基于設(shè)計情境的制造知識主動推薦方法

王克勤，魏姣姣，李 靖，張新衛(wèi)，同淑榮

（西北工業(yè)大學(xué) 設(shè)計管理研究所，西安 710072）

0 引言

產(chǎn)品設(shè)計是知識密集型活動[1]。為提升產(chǎn)品設(shè)計的可制造性，減少設(shè)計返工事件的發(fā)生，要求產(chǎn)品設(shè)計者在設(shè)計之初就考慮到，并能及時獲取支持產(chǎn)品設(shè)計的制造知識。相關(guān)研究表明，以查詢?yōu)橹鞯闹R獲取途徑，不僅費時費力，而且查詢結(jié)果冗余度高[2,3]，嚴重影響了設(shè)計者的設(shè)計質(zhì)量和效率。如何高效的為設(shè)計人員提供所需要的制造知識成為提升產(chǎn)品設(shè)計可制造性的關(guān)鍵問題。知識推薦技術(shù)能夠在合適的時間，合適的地點，將合適的知識推薦給合適的人員，為解決該問題提供了新思路。

基于知識推薦方法，國內(nèi)外學(xué)者進行了大量的研究。Moon等提出一種基于多Agent的設(shè)計知識推送方法，為其推送合適的設(shè)計知識[4]。Yan等提出一個從工程設(shè)計過程中獲取知識的模型和方法，提取設(shè)計人員需求[5]。馮毅雄等提出基于特征語義分析的數(shù)控機床設(shè)計知識推送方法，獲取符合設(shè)計人員需求的設(shè)計知識推送方案[6]。

但是，現(xiàn)有面向設(shè)計人員的知識推薦研究，對設(shè)計過程下游需要的制造知識考慮較少；在推薦方法實現(xiàn)中，主要考慮設(shè)計人員興趣/日志等，很少涉及除此外的其它情境信息。同時，這些模型、方法或推薦系統(tǒng)均未從情境維度考慮設(shè)計人員當前的實際行為，且推薦的信息存在過載現(xiàn)象。研究表明，若將情境信息考慮到推薦系統(tǒng)或算法中，能夠填補用戶陳述偏好與實際行為之間的差異，削減信息過載的現(xiàn)象[7]；同時，情境信息對于信息篩選和提高推薦信息的質(zhì)量有很大幫助[8]。采用情境感知技術(shù)能夠快速捕捉到設(shè)計者在進行設(shè)計活動時所處的情境，并根據(jù)情境信息推斷設(shè)計者的當前知識需求，在恰當?shù)臅r機將恰當?shù)闹R或服務(wù)推薦給設(shè)計者[9]。

本文分析了設(shè)計情境要素及屬性，構(gòu)建設(shè)計情境要素交互模型，為全面獲取設(shè)計情境信息打下基礎(chǔ)。同時，提出一種基于設(shè)計情境的制造知識分類逐層過濾方法。該方法將設(shè)計情境信息融入各個判定模型，通過情境信息的過濾逐步確定設(shè)計人員當前需要的制造知識。與傳統(tǒng)面向設(shè)計人員的知識推薦方法相比，基于設(shè)計情境的制造知識主動推薦方法從設(shè)計人員當前情境角度出發(fā)，考慮設(shè)計人員在設(shè)計過程下游需要的制造知識，提高了對設(shè)計人員制造知識需求識別的準確度，為面向設(shè)計人員的制造知識精確推送提供新思路。

1 設(shè)計情境構(gòu)建

情境是可以用來描述實體狀態(tài)的任何信息，其中實體可以是人，地點，或者與用戶和應(yīng)用程序之間交互相關(guān)的客體，包括用戶與應(yīng)用程序本身[10]。情境要素是能夠清晰描述用戶所處情境的任何信息。DEY認為情境包括四種類型的信息，即時間（time），地點（location），身份（identity），及活動（activity）[10]。Schilit將情境要素概括為位置，周圍任何物體的標識，以及這些物體的變化[11]。顧君忠等圍繞用戶定義了情境譜系，將其分為五大類，計算情境，用戶情境，物理情境，時間情境，及社會情境[12]。

根據(jù)現(xiàn)有分類來看，基于不同的研究內(nèi)容，不同研究者給出的分類往往不同。但是，過少的情境要素類別可能造成用戶需求識別不完整。而多維度、高精度的情境要素構(gòu)成，則可能造成系統(tǒng)識別用戶情境的效率下降[13]。因此，本文將情境要素劃分為三類：用戶情境，環(huán)境情境及任務(wù)情境。

1）用戶情境：區(qū)分由用戶的個性、能力、文化程度和習(xí)慣等方面所引起的對所需服務(wù)的差異；包括：用戶基本信息、經(jīng)驗、專業(yè)背景等。

2）環(huán)境情境：包括物理情境，社交情境。物理情境用來說明實體所處的物理環(huán)境狀態(tài)，如所處位置、天氣、濕度等；社交情境則用來說明實體所處的社會環(huán)境和社交關(guān)系，包括文化背景、社會道德觀及影響力等。

3）任務(wù)情境：用來描述用戶當前正在從事的活動，及與完成活動相關(guān)軟硬件狀態(tài)。

結(jié)合設(shè)計人員在進行設(shè)計時所處的情境特征，認為設(shè)計情境是設(shè)計人員在從事與設(shè)計相關(guān)的活動時，用來描述其當前狀態(tài)的任何信息。

設(shè)計情境(Design Context, DContext)由兩部分構(gòu)成：當前設(shè)計情境(DContext(C))和歷史設(shè)計情境(DCcontext(H))；包括三個維度的16個情境要素；即：

DContext=DContext(C)+ DCcontext(H)，=< DCID，Designer，Professional background，Design experience，Operation record；Time，Location， Team，Role；Design process，Design goal，Design task，Design object，Design method，Design tool，Design activity，Networkstatus>。其中，DCID為設(shè)計情境的唯一標識，其他設(shè)計情境中各個要素的含義如表1所示。

表1 設(shè)計情境要素含義說明

設(shè)計情境各維度要素間都存在直接或間接的聯(lián)系。綜合考慮16個情境要素，以設(shè)計人員、設(shè)計活動要素為中心建立設(shè)計情境要素交互關(guān)系模型，如圖1所示。

圖1 設(shè)計情境要素交互關(guān)系模型

2 制造知識主動推薦方法

2.1 基于設(shè)計情境的制造知識分層過濾框架

產(chǎn)品設(shè)計由多個設(shè)計活動構(gòu)成。設(shè)計活動確定了需要解決的問題，進而決定了需要運用的制造知識，是產(chǎn)生制造知識需求的源頭。故以設(shè)計活動為出發(fā)點，提出一種基于設(shè)計情境的制造知識分類逐層過濾框架，如圖2所示。

圖2 基于設(shè)計情境的制造知識分類逐層過濾框架

基于設(shè)計情境的制造知識分類逐層過濾框架包括四個步驟：1）確定設(shè)計活動類別；2）確定所需要的制造知識類別；3）獲取相關(guān)制造知識；4）挑選最需要的制造知識。

2.2 確定設(shè)計活動類別

分類逐層過濾框架的第一步以設(shè)計人員當前設(shè)計情境信息為輸入，預(yù)測與當前設(shè)計情境相匹配的設(shè)計活動類別。預(yù)測過程由四個模型共同確定：活動模型，設(shè)計人員偏好模型，流行度模型及歷史模型。四個模型分別為設(shè)計人員可能正在從事的設(shè)計活動類別進行打分。分值評估了在給定設(shè)計情境下，設(shè)計人員對其所從事的設(shè)計活動類別的認可度。

1） 活動模型

活動模型的本質(zhì)是基于事實的規(guī)則，適用于所有用戶。在產(chǎn)品開發(fā)與設(shè)計過程中，每個設(shè)計活動包含確定的關(guān)鍵子設(shè)計活動，依次類推。

定義 1：活動模型(Activity Model)采用四元組進行表示Activity Model=，其中：Weight11表示權(quán)重，即活動模型在所有識別設(shè)計活動類別的模型中所占的權(quán)重；DContext(C)表示當前設(shè)計情境信息，其他模型與其表示含義一致；Category表示設(shè)計活動類別；Score11表示當前設(shè)計情境信息屬于某類設(shè)計活動的程度，分值越高當前設(shè)計情境信息屬于某類設(shè)計活動的程度越大。下述模型中各個屬性所表示的含義與活動模型中屬性含義類似，可類推。

2）設(shè)計人員偏好模型

設(shè)計人員偏好模型可從給定情境中將用戶傾向的設(shè)計活動類別挑選出來，例如，根據(jù)設(shè)計人員偏好的時間，地點，設(shè)計工具等推出設(shè)計人員當前所從事的設(shè)計活動。

定義 2：設(shè)計人員偏好模型(Preference Model)用五元組進行表示 Preference Model=< Weight12，Designer，DContext(C)，Category，Score 12>，其中，Designer表示當前設(shè)計人員。

3）流行度模型

流行度模型能夠預(yù)測設(shè)計情境信息和設(shè)計活動類別之間的相關(guān)性程度。通過跟蹤用戶歷史行為，收集用戶反饋信息，發(fā)現(xiàn)設(shè)計情境信息與設(shè)計活動類別之間的相關(guān)性。

定義 3：流行度模型(Popularity Model)用四元組進行表示 Popularity Model=。

4）歷史模型

歷史模型聚合每個用戶的歷史行為，并將其形成一個文件，進而學(xué)習(xí)每個用戶的個性化實踐經(jīng)驗和習(xí)慣。在該文件中，用戶的反饋與用戶對某類設(shè)計活動的感興趣程度成正比。

定義 4：歷史模型(History Model)采用五元組進行表示 History Model=< Weight14，Designer，DContext(C)，Category，Score14>。

5）采用分類聚合器進行加權(quán)平均

采用分類聚合器，首先，將四個模型給出的在該設(shè)計情境下用戶對設(shè)計活動類別的感興趣程度，即分值標準化；其次，對標準化后分數(shù)進行加權(quán)平均，進而為每個設(shè)計活動類別得到一個單獨的分值。標準化公式如式(1)所示，加權(quán)平均公式如式(2)所示。

式(1)中，Score（S1i）：推薦方法第1步的第i個模型的標準分值。SDA：四個模型的加權(quán)平均值。Weight11×Score11：第1個模型——活動模型的加權(quán)分值。Weight1i權(quán)重的設(shè)定分為兩種情況：靜態(tài)權(quán)重和動態(tài)權(quán)重；其中，靜態(tài)權(quán)重一般由業(yè)內(nèi)專家評分確定；動態(tài)權(quán)重可用戶主動輸入確定，或是自適應(yīng)確定[13]。后文提及的去做那種確定方法與此類似。

2.3 確定所需要的制造知識類別

分類逐層過濾框架的第二步以得分值高的設(shè)計活動類別，及已有制造知識類別為輸入，采用文本相似度匹配方法，確定最需要的制造知識類別。

1）設(shè)計活動數(shù)據(jù)結(jié)構(gòu)

定義5：設(shè)計活動（Product Design Activity，PDA）采用8元組進行表示PDA=（PDAI，PDAN，PDAO，PDADR，PDAT，PDAL，PDAR，PDAD）；其中，PDAI為設(shè)計活動標識，PDAN為設(shè)計活動名稱，PDAO為設(shè)計活動對象，PDADR為設(shè)計活動執(zhí)行者，PDAT為設(shè)計活動時間，PDAL為設(shè)計活動地點，PDAR為設(shè)計活動資源，PDAD為設(shè)計活動描述。

2）制造知識數(shù)據(jù)結(jié)構(gòu)

定義6：制造知識（Manufacturing Knowledge，MK）采用8元組進行表示MK=（MKI，MKN，MKO，MKP，MKT，MKL，MKTP，MKD）；其中，MKI為制造知識標識，MKN為制造知識名稱，MKO為制造知識對象，MKP為制造知識創(chuàng)建者，MKT為制造知識使用時間，MKL為制造知識使用地點，MKTP為制造知識類型，MKD為制造知識描述。

3）設(shè)計活動和制造知識相似度匹配

基于設(shè)計活動和制造知識的數(shù)據(jù)結(jié)構(gòu)，對設(shè)計活動和制造知識進行文本相似度匹配。首先構(gòu)建設(shè)計活動向量ai，如式(3)所示：a表示設(shè)計活動庫中的每條設(shè)計活動，mij表示屬性cj在設(shè)計活動ai中所占的權(quán)重。

整合所有設(shè)計活動向量，即可得到設(shè)計活動庫A，如式(4)所示：同理，構(gòu)建制造知識向量ki，wij表示屬性cj在制造知識ki中所占的權(quán)重，如式(5)所示；整合制造知識向量，構(gòu)建制造知識庫K，如式(6)所示。

計算設(shè)計活動向量與制造知識向量之間的相似度，以此表示設(shè)計活動與制造知識之間的相匹配程度。采用余弦相似度計算，如式(7)所示。

當相似度值大于某閾值時認為該設(shè)計活動需要某項制造知識的支持。閾值根據(jù)不同實際情況確定。

2.4 獲取相關(guān)制造知識

分類逐層過濾框架的第三步以得分值較高的制造知識類別為輸入，獲取與該類別制造知識相關(guān)的所有制造知識項。由于設(shè)計人員的當前情境狀態(tài)處于不斷變化之中，故一旦情境狀態(tài)發(fā)生變化，所獲取的相關(guān)制造知識類別項也隨之發(fā)生變化。相關(guān)制造知識可從制造知識庫，設(shè)計工具等相關(guān)的API接口獲取。

2.5 挑選最需要的制造知識

分類逐層過濾框架的最后一步以相關(guān)制造知識項或?qū)傩詾檩斎耄瑥闹刑暨x設(shè)計人員當前最需要的制造知識項或?qū)傩浴Ｌ暨x最需要的制造知識由四個模型共同確定：陳述熟悉度模型，協(xié)同過濾模型，當前情境模型，以及歷史情境模型。

其中，陳述熟悉度模型，協(xié)同過濾模型為解決冷啟動問題提供了相應(yīng)解決方案。當前情境模型，歷史情境模型為基于情境相似向設(shè)計人員推薦制造知識打下 基礎(chǔ)。

1）陳述熟悉度模型

陳述熟悉度模型是設(shè)計人員對制造知識項或制造知識屬性的顯示反饋。設(shè)計人員可以陳述自己對某個制造知識項或制造知識屬性的熟悉程度；在不同的情境下，設(shè)計人員對某制造知識項的熟悉程度可能不同，故陳述熟悉度模型不考慮情境信息。

定義7：陳述熟悉度模型（Statement familiarity Model，SF Model）以四元組的形式進行表示SF model=；其中，Weight41表示陳述熟悉度模型在所有挑選最需要的制造知識模型中所占的權(quán)重；Kiteam/Kattribute表示某條制造知識項或是某條制造知識項的屬性；Score41表示設(shè)計人員對某條制造知識項或是某條制造知識項的屬性的熟悉程度。對Score進行標準化處理，如式(8) 所示。

其中，Score（S41）表示推薦方法的第4個步驟中第1個模型的標準化分值，Score41表示推薦方法的第4個步驟中第1個模型的打分值，Score（S41）分值越高，將該條知識推薦給設(shè)計人員的機率越大。

2）協(xié)同過濾模型

協(xié)同過濾模型同樣不考慮情境信息，并使用標準的基于用戶的協(xié)同過濾算法為制造知識項進行打分，將最高的分值分配給用戶最不熟悉的制造知識項。同時，通過協(xié)同過濾算法計算用戶間的相似性，選取相似性較高的那些用戶作為目標用戶的近鄰，進而根據(jù)相似用戶為其推薦知識。

定義 8：協(xié)同過濾模型（Collaborative Filtering Model，CF Model）用四元組進行表示CF model=；其中，Weight42表示協(xié)同過濾模型在所有挑選最需要的制造知識模型中所占的權(quán)重；Score42表示設(shè)計人員對某條制造知識項或是某條制造知識項的屬性的熟悉程度。

3）當前情境模型

當前情境模型記錄設(shè)計人員當前設(shè)計情境信息，由當前設(shè)計情境，制造知識/屬性，及設(shè)計人員在當前設(shè)計情境下對某制造知識或?qū)傩缘母信d趣程度，即分值構(gòu)成。

定義 9：當前情境模型（Context（Current）， Context(C))采用四元組進行表示Context(C)= ；其中，Weight43表示當前情境模型在所有挑選最需要的制造知識模型中所占的權(quán)重；Score43表示在當前情境下，設(shè)計人員對某條制造知識項或制造知識屬性的感興趣程度，分值越高設(shè)計人員對該條制造知識或制造知識屬性越感興趣，將該條制造知識或制造知識屬性推薦給設(shè)計人員的機率越大。

4）歷史情境模型

歷史情境模型記錄當前情境模型之前的狀態(tài)，主要存儲設(shè)計人員歷史的情境信息。

定義 10：歷史情境模型（Context(History），Context(H)) 用四元表示 Context(H)=< Weight44，DContext(H)，Kiteam/Kattribute，Score 44>；其中，Weight44表示歷史情境模型在所有挑選最需要的制造知識模型中所占的權(quán)重；Score44表示在歷史情境下，設(shè)計人員對某條制造知識項或是某條制造知識項的屬性感興趣的程度。

5）項目聚合器

項目聚合器將四個模型給出的在該情境下用戶對某制造知識項的感興趣程度，即分值標準化后，加權(quán)平均，進而為每個制造知識項或制造知識項屬性得到一個單獨的分值。協(xié)同過濾模型，當前情境模型，及歷史情境模型的標準化公式如式(9)所示。最終分值計算公式如式(10)所示：

式(10)中，SKI：四個模型的加權(quán)平均值。Weight41×Score41：第一個模型——陳述熟悉度模型的加權(quán)分值。

3 案例分析

以某型號飛機垂尾的翼助設(shè)計為例，驗證該方法的可行性。假設(shè)設(shè)計人員A（簡稱A）正在使用SolidWorks對翼助進行設(shè)計，通過相關(guān)傳感器的實時監(jiān)測，獲取當前的設(shè)計情境如表2所示，“——”表示當前無法監(jiān)測，或通過推理得不到當前用戶的狀態(tài)。

根據(jù)對A以往行為的監(jiān)測，發(fā)現(xiàn)A具有對某型號飛機垂尾蒙皮方案進行設(shè)計的經(jīng)驗，同時具有下載“機翼翼肋實例零件庫設(shè)計”等的操作記錄。

1）確定設(shè)計活動類別

本文將所采用的設(shè)計活動分為五大類，每個活動都包含關(guān)鍵的子活動。基于設(shè)計活動數(shù)據(jù)結(jié)構(gòu)以樹形數(shù)據(jù)結(jié)構(gòu)表示設(shè)計活動標識號，如圖3所示。

圖3 設(shè)計活動編碼

通過咨詢相關(guān)學(xué)者和業(yè)內(nèi)專家確定各個模型的權(quán)重系數(shù)；在式(1)、式(2)的指導(dǎo)計算A當前所從事的活動所屬的設(shè)計活動類別，如表3所示。

表2 A在Tc時刻的情境信息

表3 A在Tc時刻所從事的設(shè)計活動類別得分

根據(jù)式(2)，可得出設(shè)計活動分類得分值：01：5.4；02：14.6；03：36.6；04：47.4；05：81.8，A當前所從事的活動屬于工藝設(shè)計活動。

2）確定制造知識類別

通過咨詢相關(guān)學(xué)者和業(yè)內(nèi)專家確定相似度閾值，認為當相似度大于0.5時，該制造知識被設(shè)計人員所 需要。

經(jīng)式(3)～式(7)計算，制造對象知識MK1，制造資源知識MK2，制造過程知識MK3，和制造成本知識MK4與翼助設(shè)計工藝設(shè)計活動的相似度分別為0.8，0.72，0.56，0.52，故認為這四類制造知識均為所需要的制造知識。

3）獲取相關(guān)的制造知識

由前兩個步驟可知Tc時刻A最需要的制造知識為翼助設(shè)計時的相關(guān)材料、零件知識（MK1），設(shè)備工藝性知識（MK2），加工方法、順序（MK3），以及設(shè)備成本（MK4）等相關(guān)知識，結(jié)合制造知識數(shù)據(jù)結(jié)構(gòu)，截取部分制造知識，如表4所示。

4）挑選A最需要的制造知識

以6條知識為例說明篩選過程，如表5所示。

根據(jù)式(10)計算出各個知識條目的得分值為：

0009130：19.6；0000002：34.1；0009123：67.4；0009124：75.7；0009129：33.2；0009130：27.2。故Tc時刻，A需要的制造知識排序為0009124，0009123，0000002，0009129，0009130，0009130。故將得分高的制造知識優(yōu)先推薦給A。

4 結(jié)論

針對產(chǎn)品設(shè)計活動知識密集型的特點，及產(chǎn)品設(shè)計人員知識查詢效率低、結(jié)果冗余度高的問題，結(jié)合情境感知技術(shù)，分析了設(shè)計情境要素及屬性，并構(gòu)建設(shè)計情境要素交互關(guān)系模型；該模型的建立有利于識別設(shè)計情境信息。在此基礎(chǔ)上，提出基于設(shè)計情境的制造知識分類逐層過濾方法，該方法在研究設(shè)計人員當前知識需求，并為其及時準確推薦個性化知識方面具有以下優(yōu)勢：第一，考慮設(shè)計情境信息，并根據(jù)設(shè)計情境信息首先判斷設(shè)計人員當前所從事的設(shè)計活動，進而縮小設(shè)計人員所需要的制造知識范圍；第二，采用多層次，多模型，異權(quán)重分類過濾的方法，處理不同情境下用戶由于個人習(xí)慣、經(jīng)驗、專業(yè)背景和偏好等產(chǎn)生的知識需求差異性問題。應(yīng)用表明，方法能夠為面向設(shè)計人員主動推薦個性化知識提供支持。

表5 A 在Tc時刻對某制造知識感興趣程度得分

參考文獻：

[1]吉祥,顧新建,代風(fēng),等.基于本體和粗糙集的產(chǎn)品設(shè)計知識推送技術(shù)[J].計算機集成制造系統(tǒng),2013,(01):7-20.

[2]Mcmahon C, Lowe A, Culley S. Knowledge management in engineering design: personalization and codification[J].Journal of Engineering Design,2004,15(15):307-325.

[3]Aurisicchio M. Understanding how the information requests of aerospace engineering designers influence information-seeking behaviour[J].Journal of Engineering Design,2010,21(6):707-730.

[4]Moon S K, Simpson T W, Kumara S R T. An agent-based recommender system for developing customized families of products[J].Journal of Intelligent Manufacturing,2009,20(6):649-659.

[5]Yanjin.Acquiring engineering knowledge from design processes[J].Artificial Intelligence for Engineering Design Analysis & Manufacturing,2002,16(2):73-91.

【】【】

[6]馮毅雄,張舜禹,高一聰,等.基于特征語義分析的數(shù)控機床設(shè)計知識精確智能推送方法[J].計算機集成制造系統(tǒng),2016,22(1): 189-201.

[7]Pessemier T D, Courtois C, Vanhecke K. A user-centric evaluation of context-aware recommendations for a mobile news service[J]. Multimedia Tools and Applications,2016,75(6):1-29.

[8]Pessemier T D,Dooms S, Martens L. Context-aware recommendations through context and activity recognition in a mobile environment[J].Multimedia Tools & Applications,2014, 72(3):2925-2948.

[9]Lei H, Sow D M, Davis Ii J S, et al. The design and applications of a context service[J].Acm Sigmobile Mobile Computing & Communications Review,2002,6(4):45-55.

[10]Dey A K.Understanding and Using Context[J].Personal & Ubiquitous Computing,2001,5(1):4-7.

[11]Schilit B,Adams N,Want R.Context-Aware Computing Applications[A].The Workshop on Mobile Computing Systems & Applications[C],1994:85-90.

[12]顧君忠.情景感知計算[J].華東師范大學(xué)學(xué)報(自然科學(xué)版), 2009,(05):1-20,145.

[13]潘旭偉.集成情境知識管理中幾個關(guān)鍵技術(shù)的研究[D].浙江大學(xué),2005.