結合數(shù)據(jù)挖掘的個性化產(chǎn)品配置網(wǎng)絡研究

袁雨陽，吳 曉，何麗娜，王 昕，吳青科

（西南交通大學 機械工程學院，成都 610031）

0 引言

在全球市場競爭環(huán)境下，顯著提升的客戶“自我消費”意識以及差異化的客戶購買力使得客戶對產(chǎn)品的需求越來越多樣化、個性化，分化變動的買方市場逐步替代了統(tǒng)一穩(wěn)定的賣方市場。制造企業(yè)需要從以產(chǎn)品為中心的大規(guī)模定制轉變?yōu)橐钥蛻魹橹行牡膫€性化定制，向客戶提供個性化產(chǎn)品。企業(yè)在激烈競爭中實現(xiàn)轉型成功的關鍵在于能否準確、快速地滿足客戶的個性化需求，這就對個性化產(chǎn)品配置的客戶化、智能化提出要求。構建客戶需求及產(chǎn)品配置方案之間的配置網(wǎng)絡，基于配置網(wǎng)絡實現(xiàn)客戶需求驅動的個性化產(chǎn)品配置是實現(xiàn)客戶化、智能化定制的有效方法。

產(chǎn)品配置是一個產(chǎn)品快速設計的過程，它在企業(yè)已有產(chǎn)品標準化和規(guī)范化，以及新產(chǎn)品開發(fā)成果的基礎上，根據(jù)特定客戶訂單需求進行有針對性的目標匹配，最后形成完整的、客戶滿意的產(chǎn)品信息的過程[1]。產(chǎn)品配置實施的一般過程是：建立產(chǎn)品配置模型，提取并表示配置知識，對客戶需求進行分析與分解并驅動配置模型的求解與優(yōu)化[2]。目前關于產(chǎn)品配置的研究，主要有李妮婭等[3]提出基于結構的產(chǎn)品配置方法；Gasca等[4]將配置建模轉化為基本單元的約束滿足問題，提出了基于約束的配置模型；但斌等[5]提出了基于本體映射面向模糊客戶需求的產(chǎn)品配置方法；王世偉、譚建榮等[6]提出了基于GBOM的產(chǎn)品配置模型；Wang S W，Tan J R 等[7]提出了基于實例的產(chǎn)品配置方法。現(xiàn)有研究中產(chǎn)品配置過程一方面過多依賴于設計者、專家等的主觀決策，容易導致主觀臆斷；另一面現(xiàn)有配置方法需要將客戶需求轉化成產(chǎn)品特性，再基于產(chǎn)品特性配置產(chǎn)品方案，涉及到客戶域、產(chǎn)品技術特性域及配置方案域之間的信息轉換，轉換過程存在信息的缺失及錯誤傳遞，從而導致配置方案的個性化缺失，同時配置效率較低；其次，現(xiàn)有研究缺乏對企業(yè)產(chǎn)品交易記錄信息的挖掘，而這些交易記錄能夠客觀反映客戶需求及產(chǎn)品配置方案之間的關系。

個性化產(chǎn)品定制的關鍵在于滿足客戶需求。產(chǎn)品對客戶需求的滿足程度是客戶購買產(chǎn)品的決策依據(jù)。因此個性化產(chǎn)品定制的關鍵在于確定客戶需求與產(chǎn)品配置方案之間的關系。而客戶需求的多樣化、個性化產(chǎn)品的復雜化需要設計人員投入大量的精力開展客戶需求域及產(chǎn)品配置方案域的信息表達及關系梳理，從而使設計人員產(chǎn)生感知困擾，導致配置網(wǎng)絡的個性化缺失；同時客戶需求與產(chǎn)品配置方案之間存在復雜的關聯(lián)關系，難以應用數(shù)學模型準確表達。

企業(yè)中大量的個性化產(chǎn)品交易記錄可以客觀、動態(tài)地反映客戶需求及產(chǎn)品配置方案之間的關系，為配置網(wǎng)絡的構建提供大數(shù)據(jù)支持。多層感知機（Multilayer Perceptron，MLP）又稱多層感知神經(jīng)網(wǎng)絡[8]，是一種模擬人類神經(jīng)元的傳統(tǒng)監(jiān)督學習方法，在處理多分類問題時，能夠通過學習非線性函數(shù)以無限逼近輸入特征空間X和輸出標簽向量Y之間的實際映射關系[9]。在產(chǎn)品配置網(wǎng)絡中，多層感知機可以通過監(jiān)督學習，挖掘客戶需求域與產(chǎn)品配置域之間的關系?；诖耍疚牟捎枚鄬痈兄獧C基于歷史交易記錄挖掘個性化產(chǎn)品的配置網(wǎng)絡。

針對當前個性化產(chǎn)品配置網(wǎng)絡的構建需求，本文通過對企業(yè)的大量交易記錄挖掘，提出一種基于多層感知機配置模型的個性化產(chǎn)品配置網(wǎng)絡構建方法。利用歷史交易數(shù)據(jù)中的客戶需求和對應的產(chǎn)品配置方案對配置模型進行訓練，得到基于數(shù)據(jù)挖掘的個性化產(chǎn)品配置網(wǎng)絡。將基于客戶需求的產(chǎn)品配置問題轉化成輸入項為客戶需求特征項，輸出項為實例模塊類別選擇的多分類問題，建立子配置模型。針對新客戶需求，基于配置網(wǎng)絡可得到其對應的產(chǎn)品配置信息，使配置過程更智能化、客戶化，為后續(xù)產(chǎn)品配置提供很好的決策信息，避免配置過程中主觀錯誤的產(chǎn)生，并且能夠挖掘企業(yè)產(chǎn)品的歷史數(shù)據(jù)價值，提供數(shù)據(jù)價值再生思路。目前供應鏈可靠性的研究未能與實時的診斷及預測很好的結合。

1 性化產(chǎn)品配置網(wǎng)絡模型的表達

智能化和客戶化的需求使得產(chǎn)品配置問題十分復雜，運用多層感知機技術，將產(chǎn)品配置問題轉化為從客戶需求域到產(chǎn)品配置域的映射問題，將配置網(wǎng)絡轉化為由多個子配置模型組合而成的網(wǎng)絡?？蛻粜枨笥蛴煽蛻粜枨筇卣黜椊M成，產(chǎn)品配置域由產(chǎn)品配置方案組成，配置方案由產(chǎn)品的實例模塊構成。個性化產(chǎn)品配置的基礎是模塊化產(chǎn)品開發(fā)，本文所處理的產(chǎn)品配置方案都是基于模塊來開展配置。設產(chǎn)品共有m個模塊，需要建立m個子配置模型，子配置模型的配置結果組合得到產(chǎn)品配置方案。在子配置模型中，輸入項為客戶需求特征項，其數(shù)值是客戶對產(chǎn)品的需求數(shù)值，輸出項為產(chǎn)品實例模塊的類別選擇，即選擇的實例模塊。

如圖1所示，客戶需求域中，共有n項客戶需求特征項，客戶Ci的需求特征項為Ci=（Ci1，Ci2，…，Cin）。Cij（其中1≤i≤d，1≤j≤n，d為客戶的個數(shù)）是第i個客戶的第j個客戶需求特征項值，表示第i個客戶對第j個需求的期望數(shù)值，數(shù)值類型分為連續(xù)型、離散型、布爾型等。

圖1 基于多層感知機的產(chǎn)品配置網(wǎng)絡構建方法

產(chǎn)品配置域由產(chǎn)品配置方案信息構成，被選擇實例模塊的信息組成配置信息。設某產(chǎn)品有m個模塊，模塊Mk有若干個實例模塊Mk=（IMk1，IMk2，…，IMkm（k））。IMku（1≤K≤m，1≤u≤m（k））表示第K個模塊的第u個實例模塊，m（k）為第k個模塊的實例模塊數(shù)量。第i個產(chǎn)品的配置方案為Pi=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m），表示從m個模塊中選擇的實例模塊的組合信息。對于實例模塊有系數(shù)X，滿足，Xki∈[0，1]，Xki取值為0時表示不選擇第k個模塊的第i個實例模塊，Xki取值為1時表示第K個模塊的第i個實例模塊參與產(chǎn)品配置。

基于客戶需求和產(chǎn)品配置的描述，在歷史交易記錄中客戶需求Ci和產(chǎn)品配置方案Pi之間存在一一對應的關系。產(chǎn)品配置網(wǎng)絡模型構建的目的為根據(jù)歷史交易記錄挖掘配置網(wǎng)絡，完成從客戶需求域到產(chǎn)品配置方案域的映射，基于配置網(wǎng)絡確定新客戶需求所對應的配置方案，即C*→P*。

2 基于多層感知機的個性化產(chǎn)品配置網(wǎng)絡構建

2.1 多層感知機

多層感知機在感知機結構基礎上加入隱含層，增加模型復雜度的同時增強了模型的表達能力，且輸出層神經(jīng)元可以有多個輸出，能夠靈活應用于分類回歸問題。

多層感知機結構圖如圖2所示，由輸入層、隱含層、輸出層組成，屬于全連接神經(jīng)網(wǎng)絡。各層級中同層各個神經(jīng)元相互獨立，互不連接，相鄰兩層之間的神經(jīng)元全連接。每個神經(jīng)元都有對應的輸入權值、偏差，以及激活函數(shù)，連接強度由神經(jīng)元之間的權值大小決定。輸入層和輸出層神經(jīng)元個數(shù)可以是一個，也可以是多個，隱含層層數(shù)可以為單層，也可以為多層。數(shù)據(jù)在神經(jīng)元之間的傳遞具有方向性，前向計算時，由輸入向輸出逐層級計算，反向計算時，誤差反向傳播修正連接權值。

圖2 多層感知機神經(jīng)網(wǎng)絡模型結構圖

設X是輸入層神經(jīng)元的標記，輸入層神經(jīng)元個數(shù)有n個；H是隱藏層神經(jīng)元標記，隱藏層神經(jīng)元個數(shù)有d個，激活函數(shù)為fh；輸出層神經(jīng)元標記為Y，輸出層神經(jīng)元個數(shù)有m個，對應的激活函數(shù)為fY。在本文中，輸入層神經(jīng)元為客戶需求特征項，輸出層神經(jīng)元為所選擇的實例模塊編碼。

隱含層中，第j個神經(jīng)元的輸出為：

輸出層中，第k個神經(jīng)元的輸出為：

其中v，w為權重；a，b為隱含層和輸出層偏差。

常見的激活函數(shù)有Sigmoid函數(shù)，tanh函數(shù)，以及relu函數(shù)等。Sigmoid函數(shù)比較簡單，有用良好的非線性映射；tanh函數(shù)輸出均值是0，收斂速度較Sigmoid函數(shù)快；relu函數(shù)的梯度收斂快，且梯度計算量相對前兩種函數(shù)較少。

由于本文主要研究的是多分類問題，所以選用relu函數(shù)作為激活函數(shù)，有：

2.2 個性化產(chǎn)品配置網(wǎng)絡模型構建

產(chǎn)品方案由選擇的各個模塊中的實例模塊組合而成，個性化產(chǎn)品配置問題在大數(shù)據(jù)背景下轉換成從客戶需求域到產(chǎn)品配置域之間的映射問題，實現(xiàn)基于客戶需求的產(chǎn)品智能配置。

本文考慮將產(chǎn)品配置網(wǎng)絡劃分成多個子配置模型，每個子配置模型的輸入項為客戶需求特征項Ci=（Ci1，Ci2，…，Cin），輸出項表示某模塊中選擇的實例模塊，以模塊1為例，M1有三個實例模塊（IM11，IM12，IM13），輸出值可為（1，2，3），若輸出值為2，則表示在模塊1中選擇實例模塊IM12。

最后將得到的多個子配置模型結果組合，即可得到一個完整的由客戶需求驅動的產(chǎn)品配置方案Pg=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m）。如圖3所示多層感知機子配置模型的流程為：

圖3 子配置模型流程

1）數(shù)據(jù)采集及處理。從歷史配置數(shù)據(jù)中提取出客戶需求數(shù)值，以及其對應的產(chǎn)品配置方案信息，對客戶需求特征項數(shù)據(jù)進行歸一化處理。選擇需要配置的模塊，即選擇需要訓練的子配置模型，對其實例模塊進行編碼，以此替代實例模塊編號?？蛻粜枨筇卣黜桟i=（Ci1，Ci2，…，Cin）和對應實例模塊的編碼（Q）組成樣本集（Ci，Q）。采用隨機算子對樣本集進行隨機分類，百分之70樣本集作為測試集，百分之30樣本集作為訓練，對子配置模型進行訓練。

2）配置模型的建立。建立多層感知機子配置模型，設置輸入層和輸出層神經(jīng)元個數(shù)，以及隱含層層數(shù)。輸入層神經(jīng)元個數(shù)為客戶需求特征項數(shù)，輸出層神經(jīng)元只有一個，其值表示某實例模塊對應的編碼。隱含層越多，越容易擬合更復雜的函數(shù)，理論上只要隱含層的節(jié)點足夠多，可以擬合任意函數(shù)，但是隱含層過多會導致訓練過慢且出現(xiàn)過擬合、參數(shù)難以調(diào)試、梯度彌散等問題，所以需要根據(jù)具體問題選擇隱含層層數(shù)和節(jié)點。

3）配置模型的訓練。利用處理后的樣本數(shù)據(jù)對建立好的子配置模型進行訓練，以此來建立從客戶需求域向產(chǎn)品配置域映射的轉化模型。

4）配置模型的驗證。完成訓練后，通過測試集對模型的可行性和準確性進行驗證。

5）構建配置網(wǎng)絡。同理，其他子配置模型也可應用相同流程構建，從而得到整個網(wǎng)絡模型，完成配置網(wǎng)絡的構建。

3 實例分析驗證

本文以某公司某品牌的洗衣機為例，對所提方法進行驗證。該洗衣機的主要模塊有10個，包括箱體模塊，門體模塊，洗滌劑抽屜模塊，傳動模塊，洗滌模塊，減振模塊，給排水模塊，控制系統(tǒng)模塊，除菌模塊，操作面板模塊。各模塊有對應實例模塊，如表1所示。

表1 洗衣機產(chǎn)品模塊信息表

以傳動模塊（M4）示例。將歷史客戶需求特征項數(shù)據(jù)和對應的產(chǎn)品配置信息中M4選用的實例模塊整理得到訓練集（Ci，Q）。其中，Ci是歷史客戶需求數(shù)據(jù)庫中的客戶需求數(shù)據(jù)，Q是模塊編碼數(shù)字，表示最終選定產(chǎn)品配置信息中模塊4選擇的實例模塊。Ci和Q具體信息如圖4所示。

圖4 傳動模塊子配置模型信息

據(jù)2.2中描述的流程，運用PYTHON對子配置模型進行編程，利用處理好的樣本數(shù)據(jù)集（Ci，Q）對其進行訓練。部分樣本數(shù)據(jù)集如表2所示。

表2 部分樣本數(shù)據(jù)信息

首先劃分數(shù)據(jù)集，設計一個隨機種子，隨機劃分70%的總體數(shù)據(jù)作為訓練樣本集，30%的總體數(shù)據(jù)作為測試樣本集。在配置網(wǎng)絡建立過程中，輸入項為客戶需求特征項數(shù)據(jù)，根據(jù)數(shù)據(jù)，輸入層神經(jīng)元個數(shù)為12個，輸出神經(jīng)元個數(shù)為1個，其值表示選擇的實例模塊對應的編碼，M4有四個實例模塊（IM41，IM42，IM43，IM44），輸出值可為（1，2，3，4），若輸出值為3，則表示選擇實例模塊IM43。隱含層選用2層，激活函數(shù)選擇relu函數(shù)，訓練次數(shù)100次，如圖5所示為訓練過程中分類預測精度呈現(xiàn)曲線，訓練完成時訓練過程準確精度98%。

圖5 子分類模型的訓練過程

將測試樣本輸入訓練所得到的模型，測試精度如圖6所示，target_y集是測試樣本結果，pred_y集是預測結果，測試后得到測試精度達到90%以上。經(jīng)過分析，本論文提出的方案是可行的。

圖6 測試結果對比圖

4 結語

本文針對從客戶需求到產(chǎn)品配置過程中存在的主觀性和復雜性問題，提出利用多層感知機挖掘歷史交易記錄中客戶需求與產(chǎn)品模塊實例之間的關系，從而構建個性化產(chǎn)品的配置網(wǎng)絡，并基于此實現(xiàn)客戶需求驅動的個性化產(chǎn)品設計。該方法有以下優(yōu)勢：

1）根據(jù)客戶需求，建立子分類模型，實現(xiàn)多維客戶需求域向產(chǎn)品配置域映射分析，降低了客戶需求向產(chǎn)品配置方案轉化過程中的復雜程度，可以基于客戶需求得到與其對應的產(chǎn)品配置信息，實現(xiàn)了個性化產(chǎn)品配置的客戶化。

2）區(qū)別與傳統(tǒng)的客戶需求向產(chǎn)品配置信息轉化方法，基于配置網(wǎng)絡的個性化產(chǎn)品定制無需專家參與，可有效避免主觀錯誤的產(chǎn)生，在一定程度上降低轉化過程中的主觀性和模糊性，提高配置的準確性。

3）利用監(jiān)督學習的思想，挖掘客戶需求數(shù)據(jù)與產(chǎn)品配置信息之間的關系，可自動確定配置方案，實現(xiàn)了配置過程的智能化。并且配置網(wǎng)絡可隨著歷史交易記錄的增加而動態(tài)更新，有效提高了配置的準確性、自適應性，同時提升了數(shù)據(jù)的使用價值。