-
近年来，以用户为中心的地理信息服务成为地图学研究的热点[1]。网络地图服务由面向大众的地图服务向针对个体用户的智能化服务方向发展，逐步实现智能地为用户推荐符合其个性化需求的空间地理信息与可视化内容的功能[2]。为实现网络地图个性化服务的目标，首先需要准确分析用户兴趣需求，保证推荐结果的精确可靠。
目前，分析用户兴趣的方法主要分为显性获取法和隐性获取法[3]。文献[4]利用显性获取法，以问卷调查的形式获取地图从业人员对网络地图符号样式的打分结果，计算专业人员对网络地图符号样式类型的兴趣程度，但该方法被试者主观性强，影响实际结果的客观准确性；文献[5]根据隐形获取法，提出了基于地图服务访问日志的用户兴趣计算方法，该方法能快速获取用户行为数据，但访问日志数据存在数据冗余的问题，数据处理结果影响用户兴趣度计算的精确度；文献[6]通过记录用户的鼠标轨迹、Web日志数据、位置信息与操作行为数据，提出了多种用户兴趣度评价方法，主动为用户提供地理信息个性化服务功能，是目前研究的主流方法。上述方法通过记录用户的评价结果或操作行为获取用户兴趣。但在实际应用中，用户利用视觉行为直接获取网络地图可视化内容，大脑对视觉信息加工后产生操作行为，仅根据用户的操作行为无法客观反映用户产生兴趣时的思维过程，降低了用户兴趣分析结果的可信度。
眼动实验分析法作为隐形获取法的一种，能够记录用户的视觉行为，比操作行为更直观地反映网络地图用户的兴趣[7]，受到学者的广泛关注。文献[8]结合眼动行为数据与用户访问日志数据，分析了被试者浏览地理目标时的兴趣习惯与方式；文献[9]利用眼动实验，探究行人使用网络2D地图与实景地图导航时的兴趣差异；文献[10]建立了基于多项眼动数据的产品评价模型，融合5类眼动数据分析用户对产品的兴趣程度。目前，眼动数据能够用于分析用户对地图产品的兴趣程度，研究成果已初步取得成效。
但是, 眼动数据存在数据类型较多和多重含义的问题，特别是在分析设计样式复杂的点状符号时，需要深入研究眼动参数的含义，剔除干扰性强的眼动数据。例如, 在分析网络地图点状符号时，回视次数既能用于分析用户的兴趣程度，也能代表用户对符号出现认知障碍，而在分析设计简洁的网络地图用户界面时无需面对此类问题[11]。因此，如何利用眼动数据分析网络地图点状符号用户兴趣度是难点也是重点，具有研究价值。
本文以网络地图点状符号为研究主体，筛选认知能力相同的被试者为研究对象，设计眼动实验, 获取被试者的眼动行为数据，结合熵权法提出了一种基于眼动数据的网络地图点状符号用户兴趣度计算方法。实验结果表明，本文方法准确可靠，解决了点状符号用户评分主观性强和鼠标数据用户兴趣度计算结果准确度低的问题，为网络地图个性化推荐服务提供技术支持。
-
地图信息通过视觉、听觉、触觉等途径被用户感受，认知过程包含从原始刺激到最后理解的整个阶段[12]。网络地图点状符号的信息传递绝大部分是通过人的视觉进行获取的，人的视觉系统捕获图形信息而后传送至大脑，经过人的认知习惯和心理活动分析共同作出判定，大脑根据判定结果对点状符号信息进行评价，发出操作指令，指导用户执行实验任务，具体过程如图 1所示。
图 1 视觉认知过程
Figure 1. Visual Cognition Process
由图 1可知，视觉认知研究受用户的视觉感受、心理思考和认知推理等一系列因素影响[12], 故而在分析用户兴趣时，必须对人的视觉功能和认知能力变量进行统一，确保被试者视觉功能正常，认知能力基本一致。
-
根据用户视觉认知可知，用户产生兴趣是一个复杂的过程，难以准确描述与量化。眼动行为数据直接获取人的视觉行为信息，能够用于分析用户兴趣；但存在眼动实验干扰因素复杂、眼动数据含义多重、数据分析公式较多等问题，需要排除干扰, 进行深入分析。
目前，眼动行为数据主要通过眼动技术进行测量。首先，设计眼动实验，约束实验条件，排除被试者视觉功能与认知能力、实验素材、场景等因素的干扰，获取被试者的眼动数据；其次，剔除与兴趣度分析无关的眼动数据，对多重含义的眼动参数进行筛选，选择合适的计算公式对眼动数据进行描述，计算用户兴趣度结果；最后，对实验结果进行评估，验证计算公式的稳定性与可靠性，判断其是否具有实际应用的价值。只有在用户兴趣分析的每个环节都对实验变量进行约束，才能确保分析的用户兴趣准确可靠。
-
为探究基于眼动数据的网络地图点状符号用户兴趣分析方法，比较眼动行为数据、操作行为数据和用户打分数据在研究用户兴趣时的差异性，本文设计了网络地图点状符号用户兴趣获取实验(见图 2)。
图 2 用户兴趣分析流程
Figure 2. User Interest Analysis Process
-
根据视觉认知过程可知，被试者在阅读点状符号时，不同认知能力的人辨认符号的习惯各不相同，对分析用户兴趣产生干扰。为此，需要筛选认知能力一致的被试者。
智力切割测试(mental cutting test, MCT)是国际上认可的空间认知能力测试方法[13]，能够用于区分被试者的空间认知能力，正确结果大于20道题的被试者可认为具备较好的空间认知能力。实验开始前要求被试者利用20 min完成25道题目，筛选空间认知能力较好的被试者作为本文的实验对象。
招募被试者72名，共41名被试者空间认知能力符合要求。实验结束后, 2人的眼动数据采样率低于50%。为确保数据质量，本文最终选取39名被试者的实验数据。39名被试者年龄为17~48岁，均为本科及以上学历，裸眼或矫正视力均正常，无眼疾，符合实验要求。
-
1) 点状符号。本文参考百度、高德和腾讯等网络地图服务运营商设计的点状符号样式，结合文献[14]中设计的地图符号，挑选4类点状符号作为实验素材，如表 1所示。为了便于分析用户兴趣，本文统一点状符号的尺寸与亮度变量，符号尺寸为1.25 cm×1.25 cm，亮度为100%。
表 1 网络地图点状符号素材
Table 1. Style of Web Map Point Symbols
素材 公园 汽车站 火车站 医院 银行 KTV 超市 餐馆 政府 宾馆 素材1 
素材2 
素材3 
素材4 
2) 实验素材图。参考百度地图样式，绘制一幅比例尺为1:10 000的武汉市城区图作为实验底图，底图包含水系、绿地、道路网、铁路网信息，确保信息的整体统一。
共设计4幅底图一致、符号不同的地图作为实验素材，如图 3所示。其中，每幅地图均包含25个点状符号，仅出现一次实验目标点(超市符号)，且分别位于4个象限，具体位置如图 3红色框标记所示。
图 3 实验素材图
Figure 3. Experiment Material Maps
3) 实验素材顺序。为减少底图区域的不同对眼动实验产生的影响，本文根据眼动实验素材排序方法[15]，打乱实验素材显示次序，建立4组次序不同的实验图组，编号为1~4。被试者可按照编号顺序开展实验，每次仅使用一组实验素材，分组结果如表 2所示。
表 2 实验素材分组结果
Table 2. Experiment Material Groups
分组 显示内容 1 素材1 素材2 素材3 素材4 2 素材2 素材3 素材4 素材1 3 素材3 素材4 素材1 素材2 4 素材4 素材1 素材2 素材3 -
通过ArcGIS Server和JavaScript自主研发了网络地图点状符号眼动实验系统，被试者依次点击右侧4幅地图进行实验，系统界面如图 4所示。简洁的系统平台最大限度地降低网络地图界面对被试者视觉认知的干扰，确保用户兴趣获取结果的稳定可靠。
图 4 实验系统界面
Figure 4. Experiment System Interface
-
1) 研究员向被试者介绍实验目的、流程和环境，并调配眼动仪器。
2) 实验开始前，要求被试者阅读实验目标点30 s，牢记目标点样式(见图 5)。
图 5 实验目标点
Figure 5. Experimental Target Point
3) 实验正式开始，被试者分别在4幅实验素材图中寻找目标点，找到后在图标上点击确认并切换下一幅实验素材图，直至实验结束。
4) 实验结束后，被试者根据个人兴趣依次对4类点状符号实验素材进行评分，评分范围0~1，结果存储到Excel中。
5) 研究员切换下一组实验素材，所有被试者依次展开实验。
-
实验应用瑞典Tobii公司的X120型眼动仪，采样率120 Hz。该眼动仪配有21.5寸显示屏，分辨率为1 680×1 050像素，放置在距离被试者60 cm的位置。实验在Windows XP操作系统的计算机上完成，眼动数据与鼠标事件数据均由Tobii Studio记录。
-
为计算网络地图点状符号用户兴趣度，需要选取与用户兴趣度相关的眼动数据。当用户视线落入实验目标点的区域产生兴趣，这一区域称为兴趣区。兴趣区划分结果如图 6所示。深色框选区域为兴趣区，尺寸为1.25 cm×1.25 cm，仅包含点状符号。
图 6 网络地图点状符号兴趣区
Figure 6. Web Map Point Symbol Interest Area
兴趣区眼动数据包括首次注视时间、兴趣区注视时间、首次注视点持续时间、回视次数、兴趣区注视点次数、瞳孔大小[16]。由于兴趣区眼动数据种类较多，为便于用户兴趣度的计算，本文以数据类型为划分标准，将眼动数据划分为时间数据、次数数据和尺寸数据3类。
-
1) 基于时间数据的用户兴趣度计算。时间类型数据包含总注视时间、首次注视时间和首次注视点持续时间。首次注视时间长短可能与点状符号分布的位置有关，例如越靠近屏幕中心位置的符号越容易被用户阅读，该数据存在多重含义，因此将该数据进行舍弃。
本文选取首次注视点持续时间和兴趣区注视时间。首次注视点持续时间占兴趣区注视时间比重越大，代表用户对该符号的辨识度较高，反映用户兴趣度越高[17]；反之，代表用户需对点状符号重复辨认，该符号样式不符合用户的兴趣需求。鉴于被试者的空间认知能力一致，且提前熟悉实验素材，因此不存在其他干扰因素。
定义被试者i在第j幅实验素材中的兴趣区注视时间为gij，首次注视点持续时间为fij。则被试者i在第j幅素材中基于时间数据的用户兴趣度I(t)可描述为：
$$ I{{\left( t \right)}_{ij}}=\frac{{{f}_{ij}}}{{{g}_{ij}}} $$ (1) 其中，i=1, 2…n，j=1, 2…m。本文中n=39，m=4。
2) 基于次数数据的用户兴趣度计算。次数类型数据包括兴趣区注视次数和回视次数。产生回视的原因包括：(1)被试者认知出现偏差，先前搜索中漏掉或误解相关符号；(2)点状符号与被试者心象地图符号存在较大反差，用户需反复认知，确立并构造新的心象地图符号。故而回视次数无法单一说明用户兴趣程度，进行舍弃。
兴趣区注视次数指兴趣区内注视点的数量，是衡量兴趣区受被试者关注程度的标志，注视次数越多, 代表被试者对该区域越关注。
定义兴趣区注视次数为cij，总注视次数为lij，则被试者i在第j幅素材中基于次数数据的用户兴趣度I(c)可描述为：
$$ I{{\left( c \right)}_{ij}}=\frac{{{c}_{ij}}}{{{l}_{ij}}} $$ (2) 3) 基于尺寸数据的用户兴趣度计算。尺寸数据指瞳孔大小的尺寸，一般人的瞳孔直径大约在1.5~8 mm之间波动。当看到兴趣点时，被试者不由自主地进入兴奋状态，大脑活动开始活跃，末梢神经受到拉扯，虹膜肌肉自然拉伸，瞳孔直径变大。在实验环境一致与被试者生理状态正常的条件下，被试心理活动越大，瞳孔直径越大[16]。因此，瞳孔变化的尺寸能够反映被试者的兴趣程度，用户兴趣越大，瞳孔尺寸越大。为更准确地描述瞳孔直径变化，本文的瞳孔直径指左右眼瞳孔直径的平均值。
定义兴趣区最大瞳孔直径为uij，实验过程中平均瞳孔直径为vij，最大瞳孔直径为yij，则被试者i在第j幅素材中基于尺寸数据的用户兴趣度I(s)可描述为：
$$ I{{\left( s \right)}_{ij}}=\frac{{{u}_{ij}}-{{v}_{ij}}}{{{y}_{ij}}-{{v}_{ij}}} $$ (3) -
单一类型眼动数据获取的用户兴趣度具有局限性与片面性，无法准确反映用户的兴趣需求，需要将3类数据进行整合，建立基于多项眼动数据的网络地图点状符号用户兴趣度计算公式。为此，需要对3类眼动数据用户兴趣度的相关性进行分析，确定三者间的关联关系。
利用SPSS软件进行相关性分析，得到三者相关性分析结果(见表 3)。相关系数越接近1，说明变量间相关性越强。根据结果可知，三者间存在多重相关性，都为正相关，但存在以下问题：
表 3 相关性分析结果
Table 3. Correlation Analysis Results
相关性 时间兴趣度 次数兴趣度 尺寸兴趣度 时间兴趣度 1 0.39 0.34 次数兴趣度 0.39 1 0.31 尺寸兴趣度 0.34 0.31 1 1) 3类兴趣度数据的相关性较低，线性回归公式的拟合性较差，参数估计的可靠性较低，回归分析公式的稳定性差，降低了用户兴趣度计算结果的准确性。
2) 多元线性回归分析时，将用户打分值作为自变量，兴趣度数据作为因变量，但用户打分值的主观性强，导致回归分析公式客观性较差。
赋权法根据原始数据的关系，通过一定数学方法确定权重，判定结果不依赖人的主观判断，能够解决上述问题。
-
在求解多属性决策问题时，最重要的是确定属性间的权重。熵权法是一种客观的机器学习赋权方法，能够规避主动赋值法产生的主观误差，适用于任何问题中指标权重的确定，计算结果客观。因此，本文利用熵权法计算网络地图点状符号的用户兴趣度。
本文将基于时间数据、次数数据和尺寸数据的用户兴趣度作为3类指标数据，由信息熵公式计算指标间的变异程度，确定3类指标的熵权，利用权值精确反映指标数据的差距，通过求和公式综合得出网络地图点状符号的用户兴趣度。计算过程如下：
1) 标准化处理。收集3类眼动数据用户兴趣度，利用正向标准化公式进行处理，获取指标数据的标准化值a。规定bijq为第i个被试者在j幅实验素材中的第q类眼动数据用户兴趣度，aijq为bijq的标准化值：
$$ a_{ij}^{q}=\frac{b_{ij}^{q}-\min \left( {{b}_{ij}} \right)}{\max \left( {{b}_{ij}} \right)-\min \left( {{b}_{ij}} \right)} $$ (4) 式中，max(bij)与min(bij)分别代表第i个被试者在j幅实验素材中3类眼动数据用户兴趣度的最大值与最小值。
2) 信息熵计算。因为3类标准化的指标数据蕴含不同的信息量，对信息熵Eq进行量化表达。如式(5)所示：
$$ {{E}_{q}}=-N\sum\limits_{i=1}^{39}{\sum\limits_{j=1}^{4}{p_{ij}^{q}\ln p_{ij}^{q}}} $$ (5) 式中，q=1, 2, 3；$p_{ij}^{q}=a_{ij}^{q}/\sum\limits_{q=1}^{3}{a_{ij}^{q}}$；N=1/lnk，k=3；假定当pijq=0时，pijqlnpijq=0。
3) 确定指标权重。基于3类指标数据的信息量计算指标数据间的差异程度，通过权重wq进行量化表达：
$$ {{w}_{q}}=\frac{1-{{E}_{q}}}{k-\sum\limits_{q=1}^{k}{{{E}_{q}}}} $$ (6) 式中，$\sum\limits_{q=1}^{k}{{{w}_{q}}}=1$。
4) 计算网络地图点状符号用户兴趣度。确定3类指标数据的权值后，求3类指标数据与权值数据乘积的和，即为网络地图点状符号用户兴趣度Iij：
$$ {{I}_{ij}}=I{{(t)}_{ij}}{{w}_{}}+I{{(c)}_{ij}}{{w}_{2}}+I{{(s)}_{ij}}{{w}_{3}} $$ (7) 通过对39位被试者的眼动数据进行整理，最终获取网络地图点状符号用户兴趣度计算公式为：
$$ \begin{align} &{{I}_{ij}}=I{{(t)}_{ij}}\times 0.385+I{{(c)}_{ij}}\times 0.225+ \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ I{{(s)}_{ij}}\times 0.390 \\ \end{align} $$ -
为评价基于眼动数据的用户兴趣分析的准确程度，本文以被试者评分作为标准数据，分别评价眼动数据和鼠标数据用户兴趣度与被试者评分的一致性。
本文依据鼠标点击时间数据计算用户兴趣度，点击时间越短, 代表用户辨认时间越短，兴趣越高。通过式(8)获取基于鼠标数据的用户兴趣度结果：
$$ I{{\left( m \right)}_{ij}}=\frac{{{z}_{ij}}}{{{t}_{ij}}} $$ (8) 式中，zij指被试者i在4类实验素材中用时最短的鼠标点击时间数据；tij代表被试者i在第j类实验素材中的鼠标点击时间数据。
为了直观反映39位被试者的评分数值、眼动数据兴趣度和鼠标数据兴趣度间的关系，本文绘制了图 7~10。
图 7 点状符号素材1的用户兴趣度
Figure 7. User Interest Degree in Point Symbol Material 1
图 8 点状符号素材2的用户兴趣度
Figure 8. User Interest Degree in Point Symbol Material 2
图 9 点状符号素材3的用户兴趣度
Figure 9. User Interest Degree in Point Symbol Material 3
图 10 点状符号素材4的用户兴趣度
Figure 10. User Interest Degree in Point Symbol Material 4
根据图 7~10可见，眼动数据用户兴趣度比鼠标数据用户兴趣度的拟合效果更佳，更贴合被试者评分数据。同时，利用式(9)计算用户兴趣度u′ij与被试者评分uij间的平均正确率R[10]：
$$ R=\frac{\sum\limits_{i=1}^{n}{\sum\limits_{j=1}^{m}{\left( 1-\frac{\left| u{{'}_{ij}}-{{u}_{ij}} \right|}{{{u}_{ij}}} \right)}}}{nm} $$ (9) 根据定量分析结果，眼动数据用户兴趣度排序的正确率为85.9%(85.8%、88.5%、85.2%、84.2%)，鼠标数据用户兴趣度排序的正确率为71.2%(69.4%、71.3%、72.7%、71.1%)。
为探究上述现象出现的原因，本文回顾实验过程，总结出两点原因：(1)眼动数据能够反映被试者从实验开始到选择目标点的整个过程，而鼠标数据仅能捕获被试者点击瞬间的行为，无法分析被试者思考的整体过程，数据单一，可靠性较差；(2)鼠标数据与被试者的计算机操作熟悉度有关，不熟练计算机环境的被试者在实验早期过程中反应较慢，延长鼠标点击时间，而眼动数据不存在该问题。
综上所述，眼动数据获取的用户兴趣度结果准确度较高，优于鼠标数据。眼动数据基本反映用户的真实兴趣，可应用于个性化推荐。但该实验结论仅适用于本文设计的眼动实验条件，是否具有普适性仍需要进行深入的研究。
-
稳定的用户兴趣度计算公式具有两点意义：(1)保证了用户兴趣度计算结果的准确性；(2)确保计算公式具有实际应用价值，能应用到更广的领域。
用户兴趣计算公式稳定性受实验样本数量的影响[18]。本文以被试者数量为基础，以30、60、90、120、150和156个样本为例，分别计算3类眼动数据用户兴趣度的比值。据此绘制3类用户兴趣度权值的变化规律，以柱状图的形式进行表达，绘制结果见图 11。
图 11 权值比重柱状图
Figure 11. Bar Graph of Weight Proportion
由图 11可知，随着被试者数量的增加，权值比重趋于稳定，当样本数量达到120时，3类眼动数据兴趣度权值比重基本维持不变。这表明本文的网络地图点状符号用户兴趣度计算公式具有稳定性，能够推广到实际应用中。
-
为检验用户兴趣度计算公式的可靠性，本文邀请12位未做过实验的新被试者重复上述实验流程，同时要求被试者对4类点状符号打分。将眼动数据代入网络地图用户兴趣度计算公式中，得到的用户兴趣度结果与用户评分进行对比，计算结果见表 4和表 5。
表 4 用户兴趣度结果
Table 4. Results of User Interest
被试者编号 眼动数据用户兴趣度 素材1 素材2 素材3 素材4 1 0.82 0.29 0.67 0.78 2 0.38 0.64 0.91 0.89 3 0.31 0.56 0.89 0.74 4 0.67 0.72 0.95 0.70 5 0.43 0.81 0.86 0.77 6 0.73 0.5 0.36 0.76 7 0.84 0.52 0.78 0.95 8 0.94 0.71 0.49 0.69 9 0.62 0.84 0.76 0.91 10 0.95 0.84 0.60 0.43 11 0.78 0.69 0.35 0.93 12 0.61 0.82 0.68 0.45 表 5 用户自评分
Table 5. Users' Scores
被试编号 用户自评分 素材1 素材2 素材3 素材4 1 0.9 0.9 0.9 0.9 2 0.5 0.5 0.5 0.5 3 0.4 0.4 0.4 0.4 4 0.6 0.6 0.6 0.6 5 0.4 0.4 0.4 0.4 6 0.7 0.7 0.7 0.7 7 0.7 0.7 0.7 0.7 8 1.0 1.0 1.0 1.0 9 0.4 0.4 0.4 0.4 10 1.0 1.0 1.0 1.0 11 0.8 0.8 0.8 0.8 12 0.5 0.5 0.5 0.5 由表 4~5可知，用户兴趣度排序结果与被试者评分结果基本一致，通过平均正确度公式计算被试者评分uij与用户兴趣度计算结果u′ij间的关系，得到准确度为86.4%，表明用户兴趣度计算公式可靠。
-
本文以网络地图点状符号为研究对象，提出了一种基于眼动数据的网络地图点状符号用户兴趣度计算方法，建立用户兴趣度计算公式。实验结果表明，该方法优于鼠标数据用户兴趣度结果，能够有效表达网络地图点状符号用户的真实兴趣。本文提出的用户兴趣度计算公式克服了单一眼动数据用户兴趣度不准确的问题，计算公式稳定可靠，能够应用于个性化推荐中。然而，眼动数据用户兴趣度计算公式只适用于特定实验环境和被试者，如何设计一套适用范围更广的用户兴趣度计算公式是进一步研究的目标。
User Interest Analysis Method of Web Map Point Symbol Considering Eye Movement Data
-
摘要: 为解决网络地图个性化推荐过程中点状符号用户兴趣分析结果准确性低的问题，提出了一种基于眼动数据的网络地图点状符号用户兴趣分析方法。利用空间认知测试法筛选39名认知能力一致的被试者参与实验，使用眼动仪采集被试者在浏览4类点状符号素材过程中的眼动数据，同时记录被试者的鼠标数据；分别计算时间、次数与尺寸类型眼动数据用户兴趣度，利用熵权法将3类数据进行整合，设计了一种基于多项眼动数据的用户兴趣度计算方法。研究结果表明，用户兴趣度分析结果正确率为85.9%，优于鼠标数据，证明所提方法能够有效分析用户兴趣，点状符号用户兴趣度计算公式稳定可靠，有助于提升个性化推荐结果的准确度。Abstract: In order to solve the problem of the poor accuracy of Web map point symbol user interest during the process of Web map personalized recommendation, we proposed a method for calculating user interest degree of Web map point symbols based on eye movement data. Using mental cutting test, 39 subjects with similar cognitive ability were selected to participate in the experiment and thus we collected subjects' eye movement and mouse data in four types Web map point symbols. We filtered time, frequency and size eye movement data to calculate user interest degree, and established a new method for calculating user interest degree based on multiple eye movement data. An experiment using eye-tracking and mouse device was designed to verify the effectiveness of the method. The results indicate that the accuracy of user interest degree is 85.9%, which is better than those of mouse data. It has been proved that this method is able to effectively analyze the user interest degree, and that the user interest formula is stable and reliable, which lays the foundation for personalized recommendation and improves the effectiveness of recommendation results.
-
Key words:
- eye movement data /
- Web map /
- point symbol /
- user interest /
- entropy weight method
-
表 1 网络地图点状符号素材
Table 1. Style of Web Map Point Symbols
素材 公园 汽车站 火车站 医院 银行 KTV 超市 餐馆 政府 宾馆 素材1 素材2 素材3 素材4 
下载: 导出CSV
表 2 实验素材分组结果
Table 2. Experiment Material Groups
分组 显示内容 1 素材1 素材2 素材3 素材4 2 素材2 素材3 素材4 素材1 3 素材3 素材4 素材1 素材2 4 素材4 素材1 素材2 素材3
下载: 导出CSV
表 3 相关性分析结果
Table 3. Correlation Analysis Results
相关性 时间兴趣度 次数兴趣度 尺寸兴趣度 时间兴趣度 1 0.39 0.34 次数兴趣度 0.39 1 0.31 尺寸兴趣度 0.34 0.31 1
下载: 导出CSV
表 4 用户兴趣度结果
Table 4. Results of User Interest
被试者编号 眼动数据用户兴趣度 素材1 素材2 素材3 素材4 1 0.82 0.29 0.67 0.78 2 0.38 0.64 0.91 0.89 3 0.31 0.56 0.89 0.74 4 0.67 0.72 0.95 0.70 5 0.43 0.81 0.86 0.77 6 0.73 0.5 0.36 0.76 7 0.84 0.52 0.78 0.95 8 0.94 0.71 0.49 0.69 9 0.62 0.84 0.76 0.91 10 0.95 0.84 0.60 0.43 11 0.78 0.69 0.35 0.93 12 0.61 0.82 0.68 0.45
下载: 导出CSV
表 5 用户自评分
Table 5. Users' Scores
被试编号 用户自评分 素材1 素材2 素材3 素材4 1 0.9 0.9 0.9 0.9 2 0.5 0.5 0.5 0.5 3 0.4 0.4 0.4 0.4 4 0.6 0.6 0.6 0.6 5 0.4 0.4 0.4 0.4 6 0.7 0.7 0.7 0.7 7 0.7 0.7 0.7 0.7 8 1.0 1.0 1.0 1.0 9 0.4 0.4 0.4 0.4 10 1.0 1.0 1.0 1.0 11 0.8 0.8 0.8 0.8 12 0.5 0.5 0.5 0.5
下载: 导出CSV
-
[1] 王家耀.地图制图学与地理信息工程学科发展趋势[J].测绘学报, 2010, 39(2):115-119 http://d.old.wanfangdata.com.cn/Periodical/chxb201002002 Wang Jiayao. Development Trends of Cartography and Geographic Information Engineering[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(2):115-119 http://d.old.wanfangdata.com.cn/Periodical/chxb201002002 [2] Habaye B M, Soltanifar B, Caglayan B, et al. A Novel Point of Interest (POI) Location Based Re-commender System Utilizing User Location and Web Interactions[C]. IEEE Second International Conference on Big Data Computing Service and Applications, Oxford, UK, 2016 [3] 刘江涛, 杜清运, 彭子凤. SDI信息服务部门用户偏好挖掘方法研究[J].武汉大学学报·信息科学版, 2013, 38(3):329-333 http://ch.whu.edu.cn/CN/abstract/abstract29.shtml Liu Jiangtao, Du Qingyun, Peng Zifeng. Study on User Preference Mining Methods in SDI Information Services[J]. Geomatics and Information Science of Wuhan University, 2013, 38(3):329-333 http://ch.whu.edu.cn/CN/abstract/abstract29.shtml [4] 晏晓红. 基于空间认知的网络地图设计与评价研究[D]. 武汉: 武汉大学, 2013 Yan Xiaohong. Research on Web Map Design and Evaluation Based on Spatial Cognition[D]. Wuhan: Wuhan University, 2013 [5] Tahir A, Mcardle G, Bertolotto M. A Geovisual Analytics Approach for Mouse Movement Analysis[J]. International Journal of Data Mining Modelling & Management, 2014, 6(4):467-473 http://eprints.maynoothuniversity.ie/5518/ [6] Aoidh E M, Mcardle G, Petit M, et al. Personalization in Adaptive and Interactive GIS[J]. Annals of GIS, 2009, 15(1):23-33 doi: 10.1080/00207720903270985 [7] Strandvall T. Eye Tracking in Human-Computer Interaction and Usability Research[J]. Minds Eye, 2003, 2(3):573-605 http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_a8fd5675e1e8e4c17755aa42f965aea7 [8] Ooms K, Coltekin A, Maeyer P D, et al. Combining User Logging with Eye Tracking for Interactive and Dynamic Applications[J]. Behavior Research Methods, 2015, 47(4):1-17 doi: 10.3758/s13428-014-0542-3 [9] Liao H, Dong W, Peng C, et al. Exploring Diffe-rences of Visual Attention in Pedestrian Navigation When Using 2D Maps and 3D Geo-Browsers[J]. Cartography & Geographic Information Science, 2016(1):1-17 doi: 10.1080/15230406.2016.1174886 [10] 李运, 郭钢.基于多项眼动数据的产品造型方案评选模型[J].计算机集成制造系统, 2016, 22(3):658-665 http://d.old.wanfangdata.com.cn/Periodical/jsjjczzxt201603009 Li Yun, Guo Gang. Research on Web Map Design and Evaluation Based on Spatial Cognition[J]. Computer Integrated Manufacturing Systems, 2016, 22(3):658-665 http://d.old.wanfangdata.com.cn/Periodical/jsjjczzxt201603009 [11] 王成舜, 陈毓芬, 郑束蕾, 等.基于眼动数据的网络地图界面用户兴趣分析方法[J].地理与地理信息科学, 2017, 33(2):57-62 doi: 10.3969/j.issn.1672-0504.2017.02.010 Wang Chengshun, Chen Yufen, Zheng Shulei, et al. User Interest Analysis Method of Web Map Interface Based on Eye Movement Data[J]. Geography and Geo-Information Science, 2017, 33(2):57-62 doi: 10.3969/j.issn.1672-0504.2017.02.010 [12] 王家耀, 陈毓芬.理论地图学[M].北京:解放军出版社, 2000 Wang Jiayao, Chen Yufen. Theoretical Cartography[M]. Beijing:PLA Press, 2000 [13] Suzuki K. Activities of the Japan Society for Graphic Science-Research and Education[J]. Journal for Geometry & Graphics, 2002, 6(6):221-229 http://ci.nii.ac.jp/naid/10015473016 [14] 郑束蕾. 个性化地图的认知机理研究[D]. 郑州: 信息工程大学, 2015 Zheng Shulei. Research on Personalized Map Cognition Mechanism[D]. Zhengzhou: Information Engineering University, 2015 [15] Chamberlain L, Duchowski A T. Eye Tracking Methodology:Theory and Practice[J]. Qualitative Market Research, 2007, 10(2):217-220 doi: 10.1108/13522750710740862 [16] 李伟, 陈毓芬.地图学眼动研究及实验参数解析[J].测绘通报, 2012(10):16-20 http://d.old.wanfangdata.com.cn/Periodical/chtb201210006 Li Wei, Chen Yufen. Cartography Eye Movements Study and the Experimental Parameters Analysis[J]. Bulletin of Surveying and Mapping, 2012(10):16-20 http://d.old.wanfangdata.com.cn/Periodical/chtb201210006 [17] Anagnostopoulos V, Havlena M, Kiefer P, et al. Gaze-Informed Location-Based Services[J]. International Journal of Geographical Information Science, 2017(2):1770-1797 doi: 10.1080/13658816.2017.1334896 [18] 王微微, 夏秀峰, 李晓明.一种基于用户行为反馈的兴趣度模型更新算法[J].辽宁大学学报(自然科学版), 2011, 38(1):40-45 doi: 10.3969/j.issn.1000-5846.2011.01.011 Wang Weiwei, Xia Xiufeng, Li Xiaoming. A Personal Interest Degree Model Updating Algorithm Based on Consumer Behavior Feedback[J]. Journal of Liaoning University(Natural Sciences Edition), 2011, 38(1):40-45 doi: 10.3969/j.issn.1000-5846.2011.01.011 -
点击查看大图
图(11) / 表(5)
计量
- 文章访问数: 795
- HTML全文浏览量: 30
- PDF下载量: 302
- 被引次数: 0
