基于網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)的產(chǎn)品感性意象無偏差設(shè)計(jì)方法

林 麗 張?jiān)汽d 牛亞峰 陽明慶

(1貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 貴陽550025) (2貴州大學(xué)機(jī)械工程學(xué)院， 貴陽550025)(3東南大學(xué)機(jī)械工程學(xué)院， 南京211189)

隨著生產(chǎn)力的提高,消費(fèi)者選購產(chǎn)品已傾向于綜合考慮產(chǎn)品各方面特性是否滿足自身訴求.鑒于產(chǎn)品所引發(fā)的情感體驗(yàn)可增強(qiáng)產(chǎn)品購買、擁有及使用意愿[1],產(chǎn)品不僅要求可靠性好、質(zhì)量高,更應(yīng)通過感性意象設(shè)計(jì),引發(fā)良好的情感體驗(yàn),從而滿足用戶精神需求并提高消費(fèi)者滿意度[2].

為此,學(xué)者們從不同視角提出了感性意象設(shè)計(jì)方法，其中以感性工學(xué)方法最為成熟，可將消費(fèi)者對產(chǎn)品的感受及感性意象融入新產(chǎn)品的開發(fā)中[3].Wang等[4]以數(shù)碼相機(jī)外形為研究對象,使用分類樹將產(chǎn)品特征細(xì)分結(jié)果與產(chǎn)品風(fēng)格相關(guān)聯(lián),提出了實(shí)現(xiàn)產(chǎn)品差異化的特征組合方法;Shieh等[5]以花瓶外形為研究對象,將花瓶輪廓曲線參數(shù)化,使用支持向量回歸建立形態(tài)參數(shù)與情感反應(yīng)之間的關(guān)系,構(gòu)建了基于多目標(biāo)進(jìn)化算法的混合感性工學(xué)模型,用于指導(dǎo)新設(shè)計(jì)；Hsiao等[6]對咖啡機(jī)特征進(jìn)行分解并計(jì)算了各個(gè)特征對感性意象的貢獻(xiàn)度,結(jié)合遺傳算法構(gòu)建了產(chǎn)品感性意象設(shè)計(jì)輔助程序.通過感性工學(xué)技術(shù)使產(chǎn)品設(shè)計(jì)深切關(guān)注用戶深層次的感性訴求,是當(dāng)前產(chǎn)品個(gè)性化與情感化設(shè)計(jì)趨勢下的研究熱點(diǎn).

在產(chǎn)品感性意象設(shè)計(jì)過程中,第一個(gè)至關(guān)重要的階段就是獲取感性知識(shí)[7].用戶感性意象偏好作為唯一的用戶端知識(shí)，是設(shè)計(jì)輸入的重要信息.現(xiàn)有研究大多基于各種語義量表獲取用戶的感性意象偏好及數(shù)據(jù).這種方法具有實(shí)施靈活、簡單易行、問卷結(jié)果易處理的優(yōu)點(diǎn)，但也存在以下不足： ① 設(shè)計(jì)調(diào)查需被試者參與,樣本量少；被試者多與研究人員有一定聯(lián)系,易因便利樣本導(dǎo)致數(shù)據(jù)代表性差.②設(shè)計(jì)調(diào)查問卷再用率低，發(fā)出和回收時(shí)耗時(shí)耗力.③ 基于語義量表的調(diào)查易因用戶的認(rèn)知差異導(dǎo)致意象提取誤差[8].鑒于此,學(xué)者們將網(wǎng)絡(luò)用戶評(píng)價(jià)大數(shù)據(jù)引入到感性意象相關(guān)研究中：Hsiao等[9]以跨境物流服務(wù)設(shè)計(jì)為對象,基于感性工學(xué)技術(shù)和文本挖掘技術(shù)，從在線評(píng)論中獲取感性意象詞匯,研究了感性意象與物流服務(wù)要素間的關(guān)系；李少波等[10]以手機(jī)為研究對象,從在線評(píng)論數(shù)據(jù)中獲取感性意象，基于BP神經(jīng)網(wǎng)絡(luò)建立了產(chǎn)品感性意象與產(chǎn)品屬性參數(shù)的映射,實(shí)現(xiàn)對用戶心理評(píng)價(jià)的預(yù)測；Chiu等[11]提出一種從客戶產(chǎn)品評(píng)論中提取感性觀點(diǎn)的方法，并且將他們分類為7對感性屬性，協(xié)助產(chǎn)品設(shè)計(jì)師從情感角度理解客戶和做出決定. 此外，Jiao等[7]提出了一種從在線產(chǎn)品評(píng)論中提取用戶感性知識(shí)的方法，整合自然語言處理技術(shù)和感性工學(xué)，明確用戶的情感需求，實(shí)現(xiàn)用戶感性需求的無偏差定位.

目前，網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)作為蘊(yùn)含巨大用戶知識(shí)的寶藏，包含了精準(zhǔn)而真實(shí)的用戶感性意象訴求.為此，本文提出基于用戶網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)的產(chǎn)品感性意象無偏差設(shè)計(jì)，在網(wǎng)絡(luò)評(píng)價(jià)大數(shù)據(jù)中挖掘用戶的感性信息，以更快捷的方式獲取意象，并充分借助計(jì)算機(jī)技術(shù)，脫離傳統(tǒng)感性意象設(shè)計(jì)中的案例推理，建立更短周期、更高效的感性設(shè)計(jì)模式.并且，將大數(shù)據(jù)中用戶最真實(shí)的評(píng)價(jià)信息引入到感性意象設(shè)計(jì)中，能夠有效規(guī)避消費(fèi)者調(diào)查中所表現(xiàn)的喜好與真實(shí)喜好的偏差問題，使得創(chuàng)新設(shè)計(jì)所傳遞的意象就是用戶真實(shí)訴求的再現(xiàn).因此，將網(wǎng)絡(luò)評(píng)價(jià)大數(shù)據(jù)與感性工學(xué)相結(jié)合，并借助計(jì)算機(jī)技術(shù)，僅憑借感性意象的文本描述，無需借助實(shí)例樣本的推理，即可建立最懂用戶的、高效的感性意象無偏差設(shè)計(jì)方法.

1 基于網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)的產(chǎn)品感性意象無偏差設(shè)計(jì)方法

本文方法主要針對有形工業(yè)產(chǎn)品，流程如下:

① 產(chǎn)品樣本獲取與預(yù)處理；

② 感性意象詞提取與參數(shù)化；

③ 產(chǎn)品設(shè)計(jì)特征參數(shù)化；

④ 感性意象與設(shè)計(jì)特征間映射關(guān)系構(gòu)建；

⑤ 基于映射關(guān)系的產(chǎn)品創(chuàng)新設(shè)計(jì).

整體流程步驟如圖1所示.

1.1 基于文本挖掘技術(shù)的感性意象詞提取及參數(shù)化

感性意象是人對物心理上的期待感受[12],可由網(wǎng)絡(luò)評(píng)價(jià)中的形容詞表征.由于同一產(chǎn)品有多種意象,因此，通過關(guān)鍵詞提取算法分析詞語在文檔中的統(tǒng)計(jì)特征,依據(jù)數(shù)量閾值提取并量化重要性較強(qiáng)的N個(gè)形容詞，則被提取的感性意象表述為

(1)

式中，Ki為樣本i的感性意象；Wi為樣本i中的意象詞組成的向量；Ti為樣本i中意象詞的重要性參數(shù)組成的向量；Wij為樣本i的第j個(gè)意象詞；Tij為樣本i的第j個(gè)意象詞權(quán)重.針對產(chǎn)品評(píng)論文本的主題一般較為集中,再結(jié)合TextRank算法提取關(guān)鍵詞,算法公式為

(2)

式中，T(Vi)為詞語Vi的重要程度；d為阻尼系數(shù)；I(Vi)為指向詞語Vi的集合；O(Vj)為詞語Vj指向其他詞語的集合；ωji、ωjk為兩節(jié)點(diǎn)之間邊的重要度.經(jīng)過多次迭代循環(huán)，計(jì)算各個(gè)詞語的權(quán)重.

式(1)中Wij為詞語且彼此獨(dú)立，無法直接參與計(jì)算.因此，在整體語義背景下，通過構(gòu)建基于Distributed Representation思想的詞向量，將所有文本中反映語義關(guān)系的詞語轉(zhuǎn)換為詞向量，獲得各詞的參數(shù)化描述，進(jìn)而通過降維以篩選詞向量中的主要信息.假設(shè)降維后詞向量維度為m，則式(1)可描述為

(3)

式中，S(Wij)為降維后的詞語Wij的詞向量；Sm(Wij)為降維后感性意象詞在第m維上的值.由于多種意象可相互疊加，因此對意象形容詞求和即是對其詞向量的相應(yīng)維度求和，從而得到樣本感性意象在各維度上的值，即

(4)

式(4)中產(chǎn)品i的感性意象Ki用實(shí)數(shù)向量表示.在感性工學(xué)研究中，常以產(chǎn)品在各個(gè)詞匯上的傾向作為感性意象參數(shù)[13-16]，將參數(shù)的所有可能取值范圍稱為感性意象空間.本文通過式(4)實(shí)現(xiàn)感性意象參數(shù)化描述,詞向量空間S即感性意象空間.

1.2 產(chǎn)品設(shè)計(jì)特征參數(shù)化

由于產(chǎn)品主要通過多種特征之間的共同作用向用戶傳遞情感信息[17]，產(chǎn)品的感性意象與形態(tài)比例之間具有相關(guān)性[18]，且線比點(diǎn)和面更能表現(xiàn)產(chǎn)品的形態(tài)特征[19].因此，本文通過參數(shù)化曲線描繪產(chǎn)品的造型特征，以獲得產(chǎn)品各部分比例及形態(tài)數(shù)據(jù)，并將參數(shù)按數(shù)值范圍分組，將連續(xù)型變量轉(zhuǎn)變?yōu)殡x散型變量，以提高對測量誤差的容忍度.

1.3 感性意象與設(shè)計(jì)特征間映射關(guān)系構(gòu)建

經(jīng)過產(chǎn)品感性意象提取及參數(shù)化描述，產(chǎn)品i的感性意象已轉(zhuǎn)換為感性意象空間S上的坐標(biāo)參數(shù)Ki；產(chǎn)品的第k個(gè)設(shè)計(jì)特征經(jīng)分析提取，轉(zhuǎn)換為設(shè)計(jì)特征參數(shù)ak.采用最大信息系數(shù)(maximal information coefficient，MIC)計(jì)算感性意象空間各維度與產(chǎn)品外形特征參數(shù)的關(guān)聯(lián)度，選擇高數(shù)值維度作為映射關(guān)系構(gòu)建自變量，則映射關(guān)系可表示為

f:Kik→ak

(5)

式中，Kik為在特征ak條件下篩選重組得到的產(chǎn)品i的感性意象參數(shù).

因式(5)設(shè)計(jì)特征參數(shù)ak為離散型變量，式(5)的映射關(guān)系實(shí)質(zhì)是低維變量的分類問題.其中，映射關(guān)系的構(gòu)建采取隨機(jī)森林分類算法，主要原因在于：①在設(shè)計(jì)特征的參數(shù)化過程中，人工描繪外形并提取參數(shù)容易產(chǎn)生異常數(shù)據(jù).隨機(jī)森林算法對離散點(diǎn)的敏感度較低，可以避免異常數(shù)據(jù)對結(jié)果造成的影響.②經(jīng)過降維獲得的感性意象空間中，不同維度之間關(guān)系不明確，對分類結(jié)果的貢獻(xiàn)度也不同.隨機(jī)森林算法對輸入特征之間的關(guān)系不敏感，適合于本研究過程.③隨機(jī)森林使用Bootstrap抽樣算法構(gòu)造訓(xùn)練數(shù)據(jù)集，基于多數(shù)表決原則計(jì)算輸出，在樣本量較少時(shí)不容易過擬合.

基于隨機(jī)森林算法獲得映射關(guān)系后，即可通過映射關(guān)系分析提取設(shè)計(jì)特征的取值范圍.

2 案例驗(yàn)證

轎車外形設(shè)計(jì)較為復(fù)雜，許多設(shè)計(jì)特征互相影響，形成整體的風(fēng)格.文獻(xiàn)[20]指出，汽車的側(cè)面對汽車外形設(shè)計(jì)研究具有重要的意義.因此本文選取三廂轎車的側(cè)面輪廓作為設(shè)計(jì)對象，驗(yàn)證方法的可行性.

2.1 產(chǎn)品樣本獲取與預(yù)處理

使用scrapy網(wǎng)絡(luò)爬蟲，從太平洋汽車網(wǎng)上自動(dòng)獲取造型相似車型及用戶評(píng)論信息.選擇評(píng)論數(shù)較多的車型，查找對應(yīng)的外形數(shù)據(jù)，以外形是否相同為標(biāo)準(zhǔn)區(qū)分車型，將評(píng)論數(shù)較多的三廂轎車作為分析樣本，共計(jì)57個(gè).

2.2 感性意象詞提取及參數(shù)化

1) 使用python軟件中jieba工具包，將車型名寫入自定義詞典并對文本進(jìn)行分詞,基于式(2)提取產(chǎn)品關(guān)鍵詞和權(quán)重，部分結(jié)果如表1所示.

2) 使用python中word2vec工具包，以爬取到的所有外觀評(píng)論數(shù)據(jù)為原始數(shù)據(jù)，設(shè)定詞向量維度為100，訓(xùn)練文本詞向量，部分輸出及關(guān)聯(lián)度如表2所示，實(shí)現(xiàn)感性意象關(guān)鍵詞的參數(shù)化描述.

表1 部分代表意象詞匯及其權(quán)重

表2 詞向量輸出及關(guān)聯(lián)度

3) 分別提取各感性意象詞的詞向量值，進(jìn)行主成分分析，如圖2所示.在維度19時(shí)，累計(jì)貢獻(xiàn)度達(dá)到了0.755 9，維度19后可解釋變異量趨于平緩，因此確定詞向量降維后的維度為19.

4) 共同降維所有樣本的意象詞向量，并通過式(4)計(jì)算各個(gè)樣本的感性意象參數(shù)，57個(gè)樣本的感性意象參數(shù)降維后的分布如圖3所示.由圖可知，各維度上感性意象參數(shù)的變化隨著維度的增高而減小，即感性意象參數(shù)中的信息量隨著維度的增加而減少，降維有效保留了意象詞向量中的信息.由于降維后某維度上的感性意象參數(shù)實(shí)質(zhì)上是樣本在相應(yīng)的共性因子上所包含的信息，同時(shí)各個(gè)共性因子對樣本意象的貢獻(xiàn)不明確，在構(gòu)建映射關(guān)系時(shí)需要選擇與特征間關(guān)系較強(qiáng)的感性意象空間維度參與分析.

2.3 汽車側(cè)輪廓設(shè)計(jì)特征參數(shù)化

借鑒文獻(xiàn)[21-22]，將汽車輪廓簡化，如圖4所示，并按表3的內(nèi)容計(jì)算相應(yīng)的側(cè)輪廓造型布局參數(shù).由于車頂弧線的曲率會(huì)對車高參數(shù)產(chǎn)生影響，因此使用簡化后的車頭底部到車頂?shù)木嚯x表示車高H.根據(jù)特征參數(shù)數(shù)值大小并參考文獻(xiàn)[21-22]，在取值范圍內(nèi)三等分并參數(shù)化表示，見表4.

2.4 基于隨機(jī)森林分類的映射關(guān)系構(gòu)建及可靠性分析

實(shí)驗(yàn)采用python中sklearn包的RandomForestClassifier函數(shù)構(gòu)建映射關(guān)系.首先分析最大信息系數(shù)值以選擇構(gòu)建映射關(guān)系的數(shù)據(jù).計(jì)算各個(gè)產(chǎn)品特征參數(shù)與各個(gè)維度的感性意象參數(shù)間的MIC值，選擇MIC值較高的3個(gè)維度的感性意象參數(shù)，參與映射關(guān)系的構(gòu)建.所選擇的感性意象參數(shù)與產(chǎn)品特征參數(shù)間的MIC值如圖5所示.在映射關(guān)系構(gòu)建過程中，預(yù)留出約36.8%的數(shù)據(jù)，以此作為袋外數(shù)據(jù)，用于驗(yàn)證映射關(guān)系的有效性.經(jīng)驗(yàn)證，各個(gè)設(shè)計(jì)特征參數(shù)上的分類正確率如圖6所示.由圖可見，所有特征的分類正確率均高于隨機(jī)分配正確率0.33，86.67%的特征參數(shù)的分類正確率在0.5～0.7之間；結(jié)合圖5，部分MIC值較低的特征參數(shù)上的分類正確率較低，符合預(yù)期結(jié)果.映射關(guān)系總體上有效.

2.5 基于映射關(guān)系的產(chǎn)品創(chuàng)新設(shè)計(jì)

為了計(jì)算消費(fèi)者喜好的感性意象參數(shù)，需要獲取反映消費(fèi)者喜好的文本.外觀評(píng)分能夠反映汽車造型是否滿足消費(fèi)者的喜好，相應(yīng)的外觀評(píng)論文本則是喜好的文本體現(xiàn)，因此，可通過分析評(píng)價(jià)分?jǐn)?shù)最高的文本，來獲取消費(fèi)者的感性喜好.通過網(wǎng)絡(luò)爬蟲獲取并篩選外觀評(píng)分最高分所對應(yīng)的評(píng)論文本，去除映射模型訓(xùn)練樣本中存在的文本，共計(jì)500條.以該文本作為輸入,應(yīng)用本文方法得到關(guān)鍵形容詞及其權(quán)重如表5所示，其參數(shù)如表6所示.預(yù)測的特征參數(shù)類別及其參數(shù)取值范圍如表7所示.

基于表7中的設(shè)計(jì)參數(shù),繪制出圖7所示的側(cè)面輪廓布局與外形：設(shè)定參數(shù)H=1，根據(jù)特征參數(shù)編號(hào)1、6、15的取值范圍，可求得參數(shù)L、Hfd、Hbd的取值范圍，進(jìn)而結(jié)合設(shè)計(jì)師經(jīng)驗(yàn)選擇合理的參數(shù)值.同理可求得其余參數(shù)值.根據(jù)參數(shù)值繪出相應(yīng)的側(cè)面輪廓布局，見圖7中的直線部分.在此輪廓基礎(chǔ)上，設(shè)計(jì)師結(jié)合自身經(jīng)驗(yàn)設(shè)計(jì)新的側(cè)面輪廓，見圖7曲線部分.

表3 特征參數(shù)編號(hào)及意義

表4 部分樣本特征參數(shù)化結(jié)果

表5 感性需求關(guān)鍵詞及其權(quán)重

表6 感性需求意象參數(shù)

對圖7中的新側(cè)面輪廓外形進(jìn)行觀察分析，可見其駕駛艙空間占比較大，并使側(cè)面外形更加厚重，有效滿足了表5中權(quán)重大于0.9的意象，即 “穩(wěn)重”和“很大”的感性需求，以及權(quán)重位于第3的“沉穩(wěn)”的感性需求；此外，圖中輪廓駕駛艙視野良好，車頭長度較短，分別滿足了表5中“明顯”、“獨(dú)特”等感性需求的關(guān)鍵詞.

通過對新側(cè)面輪廓外形進(jìn)行分析可知，本文方法得到的側(cè)面布局和側(cè)面輪廓外形能夠有效滿足消費(fèi)者的感性意象需求.

表7 特征參數(shù)預(yù)測類別及參數(shù)取值范圍

3 結(jié)論

1) 將網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)中真實(shí)用戶信息引入產(chǎn)品感性意象設(shè)計(jì)，通過關(guān)鍵詞提取、構(gòu)建詞向量及降維處理，將用戶感性意象參數(shù)化，高效快捷地獲取用戶的感性意象信息與需求信息，避免了基于語義量表獲取用戶感性意象的方法所產(chǎn)生的缺陷.

2) 不再依賴案例推理，通過用戶感性意象提取與參數(shù)化方法，結(jié)合感性意象與設(shè)計(jì)特征參數(shù)間映射關(guān)系，直接從用戶的意象描述中生成設(shè)計(jì)方案，提高了設(shè)計(jì)效率，為感性意象智能設(shè)計(jì)奠定了前期基礎(chǔ).經(jīng)實(shí)例驗(yàn)證，通過本文方法構(gòu)建的映射關(guān)系中，正確率在0.5～0.7之間的有86.67%，生成的設(shè)計(jì)方案能夠滿足主要設(shè)計(jì)需求.

3) 由于本文對感性意象詞匯提取僅考慮了詞性及詞語間關(guān)系，尚未考慮單個(gè)詞匯與具體特征細(xì)節(jié)之間的關(guān)系；構(gòu)建的詞向量尚包含部分噪聲信息，對映射關(guān)系的擬合產(chǎn)生了一定干擾.這些問題均有待進(jìn)一步思考與解決，是將來研究的重點(diǎn).