融合用戶偏態(tài)感知的視覺傳達符號化設(shè)計

梔 梓

（福州外語外貿(mào)學院藝術(shù)學院，福建 福州 350000）

視覺傳達設(shè)計以傳達信息為主要目的，以視覺為溝通和表現(xiàn)的方式，通過圖形、色彩、材質(zhì)、外觀，對信息進行視覺化的設(shè)計和加工，準確有效傳達信息，從而滿足人們信息交流的需要,而精準傳達成為設(shè)計師、廠商、受眾的痛點。這要求我們對用戶進行科學的邏輯分析、數(shù)據(jù)采集與運算，力求以最理性的方式展示受眾在接收視覺信息時、進行產(chǎn)品體驗時的偏態(tài)感知數(shù)據(jù)，通過數(shù)據(jù)展示用戶的訴求和設(shè)計的不足。因此，在進行產(chǎn)品創(chuàng)新活動時，必須將用戶作為其創(chuàng)新活動的核心所在[1]。而且，當今市場競爭形勢是十分激烈的，用戶的需求呈現(xiàn)出更加個性化、多元化的特征[2]。因此，企業(yè)在進行產(chǎn)品創(chuàng)新時，應(yīng)當如何結(jié)合用戶需求實現(xiàn)視覺傳導的有效設(shè)計，這是其創(chuàng)新活動是否能夠成功的關(guān)鍵所在[3]。具體來講，可依據(jù)用戶對于產(chǎn)品的結(jié)構(gòu)、形式、色彩等方面的認知，為創(chuàng)新產(chǎn)品的設(shè)計提供借鑒與思考，以此來確保實現(xiàn)產(chǎn)品的成功開發(fā)，或者說確保產(chǎn)品是符合消費者偏好的[4-5]。利用用戶偏態(tài)感知，設(shè)計人員能夠進一步明確其創(chuàng)新方向，而且為創(chuàng)新活動的進行提供了模板[6]，以此方式能夠確保在產(chǎn)品設(shè)計中，消費者的認知與情感需求都能夠得到有效兼顧與考慮，以此方式使得設(shè)計人員對用戶期望實現(xiàn)更加準確的把握，清楚用戶的產(chǎn)品認知[7]。

視覺傳達設(shè)計不只是對視覺信息的美化，更重要的是人們通過信息來進行準確的交流和準確感知設(shè)計的實質(zhì)，讓設(shè)計變得高效能。偏態(tài)感知數(shù)據(jù)的分析可以呈現(xiàn)用戶內(nèi)在的個性化訴求，這個數(shù)字更能反映個體特征，它可以通過對調(diào)研報告的數(shù)據(jù)采集把用戶偏態(tài)感知的小數(shù)據(jù)進行串聯(lián)，尋找線索的過程就是連接用戶情感缺口的過程。為了實現(xiàn)對上述問題的有效解決，本文結(jié)合用戶偏態(tài)感知特征，構(gòu)建了視覺傳達符號化設(shè)計。

1.面向視覺傳達的用戶偏態(tài)感知特點分析

為了確保產(chǎn)品開發(fā)能夠成功，需要以用戶的偏態(tài)感知來確保其視覺傳導效果，要求能夠從產(chǎn)品數(shù)據(jù)庫中實現(xiàn)對用戶意向信息的有效分析和整理。故此，用戶偏態(tài)感知屬于產(chǎn)品開發(fā)中重要的輔助過程，對于視覺傳達效果的影響是十分突出的。為了能夠借助用戶認知信息實現(xiàn)視覺傳達，要求對用戶認知與產(chǎn)品外形特征之間具有的關(guān)聯(lián)性形成清楚的認識。圖1展示的是在兩者之間所存在的關(guān)聯(lián)圖，這種關(guān)系屬于非線性關(guān)系。其中的節(jié)點Z表示的是用戶感知，相對應(yīng)的節(jié)點A指的是產(chǎn)品的外形特征，能夠?qū)Ξa(chǎn)品具有的屬性、狀態(tài)等信息進行反映。為了實現(xiàn)對用戶偏態(tài)感知的全面分析，通過對用戶偏態(tài)感知及符號化研究，為該問題的解決提供了思路。

2.用戶認知與產(chǎn)品外形特征之間的數(shù)學設(shè)計

2.1 預測準確率

從本質(zhì)上看，識別與提取用戶認知特征屬于一項抽象特征較為突出的問題，而這類問題在當前的大腦思維被計算機所模仿這一領(lǐng)域受到了廣泛關(guān)注。感知度、相似度的具體表達方式如下：代表了感知所含有的特征元素集合；指的是特定用戶P的感知層特征元素的集合；N(a)指的是在a中所具有的元素數(shù)目；指的是p用戶具有感知s要求必須符合的最小特征元素比例值；表示用戶p具有感知元素s；表示用戶p不具有感知元素s。如果將大于的值分段，那么可以依據(jù)偏好水平，使得感知s進行細分，得到I、J兩個用戶i，j表示與之相對的特征集，當，，時，為i，j的最大感知相似度；當，，時，為i，j的最小感知相似度。

2.2 基于用戶偏態(tài)感知的用戶感知與產(chǎn)品外形特征的關(guān)聯(lián)

使得符號化反饋動力系統(tǒng)中的有關(guān)事件、要素以及各參與值等能夠利用概念邊實現(xiàn)有效的連接，以得到一種圖結(jié)構(gòu)，這就是迭代符號化。具體如圖2所示。

圖2 用戶偏態(tài)感知結(jié)構(gòu)及其鄰接矩陣

用戶偏態(tài)感知的數(shù)學設(shè)計為

上式中，指的是在t時刻，各原因概念所對應(yīng)的狀態(tài)，表示了概念Ci對Cj具有的因果關(guān)聯(lián)性的強度大小，f表示Cj與相對應(yīng)的閾值函數(shù)。

表示了用戶感知元素集，該集合屬于符號化狀態(tài)集合，而且滿足用戶所提出的任意感知評價υ，都符合。表示了υ屬于的隸屬度。

如下式所示表示了產(chǎn)品外形特征元素集

上式中，表示第1項產(chǎn)品外形特征元素集，對應(yīng)為第p項，合計共有n項外形特征，而且在各項中都含有多項特征元素。

3.用戶感知與產(chǎn)品外形特征的關(guān)聯(lián)度確定

為了能夠準確判別外形特征元素和感知元素之前的關(guān)系，對其形成清楚的認識，在本文中，利用符號化實現(xiàn)了對用戶偏態(tài)感知結(jié)構(gòu)的確認，而且還得到了鄰接矩陣。符號化(Symbolic design，SD)屬于一種模擬進化算法，是最近幾年剛剛興起的，這種方法是具有很強的魯棒性的，而且方法運用方式是十分靈活的。

定義1.群體相似度指的是在某局域環(huán)境中，某待聚類對象與其他模式相比具有的相似的水平，可將其進行界定得到定義如下：

上式中，Neigh(r)指代的為所處的局部環(huán)境，對應(yīng)到二維空間中表示的是一個圓形區(qū)域，將其半徑進行界定為 r；d(Oi，Oj)指的是在對象屬性空間中，Oi、Oj兩者之間具有的距離水平。具有的相似度系數(shù)值為w，此時的螞蟻速度是均勻分布在區(qū)間[1,υmax]內(nèi)的。

定義2.概率轉(zhuǎn)化函數(shù)，利用該函數(shù)是能夠?qū)崿F(xiàn)群體相似度的有效轉(zhuǎn)化的，得到待聚類對象概率函數(shù)，具有的拾起概率Pp、以及相對的放下概率Pd依次表示為

在上述兩式中，K1，K2指代的為閾值常量。如果在對用戶感知因素進行類別劃分時，可依據(jù)多個外形特征指標，那么此時將聚類空間對應(yīng)的多維空間中，則此時以 A={XiXi=（Xi1，Xi2，···Xin)}表示感知元素數(shù)據(jù)對象的集合。Xi與Xj之間具有的加權(quán)歐氏距離表示為

P表示加權(quán)因子，該值的確定將會依據(jù)對應(yīng)指標數(shù)據(jù)對聚類關(guān)系的影響程度。

定義 3.平均適度(mean－fit)能夠?qū)φ麄€的空間中，節(jié)點據(jù)歐的聚類程度進行反映，具體為

N指的是在樣本空間中具有的節(jié)點個數(shù)；F（N）其取值處于[0,1]之間，而且在聚類實現(xiàn)過程中，得到的平行適度將會不斷提高，以獲得最大值。

4.實例分析

為了增強對用戶認知與產(chǎn)品外形特征兩者關(guān)系的充分認識和分析，以汽車產(chǎn)品為例，采用“7C”法則來進行偏態(tài)感知的數(shù)據(jù)采集與分析，并及時進行正迭代設(shè)計。具體法則包括以下內(nèi)容：搜集（collect），以調(diào)查問卷的方式搜集和用戶有關(guān)的習慣、興趣、感受等信息；線索（clue），以訪談的形式尋找能呈現(xiàn)用戶真實自我的細節(jié)；連接（connect），通過問卷與訪談搜集的信息尋找到用戶大致的偏態(tài)感知和情感缺口；關(guān)聯(lián)（correlation），通過數(shù)據(jù)分析發(fā)現(xiàn)用戶的偏態(tài)感知缺口第一次出現(xiàn)，是在什么時候，是由于什么引起的；因果（Causal），就是確認小數(shù)據(jù)促使用戶產(chǎn)生了什么樣的偏態(tài)情感；補償（compensate），指的是從用戶的情感中，發(fā)現(xiàn)他們沒有被滿足的欲望，對此進行補償；觀念（concept），用創(chuàng)意設(shè)計出可操作的補償辦法，進行迭代設(shè)計，彌補用戶偏態(tài)感知，滿足用戶的欲望。通過獲取用戶偏態(tài)感知數(shù)據(jù)并對數(shù)據(jù)進行分析，探索兩者內(nèi)在的關(guān)聯(lián)性。

具體做法是將典型產(chǎn)品的外形特征以對應(yīng)圖例進行展示，所涉及到的外形特征主要有車體、內(nèi)飾、輪胎、車頂、線條等等，通過特征識別，針對具有不同外形特征的汽車產(chǎn)品進行提煉，得到表1展示的用戶感知元素。

表1 用戶偏態(tài)感知特征元素

本文所使用的用戶為500名被調(diào)查分析的用戶。對這些用戶對于產(chǎn)品外形特征進行的如語義差分值則表示了認知元素具有的隸屬度，將其以符號化集的形式進行表征。對應(yīng)10級符號化測量等級。在本文中，對于產(chǎn)品外形特征元素的記錄取值為平均值，其中滿足礎(chǔ)上得到了表2所示的用戶偏態(tài)感知數(shù)據(jù)，這些信息與產(chǎn)品外觀特征具有較強的關(guān)聯(lián)性。

表2 用戶感知數(shù)據(jù)庫

P1 0.94 0.9 0.86 0.72 0.84 0.67 0.82 0.54 0.5 0.69 0.7 0.74 0.23 0.98 0.74 0.63 C50 P2 0.87 0.31 0.74 0.34 0.59 0.21 0.5 0.65 0.86 0.77 0.3 0.46 0.74 0.45 0.67 0.88 P3 0.63 0.48 0.47 0.56 0.37 0.76 0.96 0.78 0.57 0.44 0.53 0.69 1.01 0.89 0.33 0.38 P4 0.46 0.63 0.38 0.96 0.89 0.86 0.57 0.48 0.62 0.91 0.44 0.79 0.7 0.57 0.39 0.82 P5 0.93 0.67 0.56 0.72 0.74 0.79 0.86 0.53 0.73 0.95 0.32 0.48 0.69 0.22 0.33 0.94 P6 0.77 0.41 0.78 0.65 0.76 0.84 0.94 0.47 0.75 0.56 0.92 0.7 0.55 0.37 0.58 0.7 P7 0.98 0.78 0.46 0.87 0.44 0.86 0.39 0.83 0.6 0.34 0.57 0.99 0.75 0.48 0.63 0.3 P8 0.44 0.3 0.2 0.24 0.33 19.09 0.45 0.32 0.15 0.22 0.43 0.5 0.25 0.3 0.38 0.49

分析表1能夠得出，通過符號化與最合適區(qū)域法是能夠從中成功得到兩者的聚類結(jié)果的，具體結(jié)果如下所示。此外，還得到了歸一化鄰接矩陣，利用M atlab7.0能夠得到符號化，初始設(shè)置為：k1=0.1，k2=0.3，ω=0.5 螞蟻數(shù)目 mant=20，循環(huán)次數(shù) n=300。

圖3 用戶感知產(chǎn)品外形特征關(guān)聯(lián)分析結(jié)果

如圖3a，展示的是用戶對于車體的感知聚類效果。右側(cè)的圖3b展示的是用戶基于張揚等認知基礎(chǔ)上，對前等、線型等具有的感知聚類效果。分析可得，通過最合適區(qū)域法能夠發(fā)現(xiàn)，相較于精致感知，車體對運動感知具有的影響更為突出，儀表則對精致感知具有更強的影響，座椅對運動感知具有更大的影響。

5.結(jié)語

用戶偏態(tài)感知的獲得和分析涉及到的知識領(lǐng)域十分寬泛，但整個過程較為復雜，用戶感知具有符號化性以及較大的不確定性。在本文中以迭代符號化測量度，成功獲得用戶偏態(tài)感知，并且還在偏態(tài)感知中將符號化集引入其中，對其具有的不確定性特征實現(xiàn)了充分的反映。而且，通過迭代符號化，詳細描述了產(chǎn)品的外形特征，用戶認知的相關(guān)信息，進一步明確兩者之間的非線性關(guān)系，充分將其運用到產(chǎn)品設(shè)計中。當前，該方法已經(jīng)在實際中展示了較好的效果，對于當前產(chǎn)品開發(fā)中未能夠?qū)崿F(xiàn)對用戶偏態(tài)感知的有效獲取和分析，以及兩者關(guān)聯(lián)性不強等問題，得到了較好的解決。

[1]Cazetta,E.,Galetti,M.,Rezende,E.L.,&Schaefer,H.M.On the Reliability of Visual Communication in Vertebrate‐Dispersed Fruits.Journal of Ecology.2015,100(1):277-286.

[2]Do,M.N.,Nguyen,Q.H.,Nguyen,H.T.,&Kubacki,D.Immersive Visual communication. IEEE Signal Processing Magazine.2011,28(1):58-66.

[3]Descout,J.,Decottignies,A.,Vaconsin,P.,Fortineau,V.,Barbault-Foucher,S.,&Rieutord,A.The Obeya Board,More Than Visual Communication,a New Paradigm for Management.Plos Biology.2015,12(11):999-1002.

[4]Minichiello, & Mario. Drawing as visual Communication.European Journal of Pharmacology.2012,305(1-3):73-78.

[5]Zhang,K.,&Zheng,X.S.Special Issue on Visual Information Communication– Theory and Practice.Information Sciences.2016,330:424-426.

[6]Mcinerny,G.Embedding Visual Communication into Scientific Practice.Trends in Ecology&Evolution.2013,28(1):13-14.

[7]Poland,G.A.,&Poland,G.A.Visual Vaccinology– the Importance of Visual Communication.Vaccine.2013,31(41):4465-4465.