想象你是“云上餐厅”的老板老张。餐厅的招牌菜很美味，但奇怪的是，顾客总是坐不住，下单很犹豫。你站在大厅中央，眼睛盯着每一位顾客：他们进门后先看哪个方向？在菜单前停留多久？翻到哪一页才决定点菜？哪些菜被翻牌子最多？——这就是“可用性测试”。可是，一天下来你腰酸背痛，记录本却只写了几页。于是老张请来了“AI 天眼系统”：天花板上的智能摄像头自动记录每一位顾客的动线，几天后生成一张“地板磨损图”——哪里被踩得最多、最亮，哪里几乎无人经过，一目了然。这套系统还会预测顾客下一眼会看哪里，甚至同时用两份菜单做实验，自动选出更好的一份。这就是 AI 辅助可用性测试与热力图分析：让机器替代人眼，让数据替代直觉，让每一次点击都成为产品优化的指路明灯。

岗位关联

学会这个知识，你就能用 AI 工具为网页和 APP 做“体检”，从用户行为数据中定位设计问题，用数据驱动 UI 优化——这是前端工程师和 UX 设计师必备的进阶竞争力。

目录
  1. 可视化演示
  2. 可用性测试基础：给云上餐厅请“观察员”
  3. 热力图原理：地板上的“发光脚印”
  4. 用户行为分析：给顾客画一条动线
  5. 注意力模型：预判顾客的“第一眼”
  6. 点击预测技术：猜猜顾客想点什么
  7. A/B测试自动化：两份菜单的终极对决
  8. AI工具实战：把整套智能系统请进餐厅
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

可用性测试基础：给云上餐厅请“观察员”

老张最初的方案很朴素：请了几个“观察员”站在餐厅角落，拿本子记录顾客的一举一动。“顾客 A 在菜单前三分钟没翻页。”“顾客 B 把招牌菜当成了套餐，点了之后又退掉。”记录很详细，但问题也明显：餐厅有 200 个座位，观察员只有 4 双眼睛；顾客一多，记录就开始互相矛盾；一周的观察报告，要花三天整理。这就是传统可用性测试的现场——真实、但低效。

可用性测试（Usability Testing）的定义很朴素：让真实用户在使用产品的过程中完成若干典型任务，通过观察他们遇到的困难来评估产品的“好用程度”。它衡量的不是开发者觉得好不好，而是用户用得顺不顺。传统做法依靠人工观察、屏幕录制、问卷回访，成本高、样本小、周期长。

AI 的介入把“人工观察”升级为“自动埋点”：在页面代码中嵌入一段脚本，自动记录用户的每一次点击、滑动、输入；云端模型对数据做清洗和统计，实时算出核心指标。最常见的指标之一是任务完成率（Task Success Rate），公式如下：

有了 AI 自动统计，老张再也不用翻厚厚的记录本。他只要看一眼仪表盘：完成率 80% 的页面可以放心，完成率不到 40% 的流程就要立刻召集厨师开会。观察员依旧是餐厅的一员，但他们的角色从“记录者”变成了“决策者”。

完成率=成功完成任务的用户数参与测试的用户总数\displaystyle \text{完成率} = \frac{\text{成功完成任务的用户数}}{\text{参与测试的用户总数}}
  1. 分子（成功完成任务的用户数）把任务做到底且结果正确的用户数量，代表“用户真的能用起来”。
    成功完成任务的用户数\text{成功完成任务的用户数}
  2. 分母（参与测试的用户总数）所有被邀请参与测试的用户数量，代表“这次测试的规模有多大”。
    参与测试的用户总数\text{参与测试的用户总数}
  3. 比值与百分比分子除以分母得到 0 到 1 之间的比率，再乘以 100% 就是任务完成率。
    完成率=成功数总数×100%\displaystyle \text{完成率} = \frac{\text{成功数}}{\text{总数}} \times 100\%

热力图原理：地板上的“发光脚印”

老张发现，餐厅开业三年后，大厅地板的磨损痕迹非常有意思：通往洗手间的过道被磨得发亮，招牌菜窗口前排队的区域颜色最深，而角落里那张景观桌附近的地板几乎没变化。地板不会说话，却诚实地记录了所有顾客的脚步。热力图，就是数字世界里的“地板磨损图”。

在网页上，用户的每一次点击和悬停都是“脚步”。把成千上万个行为事件按照坐标叠加到同一张页面截图上，再用颜色深浅表示密度高低，就得到了热力图（Heatmap）。红色代表事件密集，冷色调表示稀疏。

AI 加持的热力图生成，核心是一个叫“核密度估计”（Kernel Density Estimation, KDE）的数学工具。每个点击事件不是一个孤立的点，而是像一滴墨水落到纸上，向四周晕开一个“光斑”；所有光斑叠加起来，就形成了连续的热力场。其公式可写成：

在“云上餐厅”里，生成热力图就像是给地板刷了一层会发光的漆。老张瞄一眼就知道：导航栏被“踩”得发红，说明顾客对菜单分类很依赖；页面底部的版权信息区几乎没有脚印，说明没人关心那里；真正需要优化的，是那些“想踩却踩不到”的地方。

S(x,y)=∑i=1nwi⋅K(x−xi,y−yi)\displaystyle S(x, y) = \sum_{i=1}^{n} w_i \cdot K(x - x_i, y - y_i)
  1. 事件坐标 (x_i, y_i)第 i 个用户事件在页面上的横纵坐标，它决定了光斑落在哪里。
    (xi,yi)(x_i, y_i)
  2. 核函数 K描述一个事件影响力的“光斑形状”，常用高斯函数，离事件中心越远，影响越小。
    K(u)=exp⁡(−u22h2)\displaystyle K(u) = \exp\left(-\frac{u^2}{2h^2}\right)
  3. 权重 w_i不同事件按重要程度加权，例如点击的权重大于悬停，悬停大于普通移动。
    wiw_i
  4. 求和叠加把 n 个事件对某个像素位置的影响全部相加，得到该点的热力值。
    S(x,y)=∑i=1nwi⋅K(x−xi,y−yi)\displaystyle S(x, y) = \sum_{i=1}^{n} w_i \cdot K(x - x_i, y - y_i)

用户行为分析：给顾客画一条动线

AI 天眼的好处不止于“踩点”。它还能把每一位顾客的完整移动轨迹串起来：从进门，到徘徊，到落座，到离开。“这位顾客先看招牌菜区域 20 秒，然后走到饮料区，犹豫 10 秒，最后回到座位点了招牌菜。”这条轨迹，就是用户行为分析中的“动线”。

前端埋点工具会记录用户在页面上的完整行为序列：鼠标移动轨迹、点击位置、停留时间、滚动深度、离开页面的时间点。把这些序列聚合，可以回答三个关键问题：用户在哪些区域花费最多时间？用户滚动页面到什么位置就流失了？从首页到支付成功的转化路径上，哪一步掉人最多？

一个非常基础的指标是平均停留时长（Average Time on Page），它能反映内容对用户的吸引程度。假设记录了 N 个用户会话，第 i 个会话的时长为 T_i，那么：

老张看到数据分析：全店平均“停留时长”是 90 秒，但招牌菜页面的平均停留只有 15 秒——说明顾客根本没看懂这道菜的介绍。他把这个页面拉进优化队列，像大厨研究一道翻桌率最低的菜一样，决定“回锅重做”。

Tˉ=1N∑i=1NTi\displaystyle \bar{T} = \frac{1}{N} \sum_{i=1}^{N} T_i
  1. 单个会话时长 T_i第 i 个用户进入页面到离开页面的时间间隔，来自埋点日志。
    Ti=tleave−tenterT_i = t_{\text{leave}} - t_{\text{enter}}
  2. 对所有时长求和把 N 个用户的停留时长全部加总，得到总停留时间。
    ∑i=1NTi\sum_{i=1}^{N} T_i
  3. 除以人数取平均总时长除以用户数 N，得到每个用户的平均停留时间。
    Tˉ=1N∑i=1NTi\displaystyle \bar{T} = \frac{1}{N} \sum_{i=1}^{N} T_i

注意力模型：预判顾客的“第一眼”

餐厅有一位金牌服务员小王，他有个神奇的本事：客人刚落座，他就能猜到对方会先看菜单的哪个位置。“通常先看右上角的招牌菜图片，再看价格那一列。”这种“预判能力”靠的是长时间的经验积累。注意力模型，就是 AI 版的“小王”。

人看网页时，视线并不是均匀扫描的，而是会快速跳过无关区域，聚焦在视觉突出、语义重要的位置——这就是视觉注意力（Visual Attention）。注意力模型（如基于 Transformer 的视觉显著度模型）学习“什么样的区域更容易吸引眼球”，然后对页面上的每个像素输出一个 0 到 1 的“被注意概率”。

现代注意力机制的核心是 Softmax 归一化。模型对页面上 n 个候选区域打分，再把这些分数变成概率分布，分数高的区域获得更多“注意力权重”：

老张把 AI 小王的预判结果与真实热力图对照，发现高度吻合：顾客第一眼果然落在招牌菜图片上，而“本店故事”那一栏几乎没人注意。老张当机立断，把招牌菜图片放大，把故事缩到角落。有了 AI 预判，改版不再是“拍脑袋”，而是“顺着视线改”。

αi=exp⁡(ei)∑j=1nexp⁡(ej)\displaystyle \alpha_i = \frac{\exp(e_i)}{\sum_{j=1}^{n} \exp(e_j)}
  1. 原始得分 e_i模型计算第 i 个区域与当前视觉焦点的匹配程度，得分越高越有吸引力。
    eie_i
  2. 指数化 exp(e_i)把得分映射为正数，同时拉大差异，让高分的优势更明显。
    exp⁡(ei)\exp(e_i)
  3. 归一化分母对所有候选区域的指数值求和，确保所有权重加起来等于 1。
    ∑j=1nexp⁡(ej)\sum_{j=1}^{n} \exp(e_j)
  4. 注意力权重 α_i第 i 个区域被注意的概率，权重越大，视线越容易被吸引过去。
    αi=exp⁡(ei)∑j=1nexp⁡(ej)\displaystyle \alpha_i = \frac{\exp(e_i)}{\sum_{j=1}^{n} \exp(e_j)}

点击预测技术：猜猜顾客想点什么

老张的后厨有一块白板，记录着每道菜在某时段被点的概率：“下午 3 点，炸鸡的翻牌率最高。”预测顾客会点什么，后厨就能提前备料，缩短上菜时间；预测用户会点哪里，前端就能提前把冷门功能变得更好找。这就是点击预测。

点击预测（CTR Prediction）的目标是估计页面上的某个元素（按钮、链接、图片）被点击的概率。底层模型最常用的是逻辑回归（Logistic Regression），它根据用户特征（设备、地域、历史行为）和元素特征（位置、颜色、文案长度），输出一个 0 到 1 的点击概率。

逻辑回归先把所有特征做线性加权求和，再套一个 S 形的 Sigmoid 函数将结果压缩到 0 到 1 之间：

“AI 点菜预测”上线后，老张把预测点击率最高的菜品图片从菜单第二页挪到了首页首屏。两天后，这道菜的翻牌率涨了 22%。预测不是玄学，而是把“用户偏好”变成了一列可以计算的数字。

P(点击=1)=11+e−(wTx+b)\displaystyle P(\text{点击}=1) = \frac{1}{1 + e^{-(w^T x + b)}}
  1. 特征向量 x把“按钮是否在首屏、按钮颜色、用户此前点击次数”等数值化拼接成的向量。
    xx
  2. 权重向量 w 与偏置 b模型学习到的参数，决定每个特征对点击概率的影响方向与强弱。
    wTx+bw^T x + b
  3. Sigmoid 压缩对线性结果取指数变换，把任意实数映射到 (0,1) 区间，形成概率。
    11+e−z\displaystyle \frac{1}{1 + e^{-z}}
  4. 完整概率输出得到该元素本次被点击的预估概率，越接近 1 表示越可能被点击。
    P=11+e−(wTx+b)\displaystyle P = \frac{1}{1 + e^{-(w^T x + b)}}

A/B测试自动化：两份菜单的终极对决

老张想换新菜单，但厨师们意见不一：主力推荐“招牌烤鱼”还是“秘制牛排”？老张没有开投票会，而是把菜单印了两个版本：周一到周三，靠左半区的顾客拿 A 版菜单，靠右半区的顾客拿 B 版菜单，一周后对比两边的下单金额。这就是 A/B 测试。

A/B 测试的核心原则是“单一变量”：两个版本除了要测试的那一处差异外，其余完全一致，再把用户随机分成两组，分别看到 A 版与 B 版。最后比较两组在目标指标（如下单率）上是否有显著差异。AI 让这个流程自动化：自动分流、自动追踪、自动检验。

两组概率差异是否“显著”，通常用 z 检验判断。设 A 组转化率为 p̂A，B 组转化率为 p̂B，两组样本量分别为 nA 和 nB，合并转化率为 p̂，则：

一周后，AI 自动报告：B 版菜单的下单率高出 8%，z 值 2.7，超过 1.96 的阈值，实验有效。老张笑眯眯地把 B 版菜单定为标准菜单。原来要人工做一周的统计报表，现在 AI 在实验结束时自动生成结论，老张只需要做最后一个决定：签字。

z=p^A−p^Bp^(1−p^)(1nA+1nB)\displaystyle z = \frac{\hat{p}_A - \hat{p}_B}{\sqrt{\hat{p}(1 - \hat{p})\left(\frac{1}{n_A} + \frac{1}{n_B}\right)}}
  1. 分子（转化率差）A 版本转化率减 B 版本转化率，差越大，说明改动带来的效果越强。
    p^A−p^B\hat{p}_A - \hat{p}_B
  2. 合并转化率 p̂把两组数据合在一起计算的总体转化率，作为随机波动的基准。
    p^=cA+cBnA+nB\displaystyle \hat{p} = \frac{c_A + c_B}{n_A + n_B}
  3. 分母（标准误）衡量“纯靠运气可能产生多大差异”的量，样本量越大，分母越小。
    p^(1−p^)(1nA+1nB)\displaystyle \sqrt{\hat{p}(1 - \hat{p})\left(\frac{1}{n_A} + \frac{1}{n_B}\right)}
  4. z 值判定当 |z| > 1.96 时，有 95% 的把握认为差异不是偶然，而是真实存在的。
    ∣z∣>1.96|z| > 1.96

AI工具实战：把整套智能系统请进餐厅

经过六次“专项升级”，老张的云上餐厅已经装上了全套智能设备：入口的天眼（行为采集）、地板发光系统（热力图）、预判小哥（注意力模型）、点菜预测器（CTR 预估）、菜单对决台（A/B 实验）。把这些工具串成一条流水线，就回到了 AI 可用性测试的完整工作流。

常见的工具分为两类：一类是热力图与行为分析工具（如 Hotjar、FullStory，国内的友盟+、神策），自动采集点击、滚动、停留数据并输出热力图和漏斗报告；另一类是 A/B 实验平台（如 Google Optimize、火山引擎 A/B 测试），支持分组实验与显著性计算。前端的核心任务是在页面中嵌入一段 SDK 脚本，然后在后台配置要观测的指标。

所有 AI 分析报告的数值最后都会归一化到同一尺度，便于横向比较。归一化公式是最常用的数据标准化手段：

现在，老张每天早上只看一张“餐厅健康仪表盘”：各页面热度是否合理、新按钮的点击预测值是否达标、正在跑的 A/B 实验还需几天收官。如果有异常，系统自动推送预警。老张从“盯着顾客的老板”变成了“盯着数据的指挥官”——这就是 AI 辅助可用性测试带给每个产品团队的改变。

Score=x−xmin⁡xmax⁡−xmin⁡\displaystyle \text{Score} = \frac{x - x_{\min}}{x_{\max} - x_{\min}}
  1. 原始值 x要转换的某个指标，如按钮点击次数、页面停留秒数。
    xx
  2. 极差分母数据集最大值减最小值，代表数据的取值跨度。
    xmax⁡−xmin⁡x_{\max} - x_{\min}
  3. 平移与缩放分子把最小值平移到 0，分母把数据压缩到 0 到 1 区间，便于不同指标对比。
    x−xmin⁡xmax⁡−xmin⁡\displaystyle \frac{x - x_{\min}}{x_{\max} - x_{\min}}

AI 应用场景

SaaS 产品注册页优化

阶段：行为采集与热力图分析

解决的问题：注册页转化率低，传统热力图工具只能让人看到“按钮上有一片红”，却无法定位用户为什么犹豫。AI 结合注意力模型与点击预测，能指出视线被哪个干扰元素带偏。

具体案例：某 SaaS 产品“立即注册”按钮热力值很高但提交率低。AI 注意力模型预测用户视线被旁边“免费试用”次级按钮吸引，点击预测模型给出“减少同级干扰按钮”建议。前端工程师将次级按钮降级为文字链接后，注册提交率提升 18%。

电商大促活动页决策

阶段：A/B 测试自动化与迭代

解决的问题：大促前文案方案争执不下，人工测试周期太长，容易错过流量窗口。AI 自动分流让两组用户分别看到不同文案，实时计算显著性并给出结论。

具体案例：某电商平台大促前，“满 300 减 50”与“第二件半价”两种文案进行 A/B 自动测试。系统运行 3 天后判定后者转化率显著更高，自动把 80% 流量切换到胜出版本，大促期间 GMV 提升 9%。

移动 APP 新手引导优化

阶段：注意力模型预测

解决的问题：新手引导气泡常常遮挡关键内容，用户还没看清就点了跳过。AI 基于注意力模型预测用户第一眼聚焦的位置，辅助设计调整引导节奏。

具体案例：某社交 APP 将引导从“一次性全屏气泡”改为“分段引导”：第一段只高亮底部导航，引导结束后再高亮发布按钮。改版后首日新用户留存提升 8%，引导完成率提升 21%。

Python 演示

python49 行
"""AI辅助可用性测试:从用户点击日志生成页面热力图"""import numpy as npimport matplotlib.pyplot as plt # 设置随机种子,保证每次运行结果一致np.random.seed(42) # 模拟页面尺寸(逻辑像素)page_w, page_h = 1200, 800sample_size = 500 # 模拟埋点日志中的点击事件:80%集中在页面中部,20%稀疏分布click_x = np.concatenate([    np.random.normal(600, 250, int(sample_size * 0.8)),    np.random.uniform(0, 200, int(sample_size * 0.2))])click_y = np.concatenate([    np.random.normal(400, 200, int(sample_size * 0.8)),    np.random.uniform(0, 150, int(sample_size * 0.2))]) # 建立分析网格:把页面切成 80x50 个小格子grid_x = np.linspace(0, page_w, 80)grid_y = np.linspace(0, page_h, 50)grid_xx, grid_yy = np.meshgrid(grid_x, grid_y) def gaussian_kernel(distance, bandwidth=60.0):    return np.exp(-distance ** 2 / (2 * bandwidth ** 2)) # 热力值 = 所有点击事件到该格子的高斯贡献之和heat = np.zeros_like(grid_xx)for i in range(grid_xx.shape[0]):    for j in range(grid_yy.shape[1]):        dist = np.sqrt((click_x - grid_xx[i, j]) ** 2 +                       (click_y - grid_yy[i, j]) ** 2)        heat[i, j] = np.sum(gaussian_kernel(dist)) # 归一化到 0~1,再映射为暖色热力图heat_norm = (heat - heat.min()) / (heat.max() - heat.min())plt.figure(figsize=(10, 6))plt.imshow(heat_norm, extent=[0, page_w, 0, page_h],           origin='lower', cmap='hot', aspect='auto')plt.colorbar(label='Heat Value')plt.title('AI Heatmap: Click Density of 500 Sessions')plt.xlabel('Page Width (px)')plt.ylabel('Page Height (px)')plt.tight_layout()plt.savefig('click_heatmap.png', dpi=150)print('Heatmap saved to click_heatmap.png')
目的：用纯 NumPy 实现核密度估计，模拟真实埋点日志生成页面点击热力图，输出可直接用图片查看器打开的热力图文件。
  1. np.random.seed(42)固定随机种子，保证每次运行生成相同的模拟数据，实验可复现。
  2. np.random.normal(600, 250, ...)模拟点击集中在页面中部高价值区域（均值 600，标准差 250）。
  3. np.linspace(0, page_w, 80)把页面宽度切分成 80 个格子，构建分析网格。
  4. def gaussian_kernel(distance, bandwidth=60.0)定义“光斑”函数：离事件中心越远，热力贡献呈指数衰减。
  5. dist = np.sqrt(...)计算每个网格点到所有点击事件的欧氏距离向量。
  6. heat[i, j] = np.sum(gaussian_kernel(dist))当前格子的热力值等于所有点击事件贡献之和，对应正文的 S(x,y) 公式。
  7. (heat - heat.min()) / (heat.max() - heat.min())最小最大归一化，把热力值压缩到 0~1，便于统一映射颜色。
  8. plt.imshow(..., cmap='hot')用暖色 colormap 把热力矩阵渲染成红色渐变图。

常见误区

误区我看到按钮区域一片红色，说明用户一定非常喜欢这个功能，继续放大按钮、加粗颜色就对了。

正解热力图的“红”只代表交互密集，不包含情感评价。可能是用户喜欢，也可能是因为文案有歧义导致反复点击，甚至是误触。红区只是“这里发生了大量行为”的信号，不是“用户满意”的答案。就像餐厅地板上最亮的区域可能是去洗手间的过道，而不是最受欢迎的座位。

为何常见：人的直觉容易把“多”等同于“好”，忽略了行为密度只是客观现象，需要结合用户反馈才能解读。

误区AI 都能预测注意力、分析点击了，直接看模型报告就行，不用再找用户做访谈和测试，省钱又省力。

正解AI 擅长发现“哪里有问题”（行为模式），但不擅长回答“为什么有问题”（动机与情绪）。注意力模型的预测基于统计规律，当设计创新或用户群体特殊时，预测可能失效。真实用户测试提供的是 AI 无法替代的“有声数据”：用户会说出困惑、抱怨和期望。

为何常见：AI 工具的输出带有很多图表，看起来很“权威”，让人误以为数据能完全代表真实体验。

误区新版页面今天上线，明天看数据好像高了一点，就马上全量切换，抢时间要紧。

正解一天的数据样本太小，转化率的差异可能只是随机波动。需要预先计算最小样本量，并让 z 检验给出 |z| > 1.96 的结论才能判定显著。比如餐厅仅凭一桌客人多点了一道菜就把它升为招牌菜，明显草率。场景越复杂、基准转化率越低，需要的样本量越大。

为何常见：业务方急于看到结果，且对统计显著性缺少概念，容易把“数字高一点”误认为“实验赢了”。

误区有了热力图，只要看聚合图就行，原始点击流日志没必要保留，占用存储空间。

正解热力图是聚合结果，丢失了用户个体路径和事件时序。定位“先点了 A，再点了 B，最后流失”这类问题，必须回到原始行为日志做序列分析。热力图是地图，原始日志才是全程行车记录仪——地图告诉你哪里堵车，记录仪告诉你为什么会堵。

为何常见：热力图直观又美观，给人一种“已经看到全部事实”的错觉，让人忽略了它是加工后的产物。

面试题

Q1. 可用性测试的首要目标是什么？

单选题 · easy

  • A.提升页面配色美感
  • B.发现用户使用障碍← 正确答案
  • C.减少前端代码数量
  • D.提升服务器响应速度

答案：B。可用性测试的核心是让真实用户完成典型任务，观察他们遇到的障碍。配色美感、代码量、服务器性能都不是可用性测试的直接目标。就像餐厅观察员关注的是顾客能不能顺利点餐，而不是盘子是否漂亮。

Q2. 热力图中深红色区域表示什么？

单选题 · easy

  • A.用户交互密集区域← 正确答案
  • B.用户离访最快区域
  • C.页面加载最快区域
  • D.功能被忽略区域

答案：A。热力图的颜色深浅代表行为事件密度，深红色表示该区域发生的点击或悬停最密集。离访快、加载快、被忽略都需要其他指标判断，不能直接从颜色读出。红区不等于“离访快”，交互密集区恰恰可能是用户反复停留的地方。

Q3. 点击率(CTR)的计算公式是？

单选题 · easy

  • A.点击次数除以访问次数
  • B.点击次数除以曝光次数← 正确答案
  • C.曝光次数除以点击次数
  • D.转化次数除以点击次数

答案：B。CTR 的定义是点击次数除以曝光次数，衡量元素被看到后引起点击的效率。访问次数、转化次数与 CTR 的定义无关。曝光是“被看到”的口径，点击率回答的是“看到的人中有多少愿意点”。

Q4. 生成热力图前，最关键的预处理步骤是？

单选题 · mid

  • A.坐标映射到统一页面尺度← 正确答案
  • B.将所有用户色彩偏好统一
  • C.剔除全部移动端访问数据
  • D.把页面截图转成PNG格式

答案：A。不同屏幕尺寸下，同一按钮的像素坐标不同。必须先把用户的点击坐标归一化到统一的页面坐标，才能叠加生成热力图。色彩偏好、删除移动端、截图格式都与热力图生成无直接关系。

Q5. 注意力模型输出的结果通常是？

单选题 · mid

  • A.页面加载耗时统计排名
  • B.逐像素的显著度热力图← 正确答案
  • C.一份完整用户调研报告
  • D.一组后端服务器日志

答案：B。注意力模型基于视觉显著机制，输出每个像素或区域的“被注意概率”，再可视化为显著度热力图。加载耗时、调研报告、服务器日志都不是注意力模型的产物。预测出的热力图可替代部分眼动实验。

Q6. 哪些行为数据可以被热力图工具采集？

多选题 · mid

  • A.鼠标移动轨迹← 正确答案
  • B.手指滑屏操作← 正确答案
  • C.数据库查询语句
  • D.页面滚动位置← 正确答案

答案：ABD。热力图工具通过前端埋点采集鼠标轨迹、触屏滑动、滚动位置等交互行为；数据库查询语句属于后端数据，不在前端热力图的采集范围内。

Q7. AI辅助A/B测试相比人工分析的核心优势是？

单选题 · mid

  • A.自动检验并持续迭代← 正确答案
  • B.无需定义业务目标
  • C.彻底消除抽样误差
  • D.完全代替产品决策

答案：A。AI 的优势在于自动化：分流、收集、显著性检验、自动切换版本形成持续迭代闭环。但它仍然需要明确业务目标，无法消除抽样误差，更不会替代人来拍板。就像自动菜单对决台也要老板设定“比较什么指标”。

Q8. 关于热力图分析，下列说法正确？

多选题 · hard

  • A.红色区域交互非常密集← 正确答案
  • B.红色区域不一定代表好感← 正确答案
  • C.热力值只能定性不能量化
  • D.样本太少时结论不可靠← 正确答案

答案：ABD。红区表示交互密集，但密集可能源于困惑或误触，不直接等于好感；热力值本身是可量化的数值，可参与排序与阈值判断；样本量不足会导致热力分布失真，结论不可靠。A、B、D 正确，C 错误。

Q9. A/B测试中，|z|值越大说明什么？

单选题 · hard

  • A.两版本差异越显著← 正确答案
  • B.两版本差异越微弱
  • C.两版本样本量越小
  • D.两版本完全相同

答案：A。|z| 是“差异相对随机波动的倍数”，数值越大，说明差异越不可能由偶然造成，统计上越显著。差异微弱、样本量小、两版本相同都会让 |z| 变小。z=2.7 意味着有 95% 以上的把握判定差异真实。

Q10. 哪些信号可用于训练网页注意力模型？

多选题 · extreme

  • A.眼动追踪设备数据← 正确答案
  • B.鼠标悬停记录日志← 正确答案
  • C.用户访谈记录文本
  • D.人工标注显著区域← 正确答案

答案：ABD。注意力模型的监督信号需要逐位置的视觉关注信息，眼动数据、鼠标悬停位置和人工标注的显著区域都符合。用户访谈是事后主观表达，不包含逐像素的注视坐标，不适合作为训练标签。