用戶集群驅動的適老化產(chǎn)品優(yōu)化策略研究

楊梅，王怡妍，李雪瑞，侯幸剛

用戶集群驅動的適老化產(chǎn)品優(yōu)化策略研究

楊梅，王怡妍，李雪瑞，侯幸剛

（山東科技大學 藝術學院，山東 青島 266590）

為解決用戶訴求表述模糊所導致的需求獲取不足、設計決策復雜難定等問題對適老化產(chǎn)品及應用服務推廣的阻礙，最大程度提升用戶體驗滿意度，提出一種用戶集群評價驅動的短周期、高效率的感性設計方法。引入評價信息對目標用戶集群的需求進行精準而真實地深層挖掘，結合TextRank算法量化感性描述文本，構建評價指標體系；充分借助猶豫模糊決策算法構建方案評價模型（I-HFCJM），計算各產(chǎn)品評價指標得分函數(shù)值對樣本產(chǎn)品優(yōu)劣予以可視化分析，以現(xiàn)有產(chǎn)品的可借鑒點與注意問題為依據(jù)指導產(chǎn)品改進設計。以老年家用制氧機改進設計為例，計算改進方案同樣本產(chǎn)品的綜合權重并進行優(yōu)劣排序，驗證了該方法的有效性，為老年家用制氧機及其他適老化產(chǎn)品設計開發(fā)提供了改進策略。

產(chǎn)品設計；用戶集群；TextRank；猶豫模糊決策算法；I-HFCJM模型

近年來，我國老年群體基數(shù)逐漸增大，“銀發(fā)經(jīng)濟”逐漸升溫，老年用戶的產(chǎn)品選購行為愈發(fā)傾向于綜合考慮產(chǎn)品各方面特性是否滿足自身訴求[1-2]，智能養(yǎng)老終端設備的適老化升級壓力加劇，且該使用群體對產(chǎn)品訴求的表述具有模糊性、動態(tài)性和不確定性，對產(chǎn)品研發(fā)的引導性較弱，傳統(tǒng)用戶需求推演式智慧養(yǎng)老研發(fā)設計難以堅持問題導向、目標導向。因此亟須整合多方資源，推動養(yǎng)老服務智慧化升級。

1 理論基礎

針對訴求模糊問題，科特勒·菲利普等[3]提出用戶集群理論，將屬性域[4]相同或相似的一組用戶集合，從該角度出發(fā)，更好地挖掘用戶的深層次需求。目前，需求挖掘方面以感性工學為代表的改進方法最為盛行，通過將用戶感性意象推演融入產(chǎn)品研發(fā)，對上述問題予以極大解決。但考慮到傳統(tǒng)感性工學的應用存在強主觀性、弱時效性、數(shù)據(jù)樣本有限等弊端，目前有學者致力于從客戶評論中提取用戶需求，典型文本挖掘方法對比見表1。

表1 典型文本挖掘方法對比

Tab.1 Comparison of typical text mining methods

本文選用TextRank算法對產(chǎn)品評論文本進行數(shù)據(jù)清洗，提取重要詞匯作為詞圖節(jié)點，迭代計算各節(jié)點的Rank值并排序，將所得關鍵詞應用于網(wǎng)絡評價文本中生成關鍵字和摘要，有效挖掘隱含其中的精準而真實的目標用戶集群的訴求。

用戶的多元化訴求決定了產(chǎn)品設計決策的復雜性[11-12]，依據(jù)評價指標體系產(chǎn)出互補判斷矩陣是提高提取信息與產(chǎn)品特征映射擬合程度的關鍵。截至目前，猶豫模糊互補判斷矩陣（Hesitant Fuzzy Complementary Judgement Matix，HFCJM）[13-17]因對模糊信息的有效處理已成為描繪復雜選擇評價問題不確定性的有效工具，可以為每個待評價對象收集多個可能的評價值，以避免評價數(shù)據(jù)的丟失。

在復雜樣本評價的過程中，依據(jù)TextRank算法構建評價指標體系及其權重歸判在一定范疇內突破了專家自身判斷的主觀局限性，以及樣本群的客觀復雜性對評價決策的限制，但判斷矩陣一致性調整仍為評價決策可靠性的重、難點。已有相關學者對此進行了相關研究工作。Zhu等[18]開發(fā)兩種猶豫的模糊偏好關系轉換回歸方法，以專家給定的HFCIM為基礎，分別設計優(yōu)化模型和一致性改進算法來計算評價對象的優(yōu)先權向量，并結合實例驗證了所提出方法的實用性和優(yōu)越性。Wu等[19]基于加性一致性提出兩種優(yōu)化模型，對不完整猶豫的模糊語言偏好關系信息的補全，或導出運用判斷矩陣排序權重生成的優(yōu)先級向量。Wu等[20]在具有乘法偏好關系的小組決策中，引入了個體一致性指數(shù)和群體共識指數(shù)的概念構成對比較矩陣，以獲得有意義且可靠的解決方案。Zhang等[21]引入一種基于HFCJM的決策支持系統(tǒng)模型，對其一致性調整算法、共識性達成模型和備選方案排序過程展開系列研究，從區(qū)間模糊偏好關系中獲得優(yōu)先級的目標規(guī)劃模型并確定了評價對象的排序結果。甘昕艷等[22]對HFCJM冪等性的不足加以改進構造出直覺模糊加權平均算子進行應用。因此，本文依據(jù)文獻[22]研究了HFCJM的一致性改進算法和決策模型，通過完全乘性一致改造后的I-HFCJM決策模型使最終決策效果更具可靠性。

針對目前用戶訴求表述及判斷矩陣一致性等方面存在的不足，本文通過TextRank算法量化感性的文本描述構建評價指標體系，用以規(guī)避目標用戶集群調研中所表現(xiàn)的偏好與真實偏好的偏差問題，借助改造后的I–HFCJM決策模型和計算機技術計算各產(chǎn)品評價指標排序，得到用戶評價綜合權重，進而推演出最為合理高效的產(chǎn)品改進設計，使產(chǎn)品設計再現(xiàn)用戶的真實訴求。

2 研究框架

本文提出一種用戶集群驅動的產(chǎn)品優(yōu)化策略，具體流程見圖1。從產(chǎn)品樣本及其評價信息獲取和預處理入手，對用戶訴求進行深層次挖掘；從中量化提取關鍵詞匯構建評價指標體系，應用于完全乘性一致改造后的I-HFCJM決策模型；對產(chǎn)品樣本各評價指標及評價綜合權重進行計算，從而實現(xiàn)產(chǎn)品優(yōu)劣的可視化分析，以此作為產(chǎn)品改進設計依據(jù)。

3 構建評價指標體系

3.1 評價信息獲取

選擇評分較高、評論數(shù)較多的醫(yī)療型老年制氧機作為樣本，使用Scrapy網(wǎng)絡爬蟲，在檢查目標網(wǎng)站、查找與數(shù)據(jù)爬取有關服務條款的基礎上，于公開的數(shù)據(jù)來源中獲取并篩選目標用戶集群所對應的評論文本，以外形數(shù)據(jù)相近為標準區(qū)分樣本類別，將評論數(shù)較多的臺式制氧機產(chǎn)品作為分析樣本，共計51個。

評價準則選取分類

1）使用Scrapy網(wǎng)絡爬蟲爬取相關評論文本，使用Python中Jieba分詞器依據(jù)TextRank算法[9-10]對評論文本進行分詞，對明顯不屬于目標用戶集群的評論予以清洗，將所得的文本進行分割、分詞、詞性標注及停用詞剔除，依據(jù)所需設置保留下來的名詞、動詞、形容詞等指定詞數(shù)量閾值，量化提取重要詞匯作為關鍵詞圖節(jié)點，通過共現(xiàn)關系（Co-occurrence）來構造節(jié)點間的邊，給節(jié)點指定任意初值，迭代傳播節(jié)點之間的權重，直到收斂，迭代公式如下。

圖1 用戶集群驅動的適老化產(chǎn)品優(yōu)化策略框架

表2 代表意象詞匯及其權重（部分）

Tab.2 Representing image vocabulary and its weight (partial)

轉用Word2vec工具訓練文本詞向量，將上述數(shù)據(jù)作為原始數(shù)據(jù)保存到新的txt中，詞向量維度默認設定為100，部分輸出結果見表3。

表3 詞向量輸出及關聯(lián)度（部分）

Tab.3 Word vector output and degree of relevance (partial)

將表3中51個樣本的代表意象詞匯及其權重數(shù)據(jù)作為原始數(shù)據(jù)，為使數(shù)據(jù)變量之間的關系更加清晰，將原始數(shù)據(jù)中許多相關性很高的變量轉化成彼此相互獨立或不相關的變量，選出比原始數(shù)據(jù)個數(shù)少，能解釋大部分數(shù)據(jù)中變量的幾個新變量，用以解釋產(chǎn)品的綜合性指標。本文選用主成分分析（PCA）提取各關鍵詞的詞向量值并進行降維，得到相應的維向量，既滿足數(shù)據(jù)的降維又能包括原始數(shù)據(jù)的大部分信息，對原始數(shù)據(jù)壓縮精簡的同時可有效保留詞向量間共性關鍵信息。碎石圖分析結果見圖2，在維度4時，根據(jù)各主成分對數(shù)據(jù)變異的解釋程度繪制的陡坡趨于平緩；且維度4后累計方差貢獻率達到了73.798%，見表4。因此，應用上述公式進一步降維至維度4后得到的關鍵詞及其權重見表5。

圖2 碎石圖

表4 總方差解釋（部分）

Tab.4 Total variance interpretation (part)

表5 需求關鍵詞及其權重（部分）

Tab.5 Demand keywords and their weights (partial)

考慮到本文目標用戶集群為老年用戶的特殊性，采集到的部分文本為家屬代為描述，對提取結果造成干擾。因此本文依據(jù)表5所得高權重詞匯對老年用戶進行訪問驗證，將訪問內容作為驗證語料，部分驗證語料見圖3，重新代入TextRank算法，對需求關鍵詞進行再提取。結合領域專家知識與主流領域文獻[23-24]中實體類別定義，將調整后的需求關鍵詞加以分組匯總，見表6。

3.3 評價指標體系建立

邀請專家對需求關鍵詞匯編撰歸類，構建老年制氧機產(chǎn)品的評價指標體系（見表7），并將指標對應關鍵詞權重進行歸一化處理[25]作為指標權重，為后期決策模型對現(xiàn)有產(chǎn)品評價分析及產(chǎn)品改進提供理論依據(jù)。

圖3 驗證語料（部分）

表6 驗證后需求關鍵詞及其分屬類別

Tab.6 After verification, the required keywords and their entity classification

表7 老年制氧機產(chǎn)品的評價指標體系

Tab.7 Evaluation index system of oxygen generator products for the elderly

續(xù)表7

4 I–HFCJM決策模型構建

在實際的產(chǎn)品評價決策過程中，很多評價指標概念內涵是明確的，但外延是模糊的，專家審判時的猶豫術語不足以表達評價信息，因此以準確數(shù)形式給出的決策信息存在一定局限，猶豫模糊決策法（Hesitating Fuzzy Decision Method）已成為一種很有實用價值的工具。對傳統(tǒng)猶豫模糊決策模型進行完全乘性一致的改進，并引入滿足冪等性的猶豫模糊加權平均（I–HFWA）算子對所得I–HFCJM模型加以完善，用于計算各產(chǎn)品評價指標得分函數(shù)值及綜合權重，進而推演出最為合理高效的產(chǎn)品改進設計，使得產(chǎn)品設計再現(xiàn)用戶的真實訴求。具體流程見圖4。

圖4 基于猶豫模糊算法的方案評價模型I–HFCJM

4.1 I–HFCJM決策模型要素

I–HFCJM是在猶豫模糊互補判斷矩陣（Hesitant Fuzzij Complementarij Judgement Matrix，HFCJM）[13-17]的基礎上，引入改進的猶豫模糊加權平均（I–HFWA）算子[22]，構建I–HFCJM模型對原有模型冪等性等不足加以改進，進一步優(yōu)化最終決策結果的合理性與可靠性。

4.1.1 互補判斷矩陣

4.1.2 I–HFCJM模型乘性一致性檢驗

受研究對象的客觀復雜性及專家判斷的主觀局限性影響，HFCJM越來越重視對模糊信息的處理，判斷矩陣的一致性高低直接影響到最終的排序結果是否能夠真實的反應客觀實際情況。

4.1.3 基于I-HFWA算子的綜合猶豫模糊元融合

4.2 基于HFCJM的方案評價模型

保證結果合理性與可靠性的前提下，基于猶豫模糊決策算法構造方案評價模型，見圖4。

為便于復雜評價問題的高效處理，借助Matlab程序對上述算法予以實現(xiàn)，操作界面見圖5，輸出各指標得分函數(shù)值，對樣本產(chǎn)品優(yōu)劣進行可視化分析，指導產(chǎn)品后期改進；輸出融合后的綜合猶豫模糊元值，用于計算各產(chǎn)品的用戶評價綜合權重并排序，對改進方案有效性進行檢驗。

圖5 I-HFCJM評價模型的應用界面

5 實例研究

5.1 同種產(chǎn)品樣本選取與預處理

為讓老年用戶集群真正享用到數(shù)字化、智能化時代帶來的便捷康養(yǎng)服務，選取兼具保健功能與醫(yī)療功能、市場潛力巨大的老年家用制氧機產(chǎn)品為樣本?；谟脩艏豪碚?，將患有呼吸疾病需要長期進行家庭氧療，且經(jīng)歷了傳統(tǒng)產(chǎn)品至數(shù)字產(chǎn)品轉變的50歲以上的老年患者定為目標用戶集群。運用Scrapy網(wǎng)絡爬蟲爬取有關制氧機的感性評價文本，基于Textrank算法從制氧機相關評價中挖掘該目標用戶集群顯性和隱性需求，并構建評價指標體系，見表7。

5.2 評價結果計算

為指導產(chǎn)品改進方向，將所得判斷矩陣帶入上述程序對5款產(chǎn)品各評價指標C排序，步驟如下。

表8 一級指標得分函數(shù)值

Tab.8 First-level indicator score function value

5.3 指導設計

依據(jù)上表中一級指標得分函數(shù)最值找出對應的熱門制氧機產(chǎn)品樣本，繼續(xù)對該產(chǎn)品樣本的二級指標同理進行評估計算，結合TextRank算法提取該產(chǎn)品對應指標下的關鍵詞匯，據(jù)此對產(chǎn)品樣本優(yōu)劣進行可視化分析，見表9—10。

結合表9—10對產(chǎn)品樣本優(yōu)劣的可視化分析，總結美學性、交互性、功能性及社會性指標下設計的可注意點和可借鑒點對可借鑒點，予以傳承、可注意點予以改進，以此作為制氧機產(chǎn)品改進的方案指導，見表11，生成改進方案即各指標優(yōu)化結果，見圖6。

5.4 評價反證

表9 產(chǎn)品改進方案可借鑒點分析

Tab.9 Analysis of Reference Points for Product Improvement Programs

表10 產(chǎn)品改進方案可注意點分析

Tab.10 Product improvement plan can be noticed analysis

表11 設計方案指導

Tab.11 Design guidance

圖6 產(chǎn)品改進效果

為證實該模型對產(chǎn)品方案指導的可行性與有效性，運用目前較為成熟的TOPSIS評價法[26]，借助軟件SPSS 25進行輔助計算對評價結果予以驗證，評價流程見圖7。

將已有評價判斷矩陣信息代入輔助軟件SPSS 25，計算結果見表12。

圖7 TOPSIS主要計算步驟

表12 TOPSIS評價計算結果

Tab.12 Evaluation and calculation results of TOPSIS method

綜合以上算法分析過程和表12的結果分析可知，雖然借助于TOPSIS評價法與本文構造的I–HFCJM評價模型得到的最佳產(chǎn)品一致，驗證了本文構建產(chǎn)品優(yōu)化模型的可行性。但對6種產(chǎn)品的得分排序略有差異。深入分析可知，I–HFCJM評價模型相對于TOPSIS法受異常值的影響更少，在面臨復雜樣本評價時思路明晰、數(shù)據(jù)信息損失少、工作量較少等優(yōu)勢是TOPSIS法所不具備的，兩種方法的對比結果見表13。

表13 評價方法對比結果分析

Tab.13 Evaluation method comparison result analysis

6 結語

本文提出適老化背景下基于用戶集群驅動的產(chǎn)品優(yōu)化策略研究。通過結合目前已有的Scrapy網(wǎng)絡爬蟲技術和TextRank算法，系統(tǒng)、層次、合理的量化構建一套用戶集群驅動的產(chǎn)品評價指標體系。該方法以精準而真實地深層挖掘目標用戶集群的需求為出發(fā)點，通過引入基于猶豫模糊決策算法的方案評價模型（I–HFCJM）建立模糊評價機制，聚類匯總現(xiàn)有產(chǎn)品優(yōu)缺點，以指導產(chǎn)品方案改進。經(jīng)實例驗證，通過本文構建的優(yōu)化策略應用于組內項目生成的改進方案，一舉成為綜合評價最優(yōu)產(chǎn)品的成功率約有87.35%，對提高提取信息與產(chǎn)品特征的映射擬合程度具有一定意義，為提升適老化產(chǎn)品使用滿意度、建立一種用戶集群驅動的短周期、高效率的感性設計模式提供技術支撐。

目前應用于適老化背景下的用戶集群驅動產(chǎn)品優(yōu)化策略研究，主要集中于對現(xiàn)有產(chǎn)品的問題改進，未來有待深入研究數(shù)據(jù)在深度與寬度上，并進一步提高關鍵詞匯識別精度、深化提取信息與產(chǎn)品特征的映射擬合程度，構建數(shù)據(jù)庫進行研究改進，為從目標用戶集群的意象描述中，生成用戶所言不明的新需求產(chǎn)品奠定前期基礎，為感性意象智能設計應用于適老化產(chǎn)品提供理論和方法參考。

[1] 竇金花, 齊若璇. 基于情境分析的適老化智能家居產(chǎn)品語音用戶界面設計策略研究[J]. 包裝工程, 2021, 42(16): 202-210.

DOU Jin-hua, QI Ruo-xuan. Elderly-Adaptability Voice User Interface Design Strategy of Smart Home Products Based on Context Analysis[J]. Packaging Engineering, 2021, 42(16): 202-210.

[2] 楊梅, 叢揚帆, 李雪瑞. 融合FAHP和TOPSIS的適老化產(chǎn)品綜合評價與優(yōu)選方法——以老年智能手環(huán)為例[J]. 圖學學報, 2020, 41(3): 469-479.

YANG Mei, CONG Yang-fan, LI Xue-rui. Comprehensive Evaluation and Optimization Method of Products for the Elderly Based on FAHP and TOPSIS—A Case Study on the Smart Bracelet for the Elderly[J]. Journal of Graphics, 2020, 41(3): 469-479.

[3] PENALOZA L, TOULOUSE N, VISCONTI M L. Marketing Management[M]. London: Taylor and Francis: 2019-07-30.

[4] 蘇建寧, 唐釗山, 景楠, 等. 面向用戶集群的產(chǎn)品設計方法研究[J]. 機械設計, 2019, 36(4): 119-123.

SU Jian-ning, TANG Zhao-shan, JING Nan, et al. Research on Product Design Method for User Cluster[J]. Journal of Machine Design, 2019, 36(4): 119-123.

[5] ZHOU Ya-jian, DENG Ding-peng, CHI Jun-hui. A Short Text Classification Algorithm Based on Semantic Extension[J]. Chinese Journal of Electronics, 2021, 30(1): 153-159.

[6] 張明西, 樂水波, 李學民, 等. 文本配圖系統(tǒng)的設計與實現(xiàn)[J]. 包裝工程, 2020, 41(19): 252-258.

ZHANG Ming-xi, LE Shui-bo, LI Xue-min, et al. Design and Implementation of Picture Matching System for Text[J]. Packaging Engineering, 2020, 41(19): 252- 258.

[7] 姬建睿, 孫春華, 劉業(yè)政. 基于多重迭代合并策略的論壇版塊關注點識別研究[J]. 情報理論與實踐, 2021, 44(7): 118-124.

JI Jian-rui,SUN Chun-hua,LIU Ye-zheng. Recognizing Focuses in Sub-Forum Based on Multi-Iteration Combined Strategy[J]. Information Studies: Theory & Application, 2021, 44(7): 118-124.

[8] HE Zai-xing, WU Meng-tian, ZHAO Xin-yue, et al. Representative Null Space LDA for Discriminative Dimensionality Reduction[J]. Pattern Recognition, 2021, 111: 107664.

[9] 林麗, 張云鹍, 牛亞峰, 等. 基于網(wǎng)絡評價數(shù)據(jù)的產(chǎn)品感性意象無偏差設計方法[J]. 東南大學學報(自然科學版), 2020, 50(1): 26-32.

LIN Li, ZHANG Yun-kun, NIU Ya-feng, et al. Unbiased Design Method for Product Kansei Image Design Based on Network Evaluation Data[J]. Journal of Southeast University (Natural Science Edition), 2020, 50(1): 26-32.

[10] 黃海濤. Python 3破冰人工智能從入門到實戰(zhàn)[M]. 北京: 人民郵電出版社, 2019.

HUANG Hai-tao. Python ice-breaking Artificial Intelligence: From Beginner to Actual Combat[M]. Beijing: Posts & Telecom Press, 2019.

[11] 李雪瑞, 侯幸剛, 楊梅, 等. 數(shù)字孿生驅動的工業(yè)產(chǎn)品CMF設計服務模型構建與應用[J]. 計算機集成制造系統(tǒng), 2021, 27(2): 307-327.

LI Xue-rui, HOU Xing-gang, YANG Mei, et al. Construction and Application of CMF Design Service Model for Industrial Products Driven by Digital Twins[J]. Computer Integrated Manufacturing Systems, 2021, 27(2): 307-327.

[12] 楊延璞, 陳登凱, 成沛瑤. 工業(yè)設計決策問題研究[J]. 包裝工程, 2020, 41(22): 1-6.

YANG Yan-pu, CHEN Deng-kai, CHENG Pei-yao. Decision-Making Problems of Industrial Design[J]. Packaging Engineering, 2020, 41(22): 1-6.

[13] 徐澤水, 潘玲, 廖虎昌. 基于MACBETH方法的猶豫模糊語言多準則決策方法[J]. 控制與決策, 2017, 32(7): 1266-1272.

XU Ze-shui, PAN Ling, LIAO Hu-chang. Multi-Criteria Decision Making Method of Hesitant Fuzzy Linguistic Term Set Based on Improved MACBETH Method[J]. Control and Decision, 2017, 32(7): 1266-1272.

[14] 廖虎昌. 復雜模糊多屬性決策理論與方法[M]. 北京: 科學出版社, 2016.

LIAO Hu-chang. Theory and Method of Complex Multi- attribute Decision Making[M]. Beijing: Science Press, 2016.

[15] 王應明, 闕翠平, 藍以信. 基于前景理論的猶豫模糊TOPSIS多屬性決策方法[J]. 控制與決策, 2017, 32(5): 864-870.

WANG Ying-ming, QUE Cui-ping, LAN Yi-xin. Hesitant Fuzzy TOPSIS Multi-Attribute Decision Method Based on Prospect Theory[J]. Control and Decision, 2017, 32(5): 864-870.

[16] 阮傳揚, 楊建輝, 韓莉娜, 等. 考慮可信度和屬性優(yōu)先級的猶豫模糊決策方法[J]. 運籌與管理, 2016, 25(3): 125-131.

RUAN Chuan-yang, YANG Jian-hui, HAN Li-na, et al. Hesitant Fuzzy Decision Making Method with Confidence Levels and Preference Relations on Attributes[J]. Operations Research and Management Science, 2016, 25(3): 125-131.

[17] 許昌林, 沈菊紅. 一種新的直覺模糊集距離及其在決策中的應用[J]. 計算機應用研究, 2020, 37(12): 3627- 3634.

XU Chang-lin, SHEN Ju-hong. New Distance between Intuitionistic Fuzzy Sets and Its Applications in Decision-Making[J]. Application Research of Computers, 2020, 37(12): 3627-3634.

[18] ZHU Bin, XU Ze-shui. Regression Methods for Hesitant Fuzzy Preference Relations[J]. Technological and Economic Development of Economy, 2013, 19(sup1): S214- S227.

[19] WU Peng, LI Hong-yan, ZHOU Li-gang, et al. Consistency Analysis and Priority Weights of Multiplicative Trapezoidal Fuzzy Preference Relations Based on Mu-ltiplicative Consistency and Logarithmic Least Square Model[J]. Journal of Intelligent & Fuzzy Systems, 2019, 37(6): 8317-8334.

[20] WU Zhi-bin, XU Jiu-ping. A Consistency and Consensus Based Decision Support Model for Group Decision Making with Multiplicative Preference Relations[J]. Decision Support Systems, 2012, 52(3): 757-767.

[21] ZHANG Hui-min. A Goal Programming Model of Obtaining the Priority Weights from an Interval Preference Relation[J]. Information Sciences, 2016, 354: 197-210.

[22] 甘昕艷, 高翔. 基于猶豫模糊決策算法的云制造系統(tǒng)選擇研究[J]. 計算機工程與應用, 2021, 57(2): 134-142.

GAN Xin-yan, GAO Xiang. Research on Cloud Manufacturing System Selection Based on Hesitant Fuzzy Decision Making Algorithm[J]. Computer Engineering and Applications, 2021, 57(2): 134-142.

[23] SU Zhao-jing, YU Sui-huai, CHU Jian-jie, et al. A Novel Architecture: Using Convolutional Neural Networks for Kansei Attributes Automatic Evaluation and Labeling[J]. Advanced Engineering Informatics, 2020, 44: 101055.

[24] 黎蘭平, 郭修遠. 自動駕駛汽車車外人機交互界面設計研究[J]. 包裝工程, 2020, 41(2): 57-64.

LI Lan-ping, GUO Xiu-yuan. EHMI Design for Automated Vehicles[J]. Packaging Engineering, 2020, 41(2): 57-64.

[25] 李雪瑞, 侯幸剛, 楊梅, 等. 基于多層次灰色綜合評價法的工業(yè)設計方案優(yōu)選決策模型及其應用[J]. 圖學學報, 2021, 42(4): 670-679.

LI Xue-rui, HOU Xing-gang, YANG Mei, et al. The Optimal Decision-Making Model of Industrial Design Scheme Based on Multi-Level Grey Comprehensive Evaluation Method and Its Application[J]. Journal of Graphics, 2021, 42(4): 670-679.

[26] 何勁濤, 陳登凱, 余隋懷. 旅游文化創(chuàng)意產(chǎn)品多文化意象色彩設計評價方法[J]. 機械科學與技術, 2021, 40(1): 92-100.

HE Jin-tao, CHEN Deng-kai, YU Sui-huai. Multi- Cultural Image Color Design Evaluation Methods for Creative Products of Tourism Culture[J]. Mechanical Science and Technology for Aerospace Engineering, 2021, 40(1): 92-100.

Optimizing Strategies for Aging Products Driven by User Clusters

YANG Mei, WANG Yi-yan, LI Xue-rui, HOU Xing-gang

(School of Arts, Shandong University of Science and Technology, Shandong Qingdao 266590, China)

This paper aims to solve the problem of demand caused by vague user appeal expressions and of the complexity of its design decision complexity to adapt to the adaptive product and application service promotion, and the user experience satisfaction is improved to a large extent. This paper proposes an inductive design method for user cluster evaluation drivers with short period of time and high efficiency. First, this essay excavates the needs of the target user cluster from the evaluation information, and combines the TextRank algorithm to describe the text to build up the evaluation index system; furthermore, this thesis makes full use of hesitative fuzzy decision-making algorithm to evaluate the evaluation model (I-HFCJM ), calculate each product evaluation index score function value for sample products, visualization analysis, and guide the product improvement design through existing products. This paper uses the elderly household oxygen generator improvement design as an example, by calculating the comprehensive weight of the improvement plan and the sample product, and sorting, the effectiveness of this method is verified, providing the improved strategy for design and development of the older household oxygen generator and other suitable age production products.

product design; user evaluation; TextRank; hesitant fuzzy decision-making algorithm; I-HFCJM

TB472

A

1001-3563(2022)16-0177-12

10.19554/j.cnki.1001-3563.2022.16.020

2022–03–20

山東省專業(yè)學位研究生教學案例庫建設項目（SDYAL20058）；山東省2018年研究生導師指導能力提升項目（SDYY18082）；齊魯鄉(xiāng)村文化旅游平臺化服務體系研究（21DWYJ13）

楊梅（1973—），女，教授，碩士，主要研究方向為工業(yè)設計及其理論。

王怡妍（1997—），女，碩士生，主攻工業(yè)設計及其理論。

責任編輯：陳作