基于一維卷積神經(jīng)網(wǎng)絡(luò)客戶需求分類模型

王莉靜，戴遠(yuǎn)東，趙海盟，李雅婷

（天津城建大學(xué) 控制與機械工程學(xué)院，天津 300384）

隨著現(xiàn)代工業(yè)的飛速發(fā)展，消費市場已由賣方轉(zhuǎn)為買方市場，客戶提出的需求越來越多樣化[1].企業(yè)只有通過搜集客戶需求，尋找其變化，并以客戶需求為驅(qū)動力，才能快速定制出客戶需要的產(chǎn)品，從而提高企業(yè)市場競爭力[2-3].隨著企業(yè)收集客戶需求數(shù)量的增多，根據(jù)客戶需求進(jìn)行產(chǎn)品定制運行的時間也就越長，易導(dǎo)致產(chǎn)品定制效率的降低，從而影響客戶滿意度.確定客戶需求類別是產(chǎn)品設(shè)計的重要環(huán)節(jié)，也是產(chǎn)品定制設(shè)計的基礎(chǔ).因此，搜集客戶需求信息，構(gòu)建客戶需求分類模型，對于縮短產(chǎn)品定制時間和提高客戶滿意度具有重要意義.

國內(nèi)外學(xué)者在建立客戶需求分類模型方面做了大量研究.Sharif 等[4]提出以客戶為中心的產(chǎn)品定制方法，并采用粗糙集的聚類分析方法對客戶需求類別進(jìn)行劃分.Hauge 等[5]建立了由ElasticSearch、Logstash 和Kiabana 組成的客戶產(chǎn)品需求分類平臺，即通過問題測試對客戶需求進(jìn)行分類.謝建中等[6]構(gòu)建了從客戶需求向資源映射的產(chǎn)品配置優(yōu)化模型，并提出面向產(chǎn)品全生命周期管理的廣義客戶需求分類方法. 李汝鵬等[7]基于模糊相似理論的需求信息模糊聚類方法，對具有模糊性和多樣性的原始客戶需求信息進(jìn)行精簡分類處理.上述學(xué)者采用不同方法建立了客戶需求分類模型，并從不同角度解決了產(chǎn)品定制設(shè)計中的客戶需求分類問題.本文在對客戶需求進(jìn)行分類和量化處理的前提下，基于一維卷積神經(jīng)網(wǎng)絡(luò)建立了客戶需求分類模型，并將其應(yīng)用在施工升降機客戶需求分類中.

1 客戶需求處理

1.1 客戶需求分類

客戶需求是客戶所表達(dá)的對產(chǎn)品有關(guān)結(jié)構(gòu)、功能和外觀等方面的需求信息[8].收集客戶需求，建立客戶需求規(guī)范矩陣：C={Ci|i=1，2，…，k}.其中，Ci為客戶提出的第i 個需求.

日本學(xué)者狩野紀(jì)昭提出的KANO 模型將客戶需求分為三類，即基本型需求、期望型需求和興奮型需求[9].本文基于KANO 模型，根據(jù)客戶購買力將客戶需求C={Ci|i=1，2，…，k}分為I 類、II 類和III 類.其中：I 類為購買力較低客戶提出的需求；II 類為購買力中等客戶提出的需求；III 類為購買力較高客戶提出的需求.而客戶購買力與企業(yè)所在地區(qū)和企業(yè)規(guī)模相關(guān)，因此客戶需求分類指標(biāo)如表1 所示.

表1 客戶需求分類指標(biāo)

1.2 客戶需求量化

通常，客戶以語義型和數(shù)值型兩種方式表達(dá)需求信息[10].由于客戶不是專業(yè)人士，其表達(dá)的語義型信息常帶有模糊性，如對于產(chǎn)品價格需求，客戶通常表達(dá)為“一般”、“高些”、“低些”等模糊性的語義信息，沒有明確的分界值，這對于后續(xù)的產(chǎn)品定制設(shè)計易造成混淆[11].因此，本文使用三角模糊數(shù)[12]將客戶提出的具有模糊性的語義信息轉(zhuǎn)化為數(shù)值，從而解決模糊性語義描述準(zhǔn)確量化問題，即將客戶需求量化處理，從而解決客戶與設(shè)計者之間的矛盾.

建立三角模糊集Q = {q1，q2，…，qm，…，qt}. 其中：qm為第m 個語義信息；t 為個數(shù)，則其三角模糊數(shù)表示為.例如，客戶表達(dá)的需求信息為“較好”，其所對應(yīng)的信息范圍為{差、中等、較好、好}，其三角模糊數(shù)為Q3=（0，0.5，0.75，1），則“較好”語義信息被量化為三角模糊數(shù)Q3的平均值0.75.若客戶表達(dá)的是需求信息具有對立性，如“是”或“否”，“有”或“無”等，其量化結(jié)果為1 或0.若客戶表達(dá)的是需求信息為三個或以上，且具有對立性，如施工升降機的傳動方式（齒輪傳動、混合式和鋼絲繩式），其量化結(jié)果為0，1，2.

2 客戶需求分類模型的建立

2.1 一維卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)的構(gòu)建

一維卷積神經(jīng)網(wǎng)絡(luò)[13]（one-dimensional convolutional neural networks，簡稱1DCNN）是深度神經(jīng)網(wǎng)絡(luò)中的一種典型的有監(jiān)督學(xué)習(xí)算法，主要用于序列類數(shù)據(jù)處理，即通過對輸入數(shù)據(jù)進(jìn)行逐層的卷積和池化，以實現(xiàn)準(zhǔn)確地提取輸入特征，從而保證數(shù)據(jù)分類的準(zhǔn)確性，其基本結(jié)構(gòu)如圖1 所示.

（2）卷積層1：通過提取客戶需求特征，得到對應(yīng)的特征序列.設(shè)Hl為第l 層卷積層的特征序列，當(dāng)l=1 時，H1=C′，則Hjl為第l 層卷積層的第j 個特征序列，其中激勵函數(shù)f（·）為ReLU 函數(shù).其產(chǎn)生過程為

式中：ωj(l)為第l 層第j 個特征序列所對應(yīng)的卷積核，其為n×1 的矩陣，且步長為m；K 為第l-1 層的特征數(shù)，且為第l 層每個特征序列所對應(yīng)的偏置.

（3）池化層：對卷積層1 輸出特征序列Hjg-1進(jìn)行約簡，從而去除特征序列中的冗余特征.設(shè)Mjg為第g層池化層的第j 個特征序列，則每個輸出特征序列對應(yīng)一組乘性偏置βjg和加性偏置bjg.其產(chǎn)生過程為

式中：down（·）為最大池化函數(shù)，其中池化核為2 × 1的矩陣，且步長為2；若第g-1 層特征序列Hjg-1中的特征數(shù)為F，則經(jīng)池化層約簡后的Mjg所對應(yīng)的特征數(shù)

（4）卷積層2：對池化層輸出的特征序列Mjg做進(jìn)一步特征提取，得到對應(yīng)的特征序列Hjg+1.其產(chǎn)生過程見公式（1），所對應(yīng)的特征數(shù)為

（5）全連接層：將輸入的卷積層2 的特征序列Hjg+1壓縮為多個獨立特征.設(shè)全連接層第F1層的輸出函數(shù)為TFi1=flatten（Hjg+1.），則全連接層第F2層的輸出為

2.2 基于1DCNN 客戶需求分類模型的建立

首先，獲取企業(yè)歷史客戶需求信息，建立客戶需求規(guī)范矩陣：C={Ci|i=1，2，…，k}，并根據(jù)表1 的客戶需求分類指標(biāo)表對其進(jìn)行分類整理；其次，使用三角模糊數(shù)對客戶需求語義信息進(jìn)行量化處理，即為C′={Ci′|i=1，2，…，k}；然后，基于一維卷積神經(jīng)網(wǎng)絡(luò)，建立客戶需求分類模型，如圖2 所示，其步驟如下.

（1）整理I 類、II 類和III 類所對應(yīng)的歷史客戶需求信息，將其分為訓(xùn)練樣本和測試樣本.

（2）訓(xùn)練樣本通過一維卷積神經(jīng)網(wǎng)絡(luò)完成對歷史客戶需求信息的特征提取，然后通過Softmax 函數(shù)進(jìn)行分類，通過交叉熵函數(shù)得到損失誤差Loss.若滿足訓(xùn)練要求則完成訓(xùn)練，得到1DCNN 客戶需求分類模型；否則通過Adam 優(yōu)化算法對網(wǎng)絡(luò)參數(shù)進(jìn)行逐級優(yōu)化，然后再次訓(xùn)練直到Loss 達(dá)到訓(xùn)練要求.

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

圖2 基于1DCNN 客戶需求的分類流程

（3）將測試樣本輸入訓(xùn)練好的1DCNN 分類模型中，輸出客戶需求分類結(jié)果.

3 實例驗證

施工升降機[15]是建筑施工中普遍使用的一種工具，主要用于高層建筑、大橋、煙囪等多種施工場合對物料和人員的運輸.

3.1 客戶需求處理

收集某企業(yè)100 組客戶需求信息，根據(jù)表1 對其進(jìn)行分類，如表2 所示.采用本文2.1 節(jié)三角模糊法對客戶需求進(jìn)行量化處理，如表3 所示.

3.2 客戶需求分類模型的建立

首先，從表3 中隨機選取70%客戶需求作為客戶需求分類模型的訓(xùn)練樣本，剩余30%作為測試樣本.然后，根據(jù)圖1 的基于一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，其步驟如下.

（1）輸入層：輸入量化后的客戶需求C′= {Ci′|i =1，2，…，k}，k=9.則H1=C，輸入形狀為9×1.

表2 客戶需求規(guī)范

表3 客戶需求量化

（2）卷積層1：根據(jù)輸入數(shù)據(jù)特征，選取卷積核ωj(l)為3×1 的矩陣，步長m=1，特征數(shù)K=32，偏置aj2=1，（j=1，…，32）.根據(jù)公式（1）得到特征序列H2，其輸出形狀為7×1×32.

（3）池化層：選取乘性偏置βj3=1，加性偏置bj3=1，（j = 1，…，32）. 根據(jù)公式（2）得出約簡后的特征序列M3，其輸出形狀為5×1×32.

（4）卷積層2：卷積核為3 × 1，步長為1，特征數(shù)K =64，偏置aj2=1，（j=1，…，32）.根據(jù)公式（1）得到特征序列H4，其輸出形狀為3×1×64.

（5）全連接層：對特征序列H4進(jìn)行展開. 則全連接層F1的輸出形狀為192 個點.選取權(quán)重，偏置cF2j=1，（i=1，2，3；j=1，…，64）.根據(jù)公式（3）得出全連接層F2的輸出形狀為64 個點.

（6）輸出層：根據(jù)公式（4）得出I 類、II 類、III 類客戶需求分別對應(yīng)的P（x）.設(shè)定損失值Loss 為0.01，然后采用Adam 優(yōu)化算法減小Loss 損失值，直至小于或等于0.01 為止.

本文基于python 中的keras 庫，如表4 所示參數(shù)，對表3 需求進(jìn)行訓(xùn)練和測試，其分類準(zhǔn)確率曲線和分類誤差曲線如圖3 所示. 本文隨機抽取進(jìn)行了10 次分類訓(xùn)練，其分類準(zhǔn)確率在95%以上，如圖4 所示.

表4 一維卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)參數(shù)

圖3 一維卷積神經(jīng)網(wǎng)絡(luò)分類

圖4 重復(fù)訓(xùn)練10 次的分類準(zhǔn)確率結(jié)果

為進(jìn)一步驗證該模型的分類效果，本文將輸入Softmax 函數(shù)的高維數(shù)據(jù)降為二維數(shù)據(jù)，并在平面圖中顯示，如圖5 所示.圖中數(shù)字0，1，2 分別對應(yīng)表1 中的客戶需求類別I 類、II 類和III 類.從圖中可看出：同類客戶需求聚合度較高，不同類客戶需求有較明顯的分離性，說明該模型分類結(jié)果較準(zhǔn)確.

4 結(jié) 語

客戶需求作為企業(yè)進(jìn)行產(chǎn)品設(shè)計的主要驅(qū)動力，是產(chǎn)品定制設(shè)計的基礎(chǔ). 本文針對客戶需求分類問題，提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)的客戶需求分類模型.通過收集企業(yè)的歷史客戶需求信息，建立了客戶需求規(guī)范表.基于KANO 模型，根據(jù)客戶對產(chǎn)品的購買力將歷史客戶需求分為I 類、II 類和III 類.基于一維卷積神經(jīng)網(wǎng)絡(luò)，隨機抽取量化后的客戶需求信息為訓(xùn)練樣本和測試樣本，設(shè)定損失誤差Loss 為0.01，通過訓(xùn)練和測試，建立了客戶需求分類模型.最后，通過施工升降機實例驗證了該模型對客戶需求分類的有效性.