轻量级视觉-语言融合框架用于从用户界面和元数据预测应用评分
计算机视觉与模式识别
2026-02-25 v1
摘要
应用评分是衡量移动应用质量、可用性和整体用户满意度的最重要指标之一。然而，现有的应用评分预测模型主要局限于文本数据或用户界面（UI）特征，忽视了同时利用UI和语义信息的重要性。为此，本研究提出了轻量级视觉-语言框架，将移动UI和语义信息集成用于应用评分预测。该框架组合使用MobileNetV3提取UI布局的视觉特征，采用DistilBERT提取文本特征。这些多模态特征通过带有Swish激活函数的门控融合模块进行融合，随后通过多层感知器（MLP）回归头进行处理。对该模型进行了评估，使用均方绝对误差（MAE）、均方根误差（RMSE）、均方误差（MSE）、决定系数（R2）和皮尔逊相关系数。经过20个epoch的训练后，模型实现了MAE为0.1060，RMSE为0.1433，MSE为0.0205，R2为0.8529，皮尔逊相关系数为0.9251。广泛的消融研究进一步证明了不同视觉和文本编码器组合的有效性。总体而言，提出的轻量级框架为开发人员和最终用户提供了有价值的见解，支持可持续的应用开发，并可在边缘设备上高效部署。
引用
@article{arxiv.2602.20531,
title = {A Lightweight Vision-Language Fusion Framework for Predicting App Ratings from User Interfaces and Metadata},
author = {Azrin Sultana and Firoz Ahmed},
journal= {arXiv preprint arXiv:2602.20531},
year = {2026}
}
备注
24 pages, 10 figures