基于用戶評價數(shù)據(jù)的電動汽車造型意象決策模型

程永勝，徐驍琪

(廈門大學嘉庚學院 設計與創(chuàng)意學院，福建 漳州 363105)

在世界能源轉型背景下，2020年國務院頒布了《新能源汽車產業(yè)發(fā)展規(guī)劃》，表明汽車消費市場正逐漸從燃油汽車向電動汽車轉移，這一變革也促使汽車設計理論和研究方法都將發(fā)生變化。電動汽車相較傳統(tǒng)燃油汽車而言，受發(fā)動機、變速箱、底盤等汽車原始技術影響相對較小。這就導致了電動汽車造型設計從最初的目標用戶、產品定位、設計意圖到最后的造型表達，都呈現(xiàn)出與傳統(tǒng)汽車不一樣的設計思路。同時，國內外電動汽車品牌在加工質量和技術配置方面的差異并不大，這也促使造型設計成為了各電動汽車品牌之間最重要的區(qū)分標準，構成影響目標用戶偏好和購買決策的重要因素[1-2]。因此，如何根據(jù)電動汽車產業(yè)發(fā)展趨勢以及具體用戶需求，探尋科學有效的電動汽車設計方法，成為當前電動汽車企業(yè)所面對的關鍵問題之一。

當前，國內外學者針對這一問題進行了廣泛研究，現(xiàn)階段電動汽車造型研究主要集中在設計方法、評價研究及特征研究三個維度。1) 設計方法。KUO et al[3]將科學、技術、工程和數(shù)學四種設計理念融入到電動汽車工程設計中，提出了一種系統(tǒng)創(chuàng)新的STEM設計方法。盧兆麟等[4]基于自然語言處理的產品語義表征方法，通過社會、經濟和技術三因素，分析了電動汽車的產品機會，提出了“語義分析→造型設計→工程設計”產品語義分析在新能源汽車造型設計方法。2) 評價研究。崔宜若等[5]運用感性工學設計理論應用于微型電動汽車前臉造型設計的方法，并結合模糊評價法設計出一款滿足女性用戶感性需求的微型電動汽車。李勇等[6]運用感性工學方法對純電動汽車感性意向和設計要素關系進行了研究，根據(jù)用戶意象感知特征提出SPSD評價標準，改進了純電動汽車造型設計方法。程永勝等[7]提出了一種基于感性工學和層次分析法的汽車造型意象評價方法，有效協(xié)助設計人員通過造型意象評價對3款電動汽車設計方案進行篩選。3) 特征研究。程永勝等[8]提出一種基于神經網(wǎng)絡的電動汽車造型意象預測模型，有效地解決造型意象研究當中造型特征和感性意象之間的匹配問題。趙靜等[9]基于形狀文法理論，將提取出的品牌造型特征通過一定的變化規(guī)則進行推演，演化出大量滿足品牌繼承性要求的全新電動汽車造型。基于上述研究，從時間維度上來看，國內針對電動汽車造型研究開展較晚，從側面反映了國內學術界對此問題的研究還處在初期階段。從內容維度來看，現(xiàn)階段研究主要集中在電動汽車造型設計方法、造型評價和造型特征三個方面。而關于電動汽車造型意象的研究還相對較少，缺乏從宏觀到微觀的系統(tǒng)性分析，還未形成較為完整的電動汽車造型意象研究體系。而在電動汽車造型意象研究的過程中，用戶作為電動汽車最終的使用者，其對于造型意象的認知對設計決策具有重要影響；因此針對該問題的研究其關鍵在于如何準確獲取用戶對電動汽車造型意象的感性認知知識。

現(xiàn)階段有關汽車造型意象研究大多是基于各類語義評價量表獲取用戶的感性意象認知數(shù)據(jù)，但該方法存在較多不足之處：語義評價量表當中的意象詞匯大多是通過專家學者和設計人員進行篩選和確定，而消費者作為最終評價用戶，能否準確感知意象詞匯是影響最終評價數(shù)據(jù)有效性的關鍵點。同時，考慮到電動汽車造型相較一般工業(yè)產品而言，其造型復雜度較高，所呈現(xiàn)出多維度的造型意象特征；而語義評價量表受評價用戶專業(yè)能力、認知維度和審美偏好等差異影響較大，極易影響最終評價數(shù)據(jù)的準確性。此外，在評價過程中較難組織大量評價用戶進行統(tǒng)一測試，容易導致評價數(shù)據(jù)獲取周期較長，數(shù)量較少等問題，導致評價數(shù)據(jù)缺乏權威性?；谝陨蠁栴}，近年來開始有學者將用戶評價數(shù)據(jù)引入造型意象研究之中。張國方等[10]利用自然語言處理技術對評論數(shù)據(jù)進行用戶需求分析，并通過QFD將用戶需求轉化為設計問題，從而獲得最佳的產品設計方向。林麗等[11]為解決傳統(tǒng)感性意象研究中真實用戶信息極少及需案例推理的問題，提出了基于網(wǎng)絡評價數(shù)據(jù)的產品感性意象無偏差設計方法。宋君等[12]利用網(wǎng)絡產品評論數(shù)據(jù)，通過文本挖掘、情感傾向分析、LDA主題建模等技術構建了產品評價模型。

上述文獻的研究主要集中在對評價數(shù)據(jù)的處理及用戶知識的挖掘，缺乏將分析結果應用到實際的造型意象決策之中。目前，各大汽車平臺積累了大量的用戶評價數(shù)據(jù)，該數(shù)據(jù)成為獲取用戶知識的重要資源。為此，本文構建了一種基于用戶評價數(shù)據(jù)驅動下的電動汽車造型意象決策模型，將分析結果應用到電動汽車實際設計案例中，輔助設計人員在進行設計決策時獲取最佳設計方案，進而縮短產品研發(fā)周期，降低企業(yè)研發(fā)風險。

1 基于用戶評價數(shù)據(jù)的造型意象決策模型

本文主要基于用戶評價數(shù)據(jù)對電動汽車造型意象進行設計決策研究，共分為五個階段展開：第一階段，研究樣本篩選確定與爬取用戶評價數(shù)據(jù)；第二階段，評價數(shù)據(jù)預處理及情感分析；第三階段，研究樣本造型特征劃分及要素編碼；第四階段，構建造型要素與用戶情感之間的映射關系；第五階段，造型意象決策模型案例應用。具體研究流程如圖1所示。

圖1 研究流程Fig.1 Research process

1.1 評價數(shù)據(jù)獲取及參數(shù)化

自然語言處理(NLP)是人與計算機間建立有效溝通的重要媒介。人機間的通信不僅要求計算機能理解用戶信息，還要求計算機能對用戶意圖作出回應。其核心在于將用戶信息(文本數(shù)據(jù))轉化成計算機能讀懂的二進制表達，其中轉化過程主要有文本分類、情感分析和意圖識別等內容。在采用自然語言處理技術對文本數(shù)據(jù)進行處理前，本文使用Python軟件爬取研究對象所需要的文本數(shù)據(jù)。當前，各大汽車網(wǎng)站中的網(wǎng)絡評價數(shù)據(jù)包含了非常豐富的用戶知識，其中也包括了用戶對于汽車造型意象的心理感受和大量相關語義表征內容。但用戶評價數(shù)據(jù)具有一定的差異性，同一類型產品不同用戶可能存在不同的意象認知。因此，在面對龐大的用戶評價數(shù)據(jù)時，則需要對爬取的評價數(shù)據(jù)進行數(shù)據(jù)清理與預處理，如剔除語料中特殊符號，將繁體字轉換為簡體字，對評價數(shù)據(jù)進行分詞、詞性標注和文本表征等處理，以此來解決評價數(shù)據(jù)中語義空間高維性、語義相關性和特征分布稀疏等問題。

為進一步獲取評價數(shù)據(jù)中用戶對造型意象需求項，本文采用TF-IDF(term frequency-inverse document frequency)算法獲取評價數(shù)據(jù)當中的造型語義特征，依據(jù)詞匯的數(shù)量閾值來量化評價數(shù)據(jù)當中的關鍵詞匯。TF-IDF是一種用于信息檢索與文本挖掘的常用加權技術，主要用以評估詞匯在語料庫中的重要程度。TF-IDF實際上是由TF和IDF兩部分組成，TF統(tǒng)計詞匯在單一評價語料內的出現(xiàn)頻率，出現(xiàn)頻率越高則表明該詞匯越能反映該評價語料的語義特征；IDF則統(tǒng)計詞匯在整個評價語料集合中出現(xiàn)的頻率，頻率越低則表明該詞匯在整體評價語料集中更具區(qū)分性。因此，TF-IDF算法將兩者結合，可過濾掉評價數(shù)據(jù)中通用詞匯，從而保留評價數(shù)據(jù)當中的關鍵詞匯。其具體計算公式如下：

(1)

(2)

w(FT,ij-FID)=FT×FID .

(3)

式中：FT,ij為詞匯i在評價語料j中的FT值；nij為詞匯i在評價語料j中出現(xiàn)的次數(shù)；∑knk為評價語料中所有詞匯出現(xiàn)的總和；FID,i為詞匯i的FID值；|D|為評價語料中的文檔總數(shù)；|{j∶ti∈dj}|為評價語料j中包含詞匯ti的文檔數(shù)目。

1.2 評價數(shù)據(jù)情感分析

情感分析(sentiment analysis)是自然語言處理中針對文本數(shù)據(jù)傾向性分析和意見挖掘的應用場景。它可以對帶有情感色彩的用戶評價數(shù)據(jù)進行分析、處理、歸納和推理，對于指導產品更新迭代具有關鍵性作用。情感分析包括了對情感傾向分析、情感程度分析、主客觀分析等?，F(xiàn)階段情感分析方法大致可以分為兩類：基于情感詞典方法和基于機器學習方法?；谇楦性~典方法是通過制定一系列的情感詞典和規(guī)則，對文本進行拆解、句法分析并計算情感值，將情感值作為文本的情感傾向依據(jù)?；跈C器學習的方法是將問題轉化為一個分類問題來看待，將目標情感分為正面或負面，進而對評價文本情感極性進行判斷。通過情感分析可以有效挖掘產品在不同維度的用戶情感特征，從而為設計實踐提供指導意見。

本文采用情感詞典的方法，對評價數(shù)據(jù)進行情感分析。將上述通過TF-IDF算法獲取到的關鍵詞補充到情感詞典當中，構建適合本文研究領域的情感詞庫；然后根據(jù)屬性詞典、情感詞典等匹配每個評價語料的關鍵詞，以及關鍵詞附加的情感詞，并用程度副詞和否定詞調整情感強度，每個評價語料中的關鍵詞的情感值計算公式[13]如下：

f(yi)=s(yi)*s(e)*s(not)k*s(adv) .

(4)

式中：f(yi)為每一個評價語料中關鍵詞的情感值；s(yi)為關鍵詞初始值；s(e)為情感詞的值；s(not)k=-1為否定詞的值，k為情感詞前面的否定詞數(shù)量；s(adv)為程度副詞的值。

1.3 造型特征劃分及要素編碼

用戶對于電動汽車造型意象認知是由多維造型特征從整體視角進行呈現(xiàn)，根據(jù)已有文獻與研究[14-16]多維造型特征主要可分為主特征、附加特征、過渡特征及相關特征。主特征一般為車身結構的主要拉制特征，例如車身尺寸、比例和形態(tài)等特征，其中在用戶認知過程中對整體造型意象的形成具有重要作用。過渡特征則用于處理主特征當中各造型要素之間的連接關系，對整體意象的形成具有輔助作用。在主造型特征和過渡特征之外，還存在汽車造型附加特征，一般指主特征當中獨立存在的關鍵部件，如進氣格柵、水箱罩和后視鏡等，是通過裁減和添加手法形成的局部造型區(qū)域[17]。相關特征則體現(xiàn)了汽車外觀造型中不同造型要素之間的位置關系。然而，評價用戶大多都是非專業(yè)人士，對于電動汽車造型特征的關注點相比專業(yè)人士而言不可能這么全面。因此，本文將電動汽車造型特征降低維度，劃分為主體特征、次要特征和輔助特征三類。

1.4 造型要素與用戶情感映射關系的構建

(5)

假定因變量和各項目、類目之間存在線性關系，則可建立數(shù)學模型[15]：

(6)

式中：bij為僅依賴于i項目之j類目的系數(shù)；εm為第k次抽樣中的隨機誤差；Im為第m個研究樣本用戶認知情感值。

2 案例研究

2.1 研究樣本篩選確定

由于不同車型在車身尺寸、比例、形態(tài)和空間等主體特征存在較大差異，會直接影響用戶評價標準。為使本研究更具針對性，本文選擇以微型電動汽車為研究對象展開科學研究。通過車企網(wǎng)站、實地拍攝、宣傳資料等方式大量搜集研究樣本。同時，為保證每個研究樣本造型特征展示的完整性，每個樣本選取前臉、尾部和側面3個視角作為研究樣本視圖。并對研究樣本圖片按照統(tǒng)一比例修改車身尺寸，去除樣本背景和灰度處理，制作成統(tǒng)一規(guī)格研究樣本圖片，便于清晰辨認研究樣本的具體造型特征。最終，邀請設計領域專家、學者采用德爾菲法進行討論，先向專家學者介紹研究目的，舉例說明影響微型電動汽車外觀設計的主要造型特征和要素；通過反復征詢、歸納、修改，剔除造型特征模糊、造型相似度較高、視圖角度較差和車型老舊等研究樣本，得到專家小組一致意見，確定20款微型電動汽車作為研究樣本，如圖2所示。研究樣本基本上覆蓋了當前市場主流汽車品牌的微型電動車型，具有一定的代表性。

2.2 評價數(shù)據(jù)預處理及情感分析

2.2.1獲取用戶評價數(shù)據(jù)

當前大多數(shù)汽車網(wǎng)站已將用戶評價按動力、油耗、外觀和內飾等不同屬性做了詳細劃分。其中汽車之家和太平洋汽車網(wǎng)作為中國目前最全面的汽車垂直網(wǎng)站之一，其用戶活躍量常年位居汽車門戶網(wǎng)站第一隊列，其中有關汽車外觀造型的用戶評價數(shù)據(jù)也最為豐富。因而，本文以汽車之家網(wǎng)和太平洋汽車站作為用戶評價數(shù)據(jù)采集對象，運用Python軟件對用戶評價數(shù)據(jù)進行爬蟲，定向抓取上述20款微型電動汽車研究樣本的外觀造型評論數(shù)據(jù)共計4 053條，表1為部分研究樣本的用戶評價數(shù)據(jù)展示。

圖2 研究樣本三視圖Fig.2 Research sample

表1 用戶評價數(shù)據(jù)集(部分車型)Table 1 User evaluation data set (some models)

2.2.2評價數(shù)據(jù)分詞

在自然語言處理領域，中文語言和絕大多數(shù)西方語言不同，詞語與詞語之間沒有區(qū)分符號。本階段采用Python軟件中的Jieba模塊對上述研究樣本的用戶評價數(shù)據(jù)進行分詞和詞性標注，同時，分詞之后的用戶評價數(shù)據(jù)中還存在大量出現(xiàn)頻率高卻不影響文本語義的停用詞，故需對評價數(shù)據(jù)進行清洗，從而過濾掉與造型意象語義無關的包括停用詞和特殊標點符號等。

2.2.3評價數(shù)據(jù)關鍵詞提取

關鍵詞可以準確地反映出評價數(shù)據(jù)當中用戶的關注點，本文以TF-IDF算法對20款研究樣本評價數(shù)據(jù)進行計算。即評價數(shù)據(jù)中關鍵詞的詞頻越大，同時該關鍵詞在其他評價文本中出現(xiàn)的頻率越低，證明該關鍵詞對于該評價數(shù)據(jù)的重要程度越高，越能表明評價語料的語義特征。通過計算得到20款研究樣本評價數(shù)據(jù)中的關鍵詞，并根據(jù)關鍵詞出現(xiàn)的頻率及詞性特點，選擇名詞及形容詞排名前十的關鍵詞進行匯總，如表2所示。

根據(jù)獲取的關鍵詞及詞頻可以發(fā)現(xiàn)，20款研究樣本中“外觀”關鍵詞大多排在第一位，證明該用戶評價數(shù)據(jù)的關注點集中在微型汽車整體外觀造型上，結果具有較強的針對性。同時，對獲取的關鍵詞做進一步劃分，可將其劃分為描述造型特征與造型意象兩類詞匯。例如外觀、車身、線條、輪轂和大燈等造型特征的頻繁出現(xiàn)，表明用戶對于微型電動汽車相關造型要素關注度較高，可為后續(xù)造型特征劃分及要素提取提供相應參考。而對描述造型意象相關詞匯進行分析可以發(fā)現(xiàn)，20款研究樣本評價數(shù)據(jù)當中小巧、時尚、或與描述顏值相關的近義詞匯出現(xiàn)頻繁較高。因此，本文最終確定以小巧、時尚和顏值3個詞匯作為微型電動汽車代表性造型意象關鍵詞，進行后續(xù)研究。

表2 20款研究樣本關鍵詞及詞頻Table 2 The keywords and word frequency for 20 samples

2.2.4評價數(shù)據(jù)情感分析

評價數(shù)據(jù)中包含了豐富的用戶情感知識，為此針對評價數(shù)據(jù)的情感分析本文利用情感詞典的方法獲取評價數(shù)據(jù)中屬性詞的情感值與情感傾向。首先，需要確定情感詞典，當前國內外較為權威的情感詞庫有知網(wǎng)發(fā)布的HowNet情感詞典、臺灣大學的NTUSD中文情感詞典、大連理工的中文情感詞本體庫等資源[20]。本文選擇情感詞匯更加豐富的大連理工的中文情感詞本體庫，并結合本文評價數(shù)據(jù)篩選出來的情感詞，構成情感詞典。將正負情感詞的情感值設定為1和-1.本文采用Python軟件中SnowNLP模塊并根據(jù)1.2節(jié)公式(4)計算評價數(shù)據(jù)中關鍵詞的情感值進行分析。情感分析數(shù)據(jù)可以準確地反映評價用戶對該研究樣本的認知程度，表5為研究樣本情感分析結果。

2.3 研究樣本造型要素編碼

由于電動汽車造型特征與傳統(tǒng)汽車燃油汽車存在較為明顯差異，而造型意象的傳遞主要是通過汽車車身不同造型特征之間相互組合向用戶傳遞感性意象信息，為了更好地建立電動汽車造型意象傳遞過程，需要重新對電動汽車造型特征中造型要素進行編碼?？紤]到用戶對造型特征的關注度及不同造型特征中所展示的造型要素豐富程度，并根據(jù)汽車造型特征線認知實驗得出的主特征線、過渡特征線和附加特征線分類依據(jù)[21]，將微型電動汽車造型特征劃分范圍分為主要特征、次要特征和輔助特征3類。其中，主體特征項目包括尺寸、比例、姿態(tài)與空間四類造型特征項目；次要特征包括頂線、腰線、裙線和輪眉4類造型特征項目；輔助特征主要包括前格柵、前燈組、后燈組等3類造型特征項目。根據(jù)微型電動汽車研究樣本確定每一類造型特征項目所包含的造型要素類目，并對其進行編碼，如表3所示。

表3 造型要素編碼Table 3 Coding of modeling elements

2.4 電動汽車造型意象決策模型構建

以表4中研究樣本造型特征作為項目，造型要素作為類目，將“小巧”“時尚”“顏值”3個造型意象關鍵詞的情感值作為因變量，根據(jù)公式(6)將20個電動汽車研究樣本進行參數(shù)化表達，構建造型意象評價矩陣，如表4所示。然后，利用SPSS統(tǒng)計軟件采用多元回歸模型將電動汽車造型要素類目作為自變量，用戶認知情感值作為因變量，根據(jù)公式(7)建立數(shù)學模型進行數(shù)據(jù)分析，得出電動汽車造型特征中各個造型要素對關鍵詞情感值的顯著性，以“Y2時尚”關鍵詞為例，模型分析結果摘要如表5所示。

模型中R2代表該模型中自變量對因變量的解釋度，數(shù)據(jù)越接近1說明模型的解釋力較強。分析結果顯示該模型R2為0.917，證明該多元回歸模型擬合度較強。此外，分析結果中顯著性(sig)值小于0.05則代表該自變量對因變量的具有顯著影響；若顯著性(sig)值大于0.05則說明該自變量對因變量沒有不具有顯著影響。表5中顯著性(sig)為0.028，說明造型要素類目(自變量)能夠顯著預測用戶認知情感值(因變量)。

表4 研究樣本造型意象矩陣Table 4 Modeling image matrix of research samples

表5 模型分析結果摘要Table 5 Summary of model analysis results

回歸系數(shù)則反映了該模型中自變量顯著性(sig)值小于0.05的具體數(shù)量，具體分析結果如表6所示。通過分析結果可以得知：主體特征A中尺寸、比例、姿態(tài)和空間造型特征對微型電動汽車“時尚”造型意象影響并不明顯，也在一定程度上證明了微型電動汽車由于車身尺寸較為小巧，因此在比例、姿態(tài)和空間上的差異并不明顯。其中B21上揚腰線、C21幾何形前燈組、C33異形后燈組共3個造型要素顯著性(sig)值小于0.05，表明其對微型電動汽車“時尚”造型意象影響最為顯著，也說明了用戶對于“時尚”造型意象的關注點在于車身的次要特征和輔助特征上。這也說明車身細節(jié)可以很好地區(qū)分用戶認知知識，構成造型意象差異化。

表6 回歸系數(shù)分析結果Table 6 Regression coefficient analysis results

根據(jù)上述方法，對“小巧”“顏值”兩個意象詞匯進行多元回歸分析，得出不同意象關鍵詞與造型要素之間的相關性，具體分析結果如表7所示。每個意象詞匯中選取顯著值小于0.05的造型要素作為該造型設計參考元素，其中“小巧”的造型意象主要受到A42緊湊空間、B12平緩的頂線、B32平緩的裙線、C12封閉的前格柵、C21幾何形前燈組和C33異形后燈組等造型要素影響；而“顏值”的造型意象則受到A22夸張的車身比例、B21上揚的腰線、B42分體式輪眉、C22多邊形前燈組、C31幾何形或C33異形后燈組等造型要素的影響。

表7 “小巧”“顏值”意象詞匯分析結果Table 7 Analysis results of “compact” and “appearance level” image vocabulary

2.5 案例應用

針對電動汽車造型意象的應用研究應處于汽車造型設計過程中的最前端，這樣不僅可以降低汽車開發(fā)風險及成本，同時又可以提升設計人員對于整體造型意象地把控。因此，為驗證上述決策模型的可行性，同時基于上述研究本文邀請專業(yè)汽車設計師以因變量“Y2時尚”造型意象關鍵詞為設計目標，從造型特征項目中挑選顯著性(sig)值偏向“時尚”造型要素類目B21上揚腰線、C21幾何形前燈組、C33異形后燈組，以此為設計基礎進行全新的微型電動汽車設計方案，如圖3所示。

圖3 微型電動汽車設計方案Fig.3 Miniature electric Vehicle design scheme

設計方案分為4個階段：1) 前期草圖階段，主要是將造型要素進行創(chuàng)新整合，盡可能將“時尚”的造型意象主題表達出來；2) 中期草圖階段，對前期草圖設計當中的不足進行優(yōu)化，并通過不同視角展示造型特征及造型要素；3) 方案效果圖階段，采用PS軟件對微型電動汽車整體造型效果進行繪制，更加清晰地展示C21幾何形前燈組、C33異形后燈組造型要素。4) 方案膠帶圖階段，根據(jù)B21上揚腰線造型要素，對車身側面造型特征進行準確表達，為后續(xù)企業(yè)專家進行造型意象評審及設計人員后期制造油泥模型使用。

由于需要驗證案例是否符合用戶對“時尚”的感性認知，將設計方案圖制作成“-3，-2，-1，0，1，2，3”語義評價量表進行調研。受試者選擇具有電動汽車駕駛經驗用戶或潛在購買用戶，共26人，其中男性用戶 17人，女性用戶9人，最終該設計案例得分均值為1.76，表明該案例設計基本符合用戶對于“時尚”的造型意象認知。

3 結論

本文面向電動汽車造型意象，基于用戶網(wǎng)絡評價數(shù)據(jù)和數(shù)量化理論I類理論，獲取了關鍵詞情感值與造型特征要素編碼，以此為基礎建立了用戶認知情感與造型特征要素兩者之間的數(shù)學模型，并通過元回歸分析對模型進行了分析，得出如下結論：

1) 將用戶評價數(shù)據(jù)引入到電動汽車造型意象研究中，通過網(wǎng)絡爬蟲、關鍵詞提取與情感分析，可在短時間內獲取大量用戶需求信息和情感數(shù)據(jù)；相比傳統(tǒng)語義量表方法，網(wǎng)絡評價數(shù)據(jù)具有主觀性弱、時效性高和數(shù)據(jù)量大等特點，獲取的關鍵詞和情感值更加準確。

2) 設計方案評估作為設計流程中具有決策性的一個環(huán)節(jié)，將網(wǎng)絡評價數(shù)據(jù)算法與統(tǒng)計學方法相結合，為衡量電動汽車造型意象是否能夠滿足用戶預期的情感需求提供了一種決策方法，也為相關電動汽車前端設計中造型意象研究提供了理論參考。

3) 研究尚存在一些不足之處，如對評價數(shù)據(jù)關鍵詞提取僅考慮了詞頻及詞性特點，未考慮單個關鍵詞與具體造型特征之間的隱性關聯(lián)，獲取的用戶需求信息存在一定的片面性；同時，隨著電動汽車車型的持續(xù)更新，造型要素劃分范圍必然越加豐富，這樣才能構建更加系統(tǒng)的電動汽車造型意象決策模型，這些都是后續(xù)研究中有待解決的問題。