基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品性能滿(mǎn)意度預(yù)測(cè)分析

邵宏宇，孟?琦，趙?楠, 2，陳?辰，郭?偉

?

基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品性能滿(mǎn)意度預(yù)測(cè)分析

邵宏宇1，孟?琦1，趙?楠1, 2，陳?辰1，郭?偉1

(1. 天津大學(xué)機(jī)械工程學(xué)院機(jī)構(gòu)理論與裝備設(shè)計(jì)教育部重點(diǎn)實(shí)驗(yàn)室，天津 300354； 2. 天津職業(yè)技術(shù)師范大學(xué)機(jī)械工程學(xué)院，天津 300222)

為了解決傳統(tǒng)性能設(shè)計(jì)缺乏復(fù)雜場(chǎng)景要素、忽略用戶(hù)個(gè)性化行為等問(wèn)題，提出一種用戶(hù)體驗(yàn)評(píng)論數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品性能滿(mǎn)意度預(yù)測(cè)分析模型．通過(guò)分析在線評(píng)論數(shù)據(jù)，獲知用戶(hù)使用產(chǎn)品后的體驗(yàn)滿(mǎn)意程度，在此基礎(chǔ)上構(gòu)建由產(chǎn)品結(jié)構(gòu)配置和實(shí)際使用工況向性能滿(mǎn)意度映射的神經(jīng)網(wǎng)絡(luò)模型，分析使用工況作用下的性能滿(mǎn)意度影響因素及其影響方式．首先，結(jié)合領(lǐng)域本體知識(shí)概念和產(chǎn)品使用說(shuō)明書(shū)，整理影響產(chǎn)品性能的相關(guān)結(jié)構(gòu)配置要素．之后，以用戶(hù)感知產(chǎn)品屬性后發(fā)布的在線評(píng)論為數(shù)據(jù)源，借助自然語(yǔ)言處理技術(shù)進(jìn)行評(píng)論內(nèi)容的細(xì)粒度識(shí)別，獲取產(chǎn)品的實(shí)際使用工況，包括使用的環(huán)境條件及用戶(hù)的行為習(xí)慣；利用情感分析技術(shù)對(duì)用戶(hù)在線評(píng)論內(nèi)容的情感正負(fù)傾向進(jìn)行標(biāo)定，疊加到用戶(hù)主觀選擇的產(chǎn)品評(píng)分上，作為用戶(hù)對(duì)該項(xiàng)性能的滿(mǎn)意度評(píng)分．接著，構(gòu)建由結(jié)構(gòu)配置要素、使用環(huán)境條件和用戶(hù)行為習(xí)慣向性能滿(mǎn)意度評(píng)分映射的BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練后的模型具有較好的預(yù)測(cè)功能，可以給定新的配置方案，進(jìn)行不同使用工況下的滿(mǎn)意度評(píng)分預(yù)測(cè)．最后，對(duì)不同性能結(jié)構(gòu)配置組合方案進(jìn)行用戶(hù)滿(mǎn)意度預(yù)測(cè)，分析其中的關(guān)鍵因子及因子間的交互效應(yīng)．以汽車(chē)產(chǎn)品動(dòng)力性屬性為例，進(jìn)行模型驗(yàn)證，對(duì)汽車(chē)動(dòng)力性指標(biāo)設(shè)計(jì)和改進(jìn)提供參考和幫助．

性能滿(mǎn)意度；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；觀點(diǎn)挖掘；結(jié)構(gòu)配置；因子分析

先進(jìn)生產(chǎn)工藝和信息技術(shù)的發(fā)展使得定制化和大規(guī)模兩種生產(chǎn)方式有機(jī)融合，滿(mǎn)足客戶(hù)個(gè)性需求的同時(shí)也保證了較低的生產(chǎn)成本和較快的市場(chǎng)響應(yīng)速度[1]．由此，產(chǎn)品市場(chǎng)不斷豐富，加劇了市場(chǎng)競(jìng)爭(zhēng)態(tài)勢(shì)．性能作為保障產(chǎn)品競(jìng)爭(zhēng)力的關(guān)鍵要素，對(duì)產(chǎn)品成熟度、客戶(hù)滿(mǎn)意度至關(guān)重要，因此，深入探索性能在設(shè)計(jì)過(guò)程的形成、傳遞以及演化等規(guī)律，研究以增強(qiáng)產(chǎn)品性能為目的的產(chǎn)品設(shè)計(jì)理論具有重大意義．

廣義上，產(chǎn)品性能由產(chǎn)品技術(shù)性能、經(jīng)濟(jì)性能與社會(huì)性能組成；狹義上，產(chǎn)品性能指的是產(chǎn)品功能的度量和保障[2]．從用戶(hù)認(rèn)知角度理解，性能可以具體到產(chǎn)品使用過(guò)程中的體驗(yàn)感知，當(dāng)各種功能實(shí)現(xiàn)程度較好時(shí)，用戶(hù)對(duì)該項(xiàng)性能的體驗(yàn)滿(mǎn)意度就高．其中涉及兩項(xiàng)因素：一是產(chǎn)品預(yù)期實(shí)現(xiàn)的功能種類(lèi)即性能配置，二是產(chǎn)品實(shí)際實(shí)現(xiàn)功能的水平即性能可靠度．在產(chǎn)品生命周期的各個(gè)環(huán)節(jié)，眾多學(xué)者對(duì)產(chǎn)品性能的實(shí)現(xiàn)和保障進(jìn)行了很多方面的研究．Nikolaidis等[3]指出產(chǎn)品設(shè)計(jì)過(guò)程中，對(duì)目標(biāo)零部件進(jìn)行性能特性預(yù)測(cè)的重要性，提出采用神經(jīng)網(wǎng)絡(luò)和2階多項(xiàng)式響應(yīng)曲面對(duì)性能進(jìn)行預(yù)測(cè)；Xu等[4]提出采用多層前饋神經(jīng)網(wǎng)絡(luò)與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)性能可靠性參數(shù)進(jìn)行預(yù)測(cè)；Nada等[5]提出配置能力指標(biāo)的概念度量制造系統(tǒng)配置參數(shù)與期望質(zhì)量等級(jí)的映射關(guān)系，由模糊層次推力系統(tǒng)構(gòu)建制造系統(tǒng)設(shè)計(jì)參數(shù)與質(zhì)量等級(jí)的關(guān)聯(lián)關(guān)系，根據(jù)制造系統(tǒng)的性能采用配置能力指標(biāo)預(yù)測(cè)產(chǎn)品質(zhì)量參數(shù)；劉振宇等[6]針對(duì)性能與特征參數(shù)存在耦合關(guān)聯(lián)，提出基于多準(zhǔn)則修正的產(chǎn)品性能參數(shù)關(guān)聯(lián)分析與預(yù)測(cè)方法；崔文華等[7]對(duì)模塊化產(chǎn)品族的配置性能進(jìn)行預(yù)測(cè)以判斷其對(duì)多樣化客戶(hù)需求的滿(mǎn)足程度，通過(guò)對(duì)產(chǎn)品族典型產(chǎn)品歷史數(shù)據(jù)庫(kù)的挖掘，提出了基于遞階支持向量機(jī)的配置性能預(yù)測(cè)方法．

隨著經(jīng)濟(jì)、技術(shù)的發(fā)展，產(chǎn)品設(shè)計(jì)已實(shí)現(xiàn)由“以產(chǎn)品為中心”向“以客戶(hù)為中心”的轉(zhuǎn)變．ISO 9001：2000標(biāo)準(zhǔn)明確提出了“旨在增強(qiáng)顧客滿(mǎn)意”，企業(yè)都將以顧客滿(mǎn)意度最大化為目標(biāo)，從而實(shí)現(xiàn)企業(yè)利益最大化等[8]．范志君等[9]提出產(chǎn)品配置和變型設(shè)計(jì)分界點(diǎn)概念，基于性能滿(mǎn)意度優(yōu)化目標(biāo)函數(shù)判斷分界點(diǎn)和需變型零部件；李偉英等[10]通過(guò)多途徑獲取用戶(hù)滿(mǎn)意度，對(duì)手動(dòng)擋車(chē)型換擋性能實(shí)現(xiàn)了優(yōu)化．大規(guī)模定制化生產(chǎn)模式背景下，通過(guò)分析不同用戶(hù)對(duì)于產(chǎn)品某項(xiàng)性能的滿(mǎn)意程度，可以有針對(duì)性地對(duì)產(chǎn)品配置模塊重新組合，以增強(qiáng)產(chǎn)品性能．

汽車(chē)之家、中關(guān)村在線等產(chǎn)品在線論壇目前已逐漸普及，用戶(hù)開(kāi)始自發(fā)地在各大論壇分享自己在產(chǎn)品需求、購(gòu)買(mǎi)喜好以及使用評(píng)價(jià)等方面的信息．用戶(hù)的態(tài)度與真實(shí)體驗(yàn)已經(jīng)無(wú)需通過(guò)調(diào)查問(wèn)卷或深度訪談等形式進(jìn)行，借助自然語(yǔ)言處理技術(shù)分析用戶(hù)評(píng)論內(nèi)容，就可以全面、客觀地了解用戶(hù)對(duì)產(chǎn)品性能的滿(mǎn)意程度，并對(duì)企業(yè)生產(chǎn)決策的改進(jìn)和營(yíng)銷(xiāo)策略的制定提供參考．

在線產(chǎn)品需求挖掘研究可以歸納為：了解產(chǎn)品功能滿(mǎn)足情況，分析用戶(hù)痛點(diǎn)和產(chǎn)品缺陷，分析產(chǎn)品改進(jìn)的方向和內(nèi)容，進(jìn)行競(jìng)品分析．楊德清等[11]基于在線產(chǎn)品社區(qū)中的用戶(hù)評(píng)論，以評(píng)論內(nèi)容深度和評(píng)論影響力二維指標(biāo)，構(gòu)建了動(dòng)態(tài)用戶(hù)需求Kano模型；范煒昊等[12]構(gòu)建了基于網(wǎng)絡(luò)用戶(hù)評(píng)論情感計(jì)算的產(chǎn)品用戶(hù)痛點(diǎn)分析模型，提出用戶(hù)痛點(diǎn)指數(shù)計(jì)算公式，并借助手機(jī)評(píng)論進(jìn)行痛點(diǎn)識(shí)別，驗(yàn)證了模型的實(shí)用性．劉丹等[13]構(gòu)建了基于互聯(lián)網(wǎng)環(huán)境下在線評(píng)論的產(chǎn)品缺陷識(shí)別模型框架，選擇半監(jiān)督分類(lèi)Co-forest算法建立評(píng)論分類(lèi)模型，對(duì)家電行業(yè)產(chǎn)品評(píng)論進(jìn)行缺陷識(shí)別．張璐等[14]和Zhang等[15]分別以手機(jī)產(chǎn)品為例，驗(yàn)證了用戶(hù)對(duì)產(chǎn)品屬性評(píng)論信息和產(chǎn)品改進(jìn)的方向與程度之間的強(qiáng)關(guān)聯(lián)性，表明利用網(wǎng)絡(luò)評(píng)論信息進(jìn)行產(chǎn)品改進(jìn)是可行有效的；Nikumanesh等[16]通過(guò)分析用戶(hù)在使用產(chǎn)品/服務(wù)環(huán)節(jié)中的正負(fù)觀點(diǎn)，借此提出模型用于提高產(chǎn)品質(zhì)量．

當(dāng)前從用戶(hù)評(píng)論中進(jìn)行產(chǎn)品知識(shí)提煉仍以大類(lèi)特征為主，并未從結(jié)構(gòu)配置層面形成規(guī)范．由于用戶(hù)表達(dá)存在不規(guī)范、口語(yǔ)化的習(xí)慣且不同用戶(hù)的知識(shí)水平差異較大，無(wú)法對(duì)每一位用戶(hù)的產(chǎn)品表達(dá)進(jìn)行精準(zhǔn)識(shí)別．想要通過(guò)在線評(píng)論內(nèi)容對(duì)產(chǎn)品性能設(shè)計(jì)形成指導(dǎo)，在現(xiàn)階段的研究基礎(chǔ)上，還需經(jīng)由設(shè)計(jì)人員進(jìn)行知識(shí)轉(zhuǎn)化才能實(shí)現(xiàn)．本文從用戶(hù)體驗(yàn)角度切入，探究如何改變產(chǎn)品結(jié)構(gòu)模塊的配置組合方案以提高用戶(hù)對(duì)于性能的滿(mǎn)意程度．通常，用戶(hù)對(duì)產(chǎn)品性能的評(píng)價(jià)受產(chǎn)品基本結(jié)構(gòu)配置和實(shí)際使用工況兩方面綜合影響．借助用戶(hù)在產(chǎn)品論壇中發(fā)表的真實(shí)使用體驗(yàn)，獲知用戶(hù)評(píng)價(jià)的具體產(chǎn)品、使用場(chǎng)景、用戶(hù)的行為習(xí)慣和對(duì)產(chǎn)品性能的滿(mǎn)意程度，再結(jié)合領(lǐng)域知識(shí)、產(chǎn)品說(shuō)明書(shū)等內(nèi)容，獲得影響產(chǎn)品性能的結(jié)構(gòu)因素及其配置方式．利用以上數(shù)據(jù)，構(gòu)建從結(jié)構(gòu)配置和使用工況到性能滿(mǎn)意度的神經(jīng)網(wǎng)絡(luò)映射模型，實(shí)現(xiàn)在給定使用工況下結(jié)構(gòu)配置模塊組合方案的性能滿(mǎn)意度預(yù)測(cè)功能．再對(duì)影響產(chǎn)品性能的結(jié)構(gòu)因素和所有水平下的配置模塊重新組合進(jìn)行滿(mǎn)意度預(yù)測(cè)，分析出對(duì)提升用戶(hù)滿(mǎn)意度有效的關(guān)鍵因子及其影響效應(yīng)，對(duì)產(chǎn)品的配置組合方法形成指導(dǎo)．研究框架如圖1所示．

圖1?研究框架

1?產(chǎn)品性能滿(mǎn)意度預(yù)測(cè)分析模型的構(gòu)建

現(xiàn)階段產(chǎn)品性能評(píng)價(jià)的研究主要以影響因素分析為主，可細(xì)分為兩類(lèi)：客觀評(píng)價(jià)和主觀評(píng)價(jià)．客觀評(píng)價(jià)通過(guò)搭建不同條件下的科學(xué)實(shí)驗(yàn)平臺(tái)，獲得相關(guān)零部件實(shí)驗(yàn)參數(shù)，對(duì)性能進(jìn)行數(shù)據(jù)評(píng)價(jià)和分析，實(shí)驗(yàn)條件相對(duì)理想化，沒(méi)有全面考慮實(shí)際使用工況．主觀評(píng)價(jià)以傳統(tǒng)調(diào)查問(wèn)卷或訪談形式進(jìn)行，消耗時(shí)間精力較多，數(shù)據(jù)不具有實(shí)時(shí)性，調(diào)查對(duì)象數(shù)量有限，且獲得的結(jié)論受問(wèn)題設(shè)置影響較大，準(zhǔn)確性大打折扣．

實(shí)際上，產(chǎn)品性能的好壞更多是在使用過(guò)程中慢慢體現(xiàn)，隨不同的使用工況也會(huì)有不同呈現(xiàn)．用戶(hù)對(duì)產(chǎn)品性能的滿(mǎn)意與否，一方面受產(chǎn)品本身的結(jié)構(gòu)配置影響，另外一方面也會(huì)隨著環(huán)境和習(xí)慣產(chǎn)生差異．由此，本文提出一種將產(chǎn)品結(jié)構(gòu)配置和使用工況相結(jié)合的產(chǎn)品性能用戶(hù)滿(mǎn)意度評(píng)價(jià)方法，從產(chǎn)品在線評(píng)論中獲取產(chǎn)品的使用環(huán)境和用戶(hù)的行為習(xí)慣，從這兩方面對(duì)使用工況形成約束，進(jìn)而分析產(chǎn)品結(jié)構(gòu)配置對(duì)性能滿(mǎn)意度的影響作用．

1.1?評(píng)論數(shù)據(jù)的獲取及預(yù)處理

根據(jù)網(wǎng)站反鏈數(shù)、活躍用戶(hù)數(shù)及網(wǎng)站構(gòu)建完備程度，選定目標(biāo)產(chǎn)品評(píng)論數(shù)據(jù)網(wǎng)站來(lái)源．編寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)代碼建立http鏈接，解析靜態(tài)頁(yè)面并獲取頁(yè)面內(nèi)容，爬取產(chǎn)品在線論壇用戶(hù)生成內(nèi)容及相應(yīng)產(chǎn)品信息．

從網(wǎng)頁(yè)爬取到的數(shù)據(jù)噪聲較多，存在冗余無(wú)價(jià)值數(shù)據(jù)，需要對(duì)其進(jìn)行過(guò)濾，降低噪音數(shù)據(jù)的干擾．對(duì)數(shù)據(jù)預(yù)分析發(fā)現(xiàn)，需要過(guò)濾掉的數(shù)據(jù)主要包括：①內(nèi)容為空的評(píng)論，用戶(hù)只填寫(xiě)了身份信息，保留了評(píng)論條目，但沒(méi)有實(shí)質(zhì)評(píng)論內(nèi)容，將其刪除；②某用戶(hù)多次重復(fù)評(píng)論，此類(lèi)數(shù)據(jù)重復(fù)統(tǒng)計(jì)會(huì)對(duì)真實(shí)結(jié)果造成“虛高”干擾，將重復(fù)內(nèi)容刪去，僅保留該用戶(hù)重復(fù)記錄中的一條作為存檔數(shù)據(jù)．

針對(duì)用戶(hù)評(píng)論口語(yǔ)化、碎片化、非結(jié)構(gòu)化的特點(diǎn)，采用自然語(yǔ)言處理技術(shù)，將評(píng)論數(shù)據(jù)轉(zhuǎn)為計(jì)算機(jī)可以識(shí)別的結(jié)構(gòu)化數(shù)據(jù)，主要包括復(fù)句切分、分詞、去無(wú)用詞和詞性標(biāo)注等．復(fù)句切分根據(jù)句號(hào)、感嘆號(hào)、問(wèn)號(hào)等斷句符進(jìn)行相應(yīng)粒度的切分；去除介詞、代詞、停用詞等，這些詞沒(méi)有實(shí)際意義，無(wú)法表示評(píng)論信息的特征；分詞和詞性標(biāo)注采用ICTCLAS分詞系統(tǒng)直接進(jìn)行．

1.2?神經(jīng)網(wǎng)絡(luò)模型的輸入

1.2.1?產(chǎn)品結(jié)構(gòu)配置獲取

用戶(hù)個(gè)性化需求促使手機(jī)、汽車(chē)等消費(fèi)品設(shè)計(jì)實(shí)現(xiàn)配置化．成熟產(chǎn)品的結(jié)構(gòu)配置獲取可先對(duì)影響產(chǎn)品性能的結(jié)構(gòu)部件進(jìn)行分類(lèi)整理，再根據(jù)產(chǎn)品設(shè)計(jì)說(shuō)明書(shū)，將各結(jié)構(gòu)的設(shè)計(jì)參數(shù)摘選對(duì)應(yīng)，作為神經(jīng)網(wǎng)絡(luò)映射模型的一部分輸入數(shù)據(jù)．

1.2.2?產(chǎn)品使用工況識(shí)別

產(chǎn)品使用工況識(shí)別主要通過(guò)用戶(hù)網(wǎng)絡(luò)評(píng)論內(nèi)容的提取、聚類(lèi)獲得．借助領(lǐng)域本體詞庫(kù)去除評(píng)論中和產(chǎn)品屬性相關(guān)的詞匯，對(duì)剩余詞匯進(jìn)行語(yǔ)義聚類(lèi)，采用K-means聚類(lèi)算法，將詞語(yǔ)轉(zhuǎn)換為詞頻矩陣，計(jì)算每個(gè)詞語(yǔ)的TF-IDF權(quán)值，然后再進(jìn)行聚類(lèi)．通過(guò)比較不同預(yù)設(shè)類(lèi)別的中心距離，取該值最小時(shí)的類(lèi)別作為最終分類(lèi)方法．最后使用PCA算法進(jìn)行數(shù)據(jù)降維，將高維空間數(shù)據(jù)投影到低維空間上，輸出圖形并進(jìn)行特征對(duì)應(yīng)．將聚類(lèi)的結(jié)果整理為產(chǎn)品使用工況的統(tǒng)一表達(dá)，作為神經(jīng)網(wǎng)絡(luò)映射模型的另一部分輸入數(shù)據(jù)．

1.3?神經(jīng)網(wǎng)絡(luò)模型的輸出

用戶(hù)在線產(chǎn)品評(píng)論一般有兩種形式：等級(jí)/星級(jí)評(píng)分和自主評(píng)論內(nèi)容．產(chǎn)品性能滿(mǎn)意度評(píng)價(jià)綜合二者，一方面通過(guò)算法直接爬取每位用戶(hù)對(duì)當(dāng)前產(chǎn)品的滿(mǎn)意度評(píng)分，另一方面借助自然語(yǔ)言處理技術(shù)對(duì)用戶(hù)評(píng)論內(nèi)容進(jìn)行文本情感計(jì)算，對(duì)評(píng)分進(jìn)行小幅修正．

1.3.1?用戶(hù)評(píng)論文本情感傾向識(shí)別與量化

用戶(hù)評(píng)論基于用戶(hù)日常使用習(xí)慣而自主發(fā)表的體驗(yàn)感受，情感較為真實(shí)可靠．由于本文分析的內(nèi)容源于用戶(hù)評(píng)論，因此采用專(zhuān)門(mén)針對(duì)中文文本挖掘的SnowNLP類(lèi)庫(kù)，使用其中的情感分析(sentiment)模塊來(lái)判斷評(píng)論語(yǔ)句的情感傾向，情感分值是指該句情感指向?yàn)檎母怕剩甋entiment模塊基于貝葉斯分類(lèi)器進(jìn)行訓(xùn)練，原算法訓(xùn)練數(shù)據(jù)語(yǔ)料庫(kù)主要是購(gòu)物評(píng)價(jià)，兼容性一般，需要人工構(gòu)建研究相關(guān)領(lǐng)域的情感語(yǔ)料庫(kù)，經(jīng)專(zhuān)家審核合格后補(bǔ)充或替換通用語(yǔ)料庫(kù)，調(diào)用sentiment.train函數(shù)訓(xùn)練新的情感分類(lèi)器，以提升準(zhǔn)確度．

隨機(jī)抽取評(píng)論數(shù)據(jù)10%的條目作為測(cè)試語(yǔ)料，人工進(jìn)行情感正負(fù)標(biāo)定，-1表示貶義，1表示褒義．對(duì)語(yǔ)料庫(kù)進(jìn)行訓(xùn)練，保存訓(xùn)練結(jié)果．遍歷每條評(píng)論進(jìn)行預(yù)測(cè)，情感為正的概率大于等于0.6，判斷為積極情感，標(biāo)簽賦為1；概率小于0.6的判斷為消極情感，標(biāo)簽賦為-1．將預(yù)測(cè)標(biāo)簽和人工實(shí)際標(biāo)定標(biāo)簽進(jìn)行比較，計(jì)算情感標(biāo)定的精確率、召回率和F1值等指標(biāo)，判斷訓(xùn)練好的情感分類(lèi)器的準(zhǔn)確度，目前基于在線評(píng)論文本的情感傾向性分析的準(zhǔn)確率最高能達(dá)到90%以上．

1.3.2?產(chǎn)品性能滿(mǎn)意度評(píng)分

用戶(hù)對(duì)產(chǎn)品性能的滿(mǎn)意度評(píng)分由選擇等級(jí)分和文本修正分兩部分組成．多數(shù)產(chǎn)品評(píng)論和論壇使用李克特量表打分法，以1～5分整數(shù)預(yù)設(shè)等級(jí)評(píng)分，分別代表非常不滿(mǎn)意、不滿(mǎn)意、不確定、滿(mǎn)意和非常滿(mǎn)意；情感分類(lèi)模型判斷評(píng)論語(yǔ)句的結(jié)果是情感指向?yàn)檎母怕?，將概率值按比例調(diào)整為[－1，1]之間，定義為用戶(hù)對(duì)產(chǎn)品的滿(mǎn)意度修正分．最終，將用戶(hù)選擇等級(jí)評(píng)分和滿(mǎn)意度修正分求和，形成每位用戶(hù)的滿(mǎn)意度綜合評(píng)分，作為神經(jīng)網(wǎng)絡(luò)的輸出項(xiàng)．

(1)

1.4?基于神經(jīng)網(wǎng)絡(luò)的性能滿(mǎn)意度預(yù)測(cè)模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)是由Rumelhart等[17]提出的一種有監(jiān)督的、按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有高度非線性映射能力和較好的容錯(cuò)能力，適用于多結(jié)構(gòu)特征參數(shù)、影響因素復(fù)雜、存在非線性關(guān)系等研究場(chǎng)景．因此，本文選用BP神經(jīng)網(wǎng)絡(luò)建立產(chǎn)品性能影響參數(shù)和用戶(hù)滿(mǎn)意度評(píng)價(jià)間的映射關(guān)系模型．

神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱含層和輸出層組成．輸入層需要以數(shù)字形式表示，為減小由輸入量綱不統(tǒng)一造成的模型訓(xùn)練誤差，對(duì)所有輸入變量采用one-hot形式編碼，便于模型有效處理離散數(shù)據(jù)，且較大程度上擴(kuò)充了特征維度．隱含層數(shù)量不固定，依實(shí)際情況選取，當(dāng)模型具有較好的函數(shù)逼近功能時(shí)，為簡(jiǎn)化結(jié)構(gòu)、提升計(jì)算效率，取隱含層數(shù)較少的設(shè)計(jì)模型．隱含層神經(jīng)元數(shù)量的經(jīng)驗(yàn)公式為

(2)

1.5?基于預(yù)測(cè)仿真的性能滿(mǎn)意度分析

在較好的預(yù)測(cè)模型基礎(chǔ)上，可實(shí)現(xiàn)所有影響因素的全因子組合滿(mǎn)意度預(yù)測(cè)，以預(yù)測(cè)評(píng)分作為試驗(yàn)響應(yīng)，分析影響產(chǎn)品性能滿(mǎn)意度的關(guān)鍵因子．根據(jù)用戶(hù)實(shí)際情況，歸納典型使用工況，分析產(chǎn)品結(jié)構(gòu)配置的關(guān)鍵因子及其交互效應(yīng)，對(duì)產(chǎn)品性能的增強(qiáng)設(shè)計(jì)有一定的參考價(jià)值．

2?汽車(chē)動(dòng)力性性能滿(mǎn)意度預(yù)測(cè)實(shí)例

2.1?神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)準(zhǔn)備

2.1.1?汽車(chē)評(píng)論數(shù)據(jù)獲取及預(yù)處理

汽車(chē)之家(https：//www.autohome.com.cn/)是全球訪問(wèn)量最大的汽車(chē)網(wǎng)站，致力于通過(guò)產(chǎn)品服務(wù)、數(shù)據(jù)技術(shù)、生態(tài)規(guī)則和資源為用戶(hù)和客戶(hù)賦能．其中，口碑頻道供認(rèn)證車(chē)主發(fā)帖評(píng)車(chē)，可對(duì)汽車(chē)的空間、動(dòng)力、操控、油耗等方面進(jìn)行自主打分和評(píng)價(jià)．目前，該頻道已有2000多款熱門(mén)車(chē)型，口碑?dāng)?shù)據(jù)超73×104條，數(shù)據(jù)量較為豐富，且板塊相對(duì)固定，結(jié)構(gòu)化程度較好．本文選取該頻道(7～25)×1045座SUV車(chē)型為研究對(duì)象，獲得176款車(chē)型193311條用戶(hù)評(píng)論數(shù)據(jù)，主要包括用戶(hù)ID/用戶(hù)名、車(chē)型數(shù)據(jù)、評(píng)論內(nèi)容、滿(mǎn)意度評(píng)分等．對(duì)數(shù)據(jù)進(jìn)行清洗降噪、長(zhǎng)句切分、分詞等文本預(yù)處理操作，每位用戶(hù)獲得唯一的存儲(chǔ)條目.

2.1.2?BP模型的輸入/輸出數(shù)據(jù)準(zhǔn)備

常見(jiàn)的用于試驗(yàn)測(cè)量中評(píng)價(jià)汽車(chē)動(dòng)力性的指標(biāo)分別是最高車(chē)速、加速時(shí)間和最大爬坡度[19]．對(duì)上述三者有直接影響關(guān)系的產(chǎn)品結(jié)構(gòu)為發(fā)動(dòng)機(jī)和變速箱．通過(guò)查閱《汽車(chē)設(shè)計(jì)手冊(cè)》、《汽車(chē)總體設(shè)計(jì)》、《汽車(chē)設(shè)計(jì)基礎(chǔ)》等標(biāo)準(zhǔn)和手冊(cè)，考慮到實(shí)際車(chē)輛結(jié)構(gòu)配置和各要素間的相互影響作用，將汽車(chē)動(dòng)力性能的結(jié)構(gòu)要素分為4類(lèi)，分別為發(fā)動(dòng)機(jī)排量、進(jìn)氣方式、驅(qū)動(dòng)數(shù)量、變速箱類(lèi)型．由于不同車(chē)型之間各要素存在顯著差異，購(gòu)車(chē)價(jià)格也是較為關(guān)鍵的約束因素，故而將價(jià)格也納入產(chǎn)品結(jié)構(gòu)要素當(dāng)中．通過(guò)對(duì)車(chē)型數(shù)據(jù)的爬取，可以直接獲得待研究車(chē)型各項(xiàng)詳細(xì)結(jié)構(gòu)配置參數(shù)．通過(guò)對(duì)用戶(hù)動(dòng)力性評(píng)價(jià)內(nèi)容文本聚類(lèi)，獲得影響車(chē)輛動(dòng)力性能的3項(xiàng)使用環(huán)境條件和2項(xiàng)用戶(hù)行車(chē)習(xí)慣．表1所示為神經(jīng)網(wǎng)絡(luò)的輸入．

動(dòng)力性性能的滿(mǎn)意度評(píng)分由用戶(hù)在評(píng)論時(shí)選擇的情感星級(jí)和評(píng)論文本情感修正分加和所得．用戶(hù)評(píng)論時(shí)預(yù)先選擇的情感星級(jí)統(tǒng)計(jì)如表2所示，由于選擇車(chē)型配置時(shí)根據(jù)實(shí)際需求進(jìn)行匹配，對(duì)車(chē)輛動(dòng)力性的實(shí)際效果滿(mǎn)意度得分普遍偏高，差異性極小，4分和5分兩項(xiàng)之和占比超過(guò)90%，滿(mǎn)意度結(jié)果存在較大的不平衡性．對(duì)于分類(lèi)預(yù)測(cè)模型，訓(xùn)練樣本數(shù)目差別較大會(huì)直接影響訓(xùn)練的效果，不利于構(gòu)建良好的學(xué)習(xí)模型，因此可結(jié)合評(píng)論內(nèi)容的情感分析對(duì)不均衡類(lèi)別進(jìn)行縮放處理．

構(gòu)建汽車(chē)領(lǐng)域情感詞語(yǔ)料庫(kù)采用SnowNLP-sentiment模塊訓(xùn)練情感分類(lèi)器，經(jīng)測(cè)試精確率為0.906、召回率為0.910、F1值為0.908，效果相對(duì)較好，可用于汽車(chē)評(píng)論情感預(yù)測(cè)分析．調(diào)用情感計(jì)算模型，判斷整條評(píng)論情感指向?yàn)檎母怕剩怕手捣秶荹0，1]之間的小數(shù)，將其按式(3)延拓至[－1，1]區(qū)間，得到滿(mǎn)意度修正分

表1?動(dòng)力性性能影響因素

Tab.1?Factors affecting the product performance

表2?各級(jí)評(píng)分頻次占比

Tab.2?Scoring frequency at different levels

(3)

2.2?性能影響因素和滿(mǎn)意度評(píng)價(jià)映射模型的構(gòu)建

不同代系車(chē)型的動(dòng)力性結(jié)構(gòu)要素很少改變，因此樣本集包括176款車(chē)型926種各異結(jié)構(gòu)要素組合．將訓(xùn)練樣本集和測(cè)試樣本集按照9∶1比例設(shè)置，共獲得833個(gè)訓(xùn)練樣本和93個(gè)測(cè)試樣本．采用TensorFlow神經(jīng)網(wǎng)絡(luò)框架實(shí)現(xiàn)算法，利用訓(xùn)練樣本集中的數(shù)據(jù)進(jìn)行模型訓(xùn)練，將訓(xùn)練好的模型應(yīng)用于測(cè)試樣本集，映射各項(xiàng)性能影響參數(shù)和用戶(hù)滿(mǎn)意度評(píng)價(jià)間的關(guān)系，具體步驟如下．

表3?修正后各級(jí)評(píng)分頻次占比

Tab.3?Scoring frequency at different levels after adjusting

(1) 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型．汽車(chē)動(dòng)力性影響因素和用戶(hù)滿(mǎn)意度評(píng)分的神經(jīng)網(wǎng)絡(luò)映射預(yù)測(cè)模型如圖2所示，模型中輸入層分別為5項(xiàng)產(chǎn)品結(jié)構(gòu)配置、3項(xiàng)使用環(huán)境和2項(xiàng)用戶(hù)習(xí)慣因素，經(jīng)one-hot形式編碼后神經(jīng)元數(shù)量為44；輸出層為用戶(hù)對(duì)該項(xiàng)性能的滿(mǎn)意度評(píng)價(jià)得分，神經(jīng)元數(shù)量為10；經(jīng)過(guò)模型訓(xùn)練試驗(yàn)，確定隱含層神經(jīng)元數(shù)量為15．

圖2?性能滿(mǎn)意度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

(2) 訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型．讀取訓(xùn)練樣本集中的性能影響參數(shù)one-hot編碼作為神經(jīng)網(wǎng)絡(luò)模型的輸入，用戶(hù)滿(mǎn)意度綜合評(píng)分類(lèi)別one-hot編碼作為神經(jīng)網(wǎng)絡(luò)模型的輸出，調(diào)整各項(xiàng)參數(shù)訓(xùn)練模型，經(jīng)多次嘗試，最終模型的參數(shù)設(shè)置如表4所示．

2.3?神經(jīng)網(wǎng)絡(luò)測(cè)試與結(jié)果分析

保存訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，再次讀取測(cè)試樣本集中的性能影響參數(shù)one-hot編碼，通過(guò)前饋計(jì)算得到用戶(hù)滿(mǎn)意度評(píng)分預(yù)測(cè)值．圖3中藍(lán)色條線表示測(cè)試集中各分值的真實(shí)情況，紅色條線表示模型預(yù)測(cè)結(jié)果，若兩類(lèi)一致，表示模型泛化能力極好．采用本文構(gòu)建的性能影響因素模型，綜合產(chǎn)品結(jié)構(gòu)配置和使用工況條件，滿(mǎn)意度評(píng)分修正后，經(jīng)訓(xùn)練，對(duì)汽車(chē)動(dòng)力性10類(lèi)分值預(yù)測(cè)結(jié)果準(zhǔn)確性可穩(wěn)定于0.93．預(yù)測(cè)結(jié)果與實(shí)際結(jié)果較為相符，表明此模型實(shí)際訓(xùn)練效果較好，可對(duì)汽車(chē)動(dòng)力性數(shù)據(jù)集進(jìn)行性能滿(mǎn)意度預(yù)測(cè)．

表4?神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練參數(shù)

Tab.4 Training parameters of the neural network pre-diction model

圖3?神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果(測(cè)試集：10類(lèi))

綜合比較多種方法，表明對(duì)汽車(chē)動(dòng)力性用戶(hù)滿(mǎn)意度評(píng)分進(jìn)行預(yù)測(cè)，BP神經(jīng)網(wǎng)絡(luò)建模效果優(yōu)于回歸模型，分類(lèi)效果優(yōu)于模擬效果．利用神經(jīng)網(wǎng)絡(luò)模型構(gòu)建由產(chǎn)品性能影響因素到用戶(hù)滿(mǎn)意度評(píng)分等級(jí)的映射模型，經(jīng)訓(xùn)練獲得了較高的預(yù)測(cè)準(zhǔn)確率，表明此種方案可行，模型具有較好的泛化能力．

圖4?測(cè)試集動(dòng)力性滿(mǎn)意度預(yù)測(cè)結(jié)果對(duì)比

3?典型工況下的產(chǎn)品結(jié)構(gòu)配置優(yōu)化分析

產(chǎn)品性能增強(qiáng)設(shè)計(jì)主要指以產(chǎn)品設(shè)計(jì)早期的設(shè)計(jì)過(guò)程為脈絡(luò)，提取和識(shí)別產(chǎn)品期望性能，通過(guò)對(duì)產(chǎn)品單元適應(yīng)性規(guī)劃求解，得到行為性能均衡的單元方案，通過(guò)預(yù)測(cè)技術(shù)對(duì)設(shè)計(jì)方案的關(guān)鍵性能參數(shù)進(jìn)行評(píng)估，實(shí)現(xiàn)以性能為目標(biāo)的設(shè)計(jì)演化，從而增強(qiáng)產(chǎn)品的性能[20]．基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)功能，將性能結(jié)構(gòu)影響因素分類(lèi)，對(duì)所有因素、所有水平組合全部實(shí)施預(yù)測(cè)，按照相應(yīng)滿(mǎn)意度輸出對(duì)方案進(jìn)行評(píng)估和篩選，以獲得典型使用工況下的產(chǎn)品配置優(yōu)化組合方案．在此基礎(chǔ)上深入挖掘產(chǎn)品結(jié)構(gòu)要素中的關(guān)鍵因子，從而對(duì)產(chǎn)品的配置組合和參數(shù)優(yōu)化形成參考．

3.1?結(jié)構(gòu)配置組合方案試驗(yàn)設(shè)計(jì)

表1產(chǎn)品結(jié)構(gòu)要素共5項(xiàng)，每項(xiàng)依實(shí)際情況取不同水平，方案如下：①排量取8水平，分別為1.2、1.3、1.4、1.5、1.6、1.8、2.0和2.5L；②進(jìn)氣方式取2水平，分別為渦輪增壓和自然吸氣；③驅(qū)動(dòng)數(shù)量取2水平，分別為兩驅(qū)和四驅(qū)；④變速箱類(lèi)型取5水平，分別為MT、AT、CVT、DCT和AMT；⑤價(jià)格取10水平，分別為7、9、11、13、15、17、19、21、23和25萬(wàn)元．對(duì)各項(xiàng)因子及水平進(jìn)行全因子試驗(yàn)設(shè)計(jì)，使用Minitab軟件進(jìn)行全實(shí)施方案設(shè)計(jì)，共生成1600條試驗(yàn)方案．根據(jù)當(dāng)前車(chē)型統(tǒng)計(jì)結(jié)果及運(yùn)動(dòng)型實(shí)用汽車(chē)設(shè)計(jì)知識(shí)，價(jià)格和排量、排量和進(jìn)氣方式有相互影響作用，需要將試驗(yàn)方案中不合理方案剔除，原則如下：①價(jià)格高于20萬(wàn)元的車(chē)型排量大于2.0L；②價(jià)格低于15萬(wàn)元的車(chē)型排量小于等于2.0L；③排量大于等于2.0L進(jìn)氣方式為自然吸氣；④排量小于等于1.4L進(jìn)氣方式為渦輪增壓；⑤排量大于等于2.5L驅(qū)動(dòng)數(shù)量均為四驅(qū)；⑥排量小于等于1.3L驅(qū)動(dòng)數(shù)量均為兩驅(qū)．經(jīng)剔除，結(jié)構(gòu)配置方案剩余310條．

3.2?典型工況試驗(yàn)方案滿(mǎn)意度評(píng)估優(yōu)化

基于Apriori算法，對(duì)用戶(hù)評(píng)論內(nèi)容進(jìn)行關(guān)聯(lián)規(guī)則挖掘，在預(yù)設(shè)最小支持度0.2和最小置信度0.5下獲得對(duì)應(yīng)的強(qiáng)關(guān)聯(lián)規(guī)則，如表5所示，如置信度第1行表示用戶(hù)對(duì)城市道路進(jìn)行描述后，62.7%的可能性會(huì)對(duì)起步性能進(jìn)行表達(dá)．

表5?汽車(chē)使用工況關(guān)聯(lián)規(guī)則

Tab.5?Association rules of driving scenes

結(jié)合用戶(hù)日常行車(chē)習(xí)慣，構(gòu)建產(chǎn)品使用典型場(chǎng)景．城市路況下主要以日常通勤為主，約1～2人乘坐，夏季需要空調(diào)設(shè)備，對(duì)交通燈響應(yīng)較為關(guān)注，起步階段需要敏捷迅速；高速路況多用于全家探親、自駕游，小長(zhǎng)假期間居多，在勻速階段行駛較多；鄉(xiāng)村路況多用于短途出行，山路坑洼較多時(shí)需要配合較重的油門(mén)加速使用．基于上述用戶(hù)用車(chē)習(xí)慣描述，構(gòu)建了5種汽車(chē)使用典型場(chǎng)景，借助BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行5次310種組合方案的性能滿(mǎn)意度預(yù)測(cè)，取預(yù)測(cè)分值最高的結(jié)構(gòu)配置方案作為設(shè)計(jì)參考，如表6所示．

3.3?產(chǎn)品結(jié)構(gòu)配置方案因子分析

經(jīng)由神經(jīng)網(wǎng)絡(luò)進(jìn)行性能滿(mǎn)意度預(yù)測(cè)，提取相應(yīng)較優(yōu)方案，但是方案間的內(nèi)在聯(lián)系仍然不太明晰．借助因子分析方法，識(shí)別關(guān)鍵因子及其相互作用效應(yīng)．將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果作為響應(yīng)，繪制單項(xiàng)因子主效應(yīng)圖，以第1種使用場(chǎng)景下以排量和驅(qū)動(dòng)數(shù)量為例，如圖5所示．排量在1.5L時(shí)預(yù)測(cè)性能滿(mǎn)意度最高，1.2L、2.0L和2.5L時(shí)滿(mǎn)意度相對(duì)較低；驅(qū)動(dòng)數(shù)量為四驅(qū)的滿(mǎn)意度略高于兩驅(qū)，二者有輕微差異．斜率表示該項(xiàng)因素的變動(dòng)對(duì)滿(mǎn)意度影響效應(yīng)的大小，斜率越大，影響作用越強(qiáng)．由此得出，排量的改變對(duì)滿(mǎn)意度影響作用較大，而驅(qū)動(dòng)數(shù)量的選擇對(duì)滿(mǎn)意度影響較小，實(shí)際設(shè)計(jì)可以不作為重要因素進(jìn)行考量．

表6?高滿(mǎn)意度結(jié)構(gòu)配置方案

Tab.6?Structural parameter allocation with high satisfaction

注：表中“無(wú)”表示此類(lèi)無(wú)明顯偏好特征.

對(duì)關(guān)鍵因子進(jìn)行兩兩交互分析，作交互作用圖，如圖6所示，若圖線交叉角度越大，表示二者交互作用明顯，若平行則表示沒(méi)有交互作用．1.2L和1.3L排量驅(qū)動(dòng)數(shù)量均為兩驅(qū)，2.5L排量驅(qū)動(dòng)數(shù)量只有四驅(qū)，因此沒(méi)有連接線，只是孤立的點(diǎn)值．當(dāng)排量取1.8L時(shí)，與其他圖線有著明顯的交互作用，意味著此種環(huán)境和工況下，增加驅(qū)動(dòng)數(shù)量反而不利于提升用戶(hù)對(duì)車(chē)輛動(dòng)力性的滿(mǎn)意度，此時(shí)就不能直接按照主效應(yīng)圖進(jìn)行配置選擇，需要以交互作用圖進(jìn)行參考．

在不同的使用工況下，借助結(jié)構(gòu)全因子組合對(duì)產(chǎn)品性能的滿(mǎn)意度進(jìn)行預(yù)估，獲得各項(xiàng)因子對(duì)性能滿(mǎn)意度的影響方式和因子間相互作用效應(yīng)，對(duì)產(chǎn)品性能增強(qiáng)設(shè)計(jì)具有一定的補(bǔ)充和輔助參考價(jià)值．

圖5?滿(mǎn)意度評(píng)分主效應(yīng)圖

圖6?滿(mǎn)意度評(píng)分交互作用圖

4?結(jié)?語(yǔ)

隨著移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，用戶(hù)可以隨時(shí)隨地通過(guò)產(chǎn)品在線論壇分享自己對(duì)產(chǎn)品的使用體驗(yàn)和情感傾向．通過(guò)對(duì)用戶(hù)體驗(yàn)數(shù)據(jù)的深入挖掘，可以為產(chǎn)品性能設(shè)計(jì)和改進(jìn)提供新的思路．本文以性能滿(mǎn)意度為輸出目標(biāo)，逆向回溯影響產(chǎn)品性能的重要因素，將產(chǎn)品結(jié)構(gòu)配置和使用工況設(shè)為輸入，借助BP神經(jīng)網(wǎng)絡(luò)，構(gòu)造了性能影響因素和滿(mǎn)意度評(píng)價(jià)間的映射模型，實(shí)現(xiàn)了產(chǎn)品配置方案的用戶(hù)滿(mǎn)意度預(yù)測(cè)，并以汽車(chē)動(dòng)力性能進(jìn)行了實(shí)例驗(yàn)證．進(jìn)而結(jié)合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)影響產(chǎn)品性能的因素進(jìn)行合理的配置方案組合滿(mǎn)意度預(yù)測(cè)，分析各項(xiàng)因子的影響效應(yīng)，挖掘影響用戶(hù)滿(mǎn)意度的關(guān)鍵結(jié)構(gòu)因子．

本文用戶(hù)數(shù)據(jù)來(lái)源于汽車(chē)之家口碑板塊，網(wǎng)站設(shè)置用戶(hù)單項(xiàng)性能評(píng)分取1～5的整數(shù)得分，滿(mǎn)意度得分普遍偏高，差異性較小．經(jīng)文本情感修正后，分?jǐn)?shù)區(qū)間擴(kuò)大，各級(jí)均衡性有所提升．

［1］ Berman B. Should your firm adopt a mass customization strategy?[J]. Business Horizons，2002，45(4)：51-56.

［2］ 邢德強(qiáng). 復(fù)雜機(jī)械產(chǎn)品性能驅(qū)動(dòng)設(shè)計(jì)方法及其典型應(yīng)用研究[D]. 天津：天津大學(xué)機(jī)械工程學(xué)院，2010.

Xing Deqiang. Study on Method of Performance Driving Design for Complex Mechanical Product and Typical Application[D]. Tianjin：School of Mechanical Engineering，Tianjin University，2010(in Chinese).

［3］ Nikolaidis E，Long L，Qi L. Neural networks and response surface polynomials for design of vehicle joints[J]. Computers & Structures，2000，75(6)：593-607.

［4］ Xu K，Xie M，Tang L C，et al. Application of neural networks in forecasting engine systems reliability[J]. Applied Soft Computing Journal，2003，2(4)：255-268.

［5］ Nada O A，Elmaraghy H A，Elmaraghy W H. Quality prediction in manufacturing system design[J]. Journal of Manufacturing Systems，2006，25(3)：153-171.

［6］ 劉振宇，周思杭，譚建榮，等. 基于多準(zhǔn)則修正的產(chǎn)品性能多參數(shù)關(guān)聯(lián)分析與預(yù)測(cè)方法[J]. 機(jī)械工程學(xué)報(bào)，2013，49(15)：105-114.

Liu Zhenyu，Zhou Sihang，Tan Jianrong，et al. Multiple parameters correlation analysis and prediction method of product performance based on multi-criteria modification[J]Journal of Mechanical Engineering，2013，49(15)：105-114(in Chinese).

［7］ 崔文華，劉曉冰，王?偉，等. 基于遞階支持向量機(jī)的產(chǎn)品族配置性能預(yù)測(cè)[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2013，19(8)：2000-2006.

Cui Wenhua，Liu Xiaobing，Wang Wei，et al. Configuration performance predication method of product family based on hierarchical support vector machine[J]. Computer Integrated Manufacturing Systems，2013，19(8)：2000-2006(in Chinese).

［8］ Williams P，Naumann E. Customer satisfaction and business performance：A firm‐level analysis[J]. Journal of Services Marketing，2011，25(1)：20-32.

［9］ 范志君，姜兆亮，李?智. 基于性能滿(mǎn)意度的產(chǎn)品配置與變型設(shè)計(jì)范圍界定算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(8)：198-204.

Fan Zhijun，Jiang Zhaoliang，Li Zhi. Product configuration and variant design’s scope definition algorithm based on customers’ performance satisfaction[J]. Transactions of the Chinese Society for Agricultural Machinery，2012，43(8)：198-204(in Chinese).

［10］ 李偉英，韋元升. 基于用戶(hù)滿(mǎn)意度的某手動(dòng)檔車(chē)型換檔性能優(yōu)化[J]. 時(shí)代汽車(chē)，2017(12)：71-73.

Li Weiying，Wei Yuansheng. Shift performance optimization of a manual gear vehicle based on user satisfaction[J]. Auto Time，2017(12)：71-73(in Chinese).

［11］ 楊德清，張?靜，郭?偉，等. 基于在線產(chǎn)品社區(qū)的動(dòng)態(tài)用戶(hù)需求Kano模型構(gòu)建研究[J]. 機(jī)械設(shè)計(jì)，2018，35(3)：12-19.

Yang Deqing，Zhang Jing，Guo Wei，et al. Research on dynamic Kano model construction of customer requirements based on online product community[J]. Journal of Machine Design，2018，35(3)：12-19(in Chinese).

［12］ 范煒昊，徐?健. 基于網(wǎng)絡(luò)用戶(hù)評(píng)論情感計(jì)算的用戶(hù)痛點(diǎn)分析——以手機(jī)評(píng)論為例[J]. 情報(bào)理論與實(shí)踐，2018(1)：94-99.

Fan Weihao，Xu Jian. Users' pain-point analysis based on the sentiment calculation of web users' comments：Taking cell phone comments as examples[J]. Information Studies：Theory & Application，2018(1)：94-99(in Chinese).

［13］ 劉?丹，張玉紅，閆相斌. 在線評(píng)論的產(chǎn)品缺陷識(shí)別方法[J]. 黑龍江科技大學(xué)學(xué)報(bào)，2017，27(6)：698-704.

Liu Dan，Zhang Yuhong，Yan Xiangbin. Product defect recognition method for online reviews[J]. Journal of Heilongjiang University of Science and Technology，2017，27(6)：698-704(in Chinese).

［14］ 張?璐，吳菲菲，黃魯成. 基于用戶(hù)網(wǎng)絡(luò)評(píng)論信息的產(chǎn)品創(chuàng)新研究[J]. 軟科學(xué)，2015，29(5)：12-16.

Zhang Lu，Wu Feifei，Huang Lucheng. Research on product innovation based on online user reviews[J]. Soft Science，2015，29(5)：12-16(in Chinese).

［15］ Zhang Hui，Rao Huguang，F(xiàn)eng Junzheng. Product innovation based on online review data mining：A case study of Huawei phones[J]. Electronic Commerce Research，2018(3)：3-22.

［16］ Nikumanesh E，Bohlouli M，F(xiàn)athi M. Knowledge discovery from online customer reviews towards product improvement[C]//13th International Conference Applied Computing 2016 Proceedings. Germany，2016：211-214.

［17］ Rumelhart D E，Hinton G E，Williams R J. Learning representations by back-propagating errors[J]. Nature，1986，323(6088)：399-421.

［18］ 李少波，全華鳳，胡建軍，等. 基于在線評(píng)論數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品感性評(píng)價(jià)方法[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2018，24(3)：752-762.

Li Shaobo，Quan Huafeng，Hu Jianjun，et al. Perceptual evaluation method of products based on online reviews data driven[J]. Computer Integrated Manufacturing Systems，2018，24(3)：752-762(in Chinese).

［19］ 何?勇，張學(xué)利. 汽車(chē)動(dòng)力性現(xiàn)狀分析[J]. 公路交通科技，2001，4(2)：74-77

He Yong，Zhang Xueli. Current status analysis of dynamic performance of motor vehicle[J]. Journal of Highway and Transportation Research and Develop-ment，2001，4(2)：74-77(in Chinese).

［20］ 鄭?浩. 不確定條件下復(fù)雜產(chǎn)品性能增強(qiáng)設(shè)計(jì)理論、方法及其應(yīng)用研究[D]. 杭州：浙江大學(xué)機(jī)械工程學(xué)院，2017.

Zheng Hao. Research on the Theory，Method and Application of Performance Enhancement Design for Complex Product Under Uncertain Conditions[D]. Hangzhou：School of Mechanical Engineering，Zhejiang University，2017(in Chinese).

Prediction and Analysis of Product Performance Satisfaction Based on Backpropagation Neural Network

Shao Hongyu1，Meng Qi1，Zhao Nan1, 2，Chen Chen1，Guo Wei1

(1. Key Laboratory of Mechanism Theory and Equipment Design of Ministry of Education，School of Mechanical Engineering，Tianjin University，Tianjin 300354，China； 2. School of Mechanical Engineering，Tianjin University of Technology and Education，Tianjin 300222，China)

This study proposes a predictive analytical model of product performance satisfaction degree driven by user experience feedback data to solve problems such as the lack of complex environmental elements and overlooking of users’ individual behavior in conventional product performance designs. Online feedback data were analyzed to obtain the user satisfaction degree after using a product. Based on the user satisfaction index，a neural network model was developed by mapping the product structural configurations and actual operating conditions to performance satisfaction degree for analyzing the factors and modes that influence the performance. First，structural configuration elements relevant to product performance were gathered from the concepts of domain ontology and product user manuals. Second，actual use conditions，including practical environmental conditions and individual behaviors，were collected by identifying the fine grit of feedback content using natural language processing with users’ online feedback after perceiving the product properties as the data resource. The satisfaction rating for a specific performance was determined by adding marks of positive or negative emotional inclination on users’ online feedback content using emotion analysis technique for rating products that users have independently selected. Third，a backpropagation (BP)neural network model was built by mapping structural configuration elements，practical environmental conditions，and individual behaviors to performance satisfaction degree. After training，the model depicted good predictive function to provide new configurations and predict satisfaction rating under various use conditions. User satisfaction degree was predicted for various structural configurations to analyze the key influence factors and the effect of the interaction of these factors. The vehicle dynamic quality was considered as the example to test the model，to provide reference and help for the design and improvement of automobile dynamic performance index.

performance satisfaction；BP neural network；prediction model；opinion mining；structure configuration；factor analysis

National Key Research and Development Projects(No.2017YFB1104202)，the Major Program of China Social Science Foundation (No.16AZD004)，the Tianjin Binhai Industrial Cloud Public Service Platform and Application Promotion Project.

TP391.1；TH122；TH166；U471.22

A

0493-2137(2019)09-0932-09

2018-09-17；

2018-12-03.

邵宏宇（1971—），男，博士，副教授，shaohongyu@tju.edu.cn.

郭?偉，wguo@tju.edu.cn.

國(guó)家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2017YFB1104202)；中國(guó)社會(huì)科學(xué)基金重點(diǎn)項(xiàng)目(16AZD004)；工信部天津?yàn)I海工業(yè)云公共服務(wù)平臺(tái)及應(yīng)用推廣項(xiàng)目．

10.11784/tdxbz201809052

(責(zé)任編輯：金順愛(ài))