方案之一，在本次双11大促中覆盖了300+的会场，使得会场除了在商品推荐上做到个性化之外，还实现了UI层面上的千人千面的个性化能力。

现状和挑战

什么是智能UI？

通过对大量线上页面的研究，智能UI设计团队总结并提出了描述电商模块设计方案的模型。模型包含了界面的栅格、布局、样式等信息，具体定义见下图。

通过上述模型，可以将电商模块的设计数据进行结构化。在实际应用中，我们将模型拆分成几个部分分别进行描述。

以区块（Block）为例，在上图的智能UI商品模块视觉稿中，我们将整个模块划分为5个区块，分别为：封面、标题、卖点、营销活动、价格，每个区块有唯一对应的编码：A - E，每个区块可以展示不同的物料。以上图为例，该视觉稿包含的样式方案数为5个区块的乘积：3*2*8*3*1=144。前端在开发时，会根据算法接口返回的唯一编码把对应物料渲染到对应区块位置。

测试要怎么做？

单一模块具有如此众多的样式，势必会给测试工作带来新的挑战。为了保障线上质量，在测试工作中必须覆盖所有的样式，然而在智能UI模块样式庞大的数量级面前，传统的手工测试显得十分的力不从心。从现实角度考虑，单纯地堆积人力已然无法解决问题，因此，自动化检测就顺理成章地成为了我们唯一的选择。

通过梳理智能UI模块的现状，我们的自动化测试方案主要需要解决以下几个问题：

• 针对不同智能UI模块，自动获取所有样式方案，并分别生成测试页面。

• 针对某一特定方案，自动校验数据投放和显示的逻辑，即：页面上展示的图片以及数据是否正确。

• UI样式检测。内容包括商品坑相互之间的间距，以及商品坑与边框的边距等。

解决方案

测试样本生成

//区块全部描述信息
{"blocks":[{"name":"封面区","code":"A","children":["1","2","3"]},{"name":"标题区","code":"B","children":["1","2"]},{"name":"卖点区","code":"C","children":["1","2","3","4","5","6","7","8"]},{"name":"营销活动区","code":"D","children":["1","2","3"]},{"name":"价格区","code":"E","children":["1"]}],"key": "A^1|B^2|C^4|D^1|E^1"
}

上述代码描述了一个智能UI模块的区块信息，其中key字段表示当前所使用的样式“A^1|B^2|C^4|D^1|E^1”：

A1：封面区显示场景图

B2：标题区显示算法商品名字段

C4：卖点区显示销量字段

D1：营销活动区显示满减字段

E1：价格区显示价格字段

根据模块的区块描述信息，我们很容易就可以遍历生成模块对应的所有样式。

对于会场所使用的模块，我们开发了相应的功能，用于批量生成模块的测试页面。测试页面的数据投放方式（阿拉丁、kangaroo）以及渲染方式与线上正式页面保持一致。通过构造页面的mock数据，我们可以指定测试页面所使用的样式，同时也可以设置模块所要展示的商品或店铺等数据字段。

自动识别

生成模块测试页面之后，我们希望能够对于页面上的元素进行自动识别，判断是否与生成页面时所使用的mock数据相一致。

整个识别的过程大致可以分为两个步骤：

1. 识别坑位（商品坑、店铺坑等等）；

2. 识别坑位中的信息。

目标检测（Object Detection）

为了能够识别页面截图中的商品/店铺坑位，我们采用了深度学习中的目标检测算法。整个流程可以分为3个步骤：数据准备、训练、部署。

1.数据准备

众所周知，机器学习需要大量的数据样本用于训练。那么用于智能UI模块训练的样本需要如何生成？如果单纯依靠手工标注的方式，显然费时费力，效率低下，样本的多样性也比较难以保障。因此我们选择的是imgcook。通过imgcook提供的sketch插件，我们可以从设计师提供的sketch文件中抠出对应的模块，生成相应的DSL代码，具体详情可参考文档：https://imgcook.taobao.org/dsl。在获取到模块对应的DSL代码之后，我们就可以对所有模块进行统一管理。

如上图所示，我们对设计稿中提取出的模块做了统一管理，并且对模块中的区域进行了进一步的标注。例如在上图的商品模块中，我们将图片区域标注为商品白底图，商品标题、商品利益点、商品描述以及价格等区域也分别进行了标注。这样做的目的，是为了在后续的样本生成中，可以自动生成更多的样本用于训练。在生成样本时，我们会从淘宝的商品池中随机选取一张商品白底图，替换上图模块中的白底图，其他商品标题价格等字段也是类似的处理方式。总的来说，标注得越细致，所生成样本的多样性越能得到保障。

完成单个模块的数据录入之后，我们会将模块组装成类似手机截屏的样式，并自动对图中的模块进行标注，生成最终的测试样本。

至此，为了训练所用的数据准备就基本完成。依托于淘宝庞大的商品数据库，我们可以根据需求，生成任意数量的测试样本，并自动完成标注。

2.训练

我们采用的是标准的Faster R-CNN模型，具体细节可参见论文：http://arxiv.org/abs/1506.01497，模型的结构如下图所示，这里就不再赘述。

由于训练需要GPU资源，因此我们准备了一台装有2张Nvidia GTX 1080显卡的机器用于训练。从我们的使用情况来看，一般训练一个模型可以在2小时以内完成，AP（Average Precision）在95%以上。

在实际使用中我们发现，如果直接训练模型对图片中的商品坑进行识别，识别的准确率并不理想，因此我们对方案进行了调整。如上图所示，我们首先训练的是一个比较粗粒度的模型，对图片中的布局进行一个识别，识别出其中的1排1、1排2、1排3、底部bar等模块。其次，我们又训练了一个坑位级识别的模型，对上一步识别的结果进行再一次的识别，最终达到的效果，可以将1排2、1排3等常规模块中的每个坑位都识别出来，也可以识别出组件中的按钮等元素。

3.部署

最终我们需要将完成训练完成的模型进行部署。我们在训练中使用的是PyTorch，可以选择相应的平台完成相关模型的部署。

内容识别

在对模块进行识别之后，我们需要对模块中的内容进行进一步的识别，以校验模块内容是否正确。整个校验可以分为两部分：

1. 图片校验。基于OpenCV，校验mock数据中所使用的图片是否在模块中展示。

2. 文字校验。基于OCR能力，校验mock数据中的文字信息是否在模块中正确显示。

在实践中，首先我们会检测页面上识别到的坑位数是否与mock数据一致。其次，我们会分别检测每个坑位的图片以及文字信息是否与对应的mock数据相符合。

UI样式检测

在智能UI模块的设计中，设计师规定了模块与边框的距离已经商品坑位相互之间的间距，但在具体实现中开发可能会有所疏漏，因此我们设计了对应的自动检测能力。

以上图中的第一个坑位为例，通过目标检测我们可以从图片中识别到坑位的位置，然而由于精度问题，算法识别出的边框与实际边框存在一定的误差，因此我们无法直接通过算法识别到的坑位边框来进行边距的计算。为了解决这个问题，我们可以在生成测试页面的时候指定页面的背景色（非白色），然后基于目标检测算法识别到的坑位边框，以一定的偏移量向上/向下/向左/向右比较图片中像素点的颜色是否与背景色一致，从而定位到准确的坑位边框，最终实现边距的精确计算。

其他

不可避免的是，智能UI中依然有部分功能需要涉及人工测试，比如线上会场的真实数据以及真实页面的校验。此外，整个自动化测试也需要留底用于日后的校验或复盘。基于上述考虑，我们也做了相应功能的开发。目前我们的系统支持mock页面的生成，也支持线上页面的获取。在截图方面，我们可以通过浏览器模拟手机页面来截图，也支持通过指定的手机真机来截图。

此外，通过上文对于智能UI模块的分析可以发现，智能UI模块样式在生成的过程中，采用的是类似笛卡尔积的方式，将不同区域的物料进行了一个组合。在具体的测试过程中，特别是针对人工测试，我们认识到，没有必要对每一种样式都进行测试，只要检测的样式可以覆盖所有的物料，就可以保障模块的质量。因此，我们对每个智能UI模块生成的样式进行了去重处理，使得需检测的样式降低了一个数量级，从而大大减少了工作量。

总结

在2020年的双十一中，我们通过上述方案对智能UI模块进行了质量保障，累计覆盖样式20000+。总体而言，整个智能UI方案接受住了大促的考验，线上未产生故障或bug，同时也为业务带来了稳定的增长，智能UI逐渐成为流量精细化运营不可或缺的新能力。

end