數據驅動的產品概念設計知識服務模型構建

林園園，戰洪飛，余軍合，張桂海

LIN Yuanyuan,ZHAN Hongfei,YU Junhe,ZHANG Guihai

寧波大學 機械工程與力學學院，浙江 寧波 315211

Faculty of Mechanical Engineering and Mechanics,Ningbo University,Ningbo,Zhejiang 315211,China

1 引言

隨著市場上企業之間競爭的日益加劇，以及消費者的個性化需求日益強烈，企業要想在激烈的競爭中取得優勢，就必須能夠將消費者個性化需求融入到產品的設計過程中，以最快的速度、最低的成本提供質量最好的產品。又因為在產品的設計過程中，概念設計是產品設計的重要階段，它直接影響產品功能的創造、功能的分解以及功能和子功能的結構設計等環節。因此，提高概念設計階段的設計效率和創新水平對提高整個設計過程的效率和價值有重要的意義。

在產品的創新設計及面向產品的個性化需求方面，已有學者進行了大量的研究工作。孫厚朝等[1]對模塊化配置設計問題進行了詳細研究，并表示模塊化設計對提高產品的設計效率有很大的幫助，在未來的應用中將會起到重要的作用。延鵬等[2]針對客戶需求分析的產品配置問題，結合質量功能配置方法和基于規則推理的方法，提出了一種客戶需求映射方法。鄧鵬等[3]針對多類型客戶需求下的模塊化產品配置設計，給出了產品配置設計系統的框架結構。韓煜東等[4]為了在產品配置中滿足客戶感性需求的目標，提出了在感性需求和功能需求雙重驅動下的產品模塊化配置方法。Wang等[5]在分析客戶需求的基礎上，基于需求聚類方法來識別客戶的價值需求，建立了產品服務的模塊化體系，提出了基于本體建模的產品服務配置方法。楊艷華等[6]為了準確獲得滿足需求的結構方案，提出了需求/結構映射的灰關聯相似性匹配與求解方案。楊波等[7]在功能描述方法分析的基礎上，提出了一種對功能進行擴展建模的方法，該方法避免了功構映射過程中功能關聯圖出現組合爆炸，同時也避免了在概念化設計階段使用常規機構而過早地限制產品結構形式的缺陷。郭鋼等[8]為了解決傳統功能模型由于缺乏形式語義，進而很難利用計算機在功能空間中進行有效的推理，將基于描述邏輯的形式語義及其推理模型引入產品功能模型。金熙哲等[9]基于功能-行為-結構映射的機構系統概念設計模型，建立了整個工藝動作過程的動作方案，集中尋求最優化有效工作時段動作方案的評價規則、數學模型和求解方案，同時給出了實例驗證。陳正水等[10]基于機械系統“輸入-輸出流”轉換的功能表達方法提出了機械執行系統功能知識擴展方法，把機械執行系統的抽象功能轉化為可操作的具體形式。朱煒[11]為能夠設計出符合用戶需求的產品，提高設計的效率并縮短開發周期，提出了一種應用案例知識進行產品創新設計的方法。從國內外學者的研究看，大部分學者都只是從模塊化配置方法角度和概念設計過程中模型優化角度進行相關的理論研究，并沒有從創新設計的源頭——概念設計開展深入工作。然而近幾年隨著互聯網等大量數據的囤積，從數據挖掘角度和創新設計角度出發，為產品的概念設計提供知識服務支撐已經成為可能，經查閱文獻，景旭文等[12-13]提出在產品的概念設計過程中引入數據挖掘技術與方法，基于數據資源為機械產品方案創新設計過程提供支持，但最近幾年研究的相關文獻較少。因此本文在前人研究的基礎上，構建了數據驅動的概念設計創新知識服務模型，運用文本挖掘和聚類算法等技術，輔助設計人員快速地形成概念化設計的創新解決方案，進而加快產品的設計效率，同時提高企業的創新能力。

2 數據驅動的產品概念設計知識服務模型的構建

隨著電子商務的興起，越來越多的消費者在互聯網上購買商品，用戶開始在網站、論壇、微博等平臺來發表他們對某產品的功能、性能和服務等方面的態度和意見，在這些用戶評論中蘊含著企業的需求信息。同時專利是產品設計知識的重要來源，專利知識反映了新技術、新產品和新工藝方面涉及眾多學科領域的最新研究成果，具有很強的實用性和創新性，有目的地重用產品專利中的設計知識，有助于縮短新產品的開發周期，減少新產品的開發風險。同時專利數據和論文之間存在著內在的關系，基于專利可以找出相關的論文，為產品開發設計提供相關的技術支持。還有其他相關網上數據資源，比如技術博客等，都可以為產品設計提供相應的知識服務。因此，本文基于產品評論數據、專利數據等其他數據，結合相關研究算法，同時構建相關分析模型，為產品的設計者提供相應的知識服務，模型如圖1所示。

該知識服務模型主要包括算法庫、模型庫、數據庫和概念化設計的映射過程，主要基于需求—功能—原理—結構的映射過程，同時結合相關數據資源和算法，構建相關模型，為產品的設計者提供相應的知識服務。

3 數據驅動的產品概念設計知識服務模型具體構建過程

3.1 數據驅動的需求—功能—原理—結構映射模型構建

數據驅動的知識服務模型中最重要的就是基于數據資源構建需求—功能—原理—結構的映射模型，它是整個知識服務模型中的核心部分，因此本文構建了如圖2所示的映射模型。

圖1 數據驅動的產品概念設計創新知識服務模型

圖2 數據驅動的需求—功能—原理—結構的映射模型

該模型基于產品評論數據和專利數據等其他數據，展示了需求—功能—原理—結構的映射結構過程。首先基于消費者的評論信息，通過文本挖掘技術和情感分析技術構建了消費者的需求模型；然后構建功能模塊，該模塊主要分析了消費者的需求到底有哪些功能可以實現；接下來構建原理模塊，該模塊主要分析了這些功能的實現原理是什么，又因為在專利數據和相關的論文數據中包含著新原理和方法，這些原理和方法可以很好地幫助設計者進行相關的產品設計，進而本文基于專利數據和相關的論文數據，通過文本挖掘算法和聚類算法得到實現這個原理的結構；最后把相關的知識推薦給產品的設計者。

3.2 數據驅動的需求—功能—原理—結構映射模型構建技術與方法

3.2.1 消費者需求樹模型的構建

該部分的主要內容是基于產品的評論數據構建消費的需求樹模型，網絡上消費者對產品的評論數據真實反映了消費者使用該產品后內心的一些真實想法，最能體現出消費者對產品的哪些功能持滿意態度或者不滿意，因此本文通過文本挖掘技術和情感分析技術對產品評論數據進行分析，構建了消費者需求信息模型，如圖3所示。

首先運用網絡爬蟲爬取產品的評論信息，產品的評論信息包括評論的時間和評論的內容，把產品評論信息存放于excel表格中并且按時間順序進行排列，然后用R語言編寫程序對這些評論信息進行數據清理、分詞、詞性標注和停用詞的刪除。其次主要是對產品特征詞的提取、極性詞的提取、產品評價庫的構造、情感詞典的構造、產品特征極性強度的計算和整條評論信息的極性計算。最后對整個時間段內消費者對產品的情感波動情況進行了分析，并分析了產生波動的主要因素，同時基于社會網絡對波動因素的哪些方面評價進行了分析，得到了消費者的需求信息[14]。

一般消費者對產品的評論數據呈現出一種不確定性和動態性的特點，其中不確定性就是指模糊性，因為消費者的評論數據主要是從使用功能去理解，同時對需求的準確程度不能把握，從而使實際需求變得很模糊。消費者的需求心理一方面是經常性變化，另一方面是客戶對各種需求之間沒有唯一的重點和次要點，也呈現出實時變化性。為此，本文采用客戶需求分類樹的方法建立面向客戶需求分類，客戶需求分類樹是規范客戶需求信息的依據，對客戶的各種需求從不同的方面加以分類整理，使之規范化，把由客戶表達的需求信息轉化為企業可以識別的需求信息，從而更有利于企業與客戶之間的數據交換。消費者需求樹模型如圖4所示。

本文根據其他學者的研究及對產品評論的用詞，將客戶的需求分為7大類：工業美術性需求、維修性需求、可靠性需求、經濟性需求、結構需求、功能需求、性能需求。工業美術性需求是對產品的造型、顏色等方面提出需求；維修性需求包括產品的維修是否方便等；可靠性需求是指產品是否安全可靠；經濟需求包括產品的價格等；結構需求包括產品的外形尺寸、密封性等；功能需求是指客戶對產品的功能方面所提出的需求，如產品的傳動力、承載能力等；性能需求是指產品的物理性能、使用性等，如產品的質量、重量等。

3.2.2 需求—功能映射過程的構建

圖3 基于產品評論的消費者需求分析模型

圖4 消費者需求樹模型

該部分主要是構建客戶需求與功能之間的映射關系，以及這種表達方式如何使消費者和工程師都能夠更好地理解，既能使客戶從需求表達中定制自己的產品，同時又能使工程師根據客戶的需求表達對產品進行合理的規劃和設計。用戶的需求與產品設計的具體操作對象并不相同，需要合理地轉化，同時消費者的需求信息往往是從自身角度出發，對產品各方面的綜合要求，具有隱藏性、模糊性和動態性的特點。設計人員需要對這些需求進行理解，轉化為設計語言，將結果輸入到下一階段，因此在這一部分產品設計師首先需要自己建立消費者需求到功能結構的映射庫。首先消費者的需求可能由不同的功能來完成，它是一個一對多的關系，本文基于以前的歷史數據，運用關聯規則算法來挖掘客戶需求和功能之間的映射關系。

定義1BD為歷史的數據交易庫，BD=＜N,A＞,其中N代表需求信息庫，A代表功能信息庫，需求到功能的映射關系用關聯規則蘊含式Nij?Akf來表示，那么有Nij?I,Akf?I而且Nij∩Akf=φ，表示項集Nij在某一次交易中出現，則導致Akf以某一概率也會出現。設I={i1,i2,…,in}是交易數據庫BD中的r個不同項目的組合，每一個交易T都是I中的一組項目集合，全體交易構成了交易數據庫等于D交易的個數。

定義2規則Nij?Akf在交易數據庫BD中的支持度Support指BD中包含Nij和Akf的交易數與BD中包含的交易總數之比，如式（1）所示：

定義3規則Nij?Akf在交易數據庫BD中的可信度Confidence是指BD中包含Nij和Akf的交易數據與BD中包含Nij的交易數據之比，如式（2）所示：

定義4設定關聯規則的最小支持度supmin和最小可信度confmin，尋找支持度和可信度均不小于supmin和confmin的強關聯規則Nij?Akf。

最后將客戶和功能集合之間的關聯規則如圖5進行描述。在矩陣中的r值可以通過兩者有無關聯規則來確定，如式（3）所示：

圖5 需求—功能的映射過程模型

其中i=1,2,…,m;j=1,2,…,n;k=1,2,…,n;f=1,2,…,n。

3.2.3 功能—原理映射過程的構建

該模塊的構建主要是分析實現該功能的主要原理，以及完成該功能所需要的技術方法與手段。該模塊主要是在功能模塊和結構模塊之間建立一個映射橋梁，充分解釋最終結構是如何完成該功能的。由于功能與原理之間的關系是一個較為復雜的問題，它們之間的關系是多對多的映射關系，即一種功能可能對應多種原理來實現，而一種原理又可能滿足多種功能，因此功能和原理之間的關系本質上是模糊的[15]。本文構建了功能—原理的映射過程。

定義5功能集合Q是產品功能進行分解得到的最小功能單元的有限集合，Q={q1,q2,…,qn}。

定義6原理集合S是實現特定領域某些器械功能的原理集合，S={s1,s2,…,sn}。

定義7A是功能集合Q的一個子集，A={a1,a2,…,an}，為原象集。B是原理集合S的一個子集，B={b1,b2,…,bn}，為象集。A和B之間存在著一定的映射關系A?B。

定義8模糊關系矩陣R。模糊關系R一般有兩種類型：（1）其元素隸屬度以函數形式給出；（2）其隸屬度不能用統一的函數描述，R以矩陣的形式給出，稱為離散表示。若定義域內元素和值域內元素之間的模糊對應關系有一定規律可循，則R以函數形式給出，否則通過離散的方式表示。本文討論的功能到原理的映射難以用函數的形式給出模糊關系，因此采用矩陣的形式。R表示功能到原理的映射關系，是一個n×m維的矩陣，rnm為A?B的隸屬程度。

其中，rnm∈[ ]

0,1。rnm一般由相關領域專家來確定，確定方法如下：通過相關的專家進行打分處理，專家A打分F1，專家B打分F2，專家C打分Fn，Fn∈[0,1]，然后取這幾個專家打分的平均數，首先根據工件的輸入信息進行功能分析，確定功能集，其中A={a1,a2,…,an},R=Rn×m,B=A*R={b1,b2,…,bn},根據功能與原理的模糊矩陣R和集合A的合成運算生成集合B，最后得到原理映射結果集合B。其中滿足一個功能的原理會有很多，可以對rnm設定一個閾值。rnm根據不同的情況設定為不同的值，本文確定rnm的閾值為0.5，對于得到的結果大于或者等于0.5的確定為得到的映射結果。因為rnm采用專家打分的方法，設置0.5這個值，說明專家對這個功能所涉及的原理的相信度已經達到了50%，當然這個閾值可以設置高一點，不同的情況可能采用不同的閾值，最后得到原理集合。

3.2.4 原理—結構映射過程的構建

一些機械產品實現最終的功能往往是由一些若干個子功能組合實現的，這樣通過組合的方法得到總體功能的實現叫作方案的組合，形態學結構矩陣是實現方案組合的常用方法之一。首先要把解決的問解分解為若干個子問題，然后對每個子問題進行單獨的求解，找出所有可能的技術，然后將每個子問題的各種技術進行組合求解，進而得到多種解決方案，最終選擇最優的方案。本文基于形態學結構矩陣構建從原理到結構模塊的映射關系，同時運用專利數據得到最終方案的集合。專利中蘊含的知識遠多于設計者已知的知識和自身的經驗，這些大量的專利知識又往往蘊藏于海量的專利中，因此需要采用技術手段合理地提取專利中的知識，將有利于專利知識在后續創新設計過程中的應用。形態結構矩陣如圖6所示。

圖6 形態結構矩陣

在形態學結構矩陣中，每個子功能可能有N個解決方案，該形態學結構矩陣就可能有nm個解決方案，這樣解決方案就是指數級的增長，最后人工對解決方案的評估將會變得非常困難，因此采用0-1整數的規劃方法對評估模型進行優化。對一個功能，假如該專利可以滿足其功能就賦值1，如果不能滿足就賦值0（若符合一個子功能的專利數沒有n個，則其他的賦值0）。

形態結構矩陣是為了實現功能到結構的映射過程，在眾多的專利中，能實現某種功能的專利會有很多，因此需要采用技術手段來識別這些相似的專利。本文采用聚類的方法把一些相似的專利聚成一類。

3.2.4.1 專利文本聚類分析模型構建

聚類分析是一種無監督的學習方式，能夠從潛在的數據中發現有用的信息，通過聚類將數據分成若干類，使不同類內的數據相似度盡可能小，同一類的數據相似度盡可能大。對專利文本進行聚類，主要是對專利的標題、摘要和說明書這些文本信息進行聚類處理。本文構建了專利文檔聚類模型，如圖7所示。

3.2.4.2 專利文本聚類分析技術與方法

（1）文檔預處理

①分詞

原始的文本必須經過預處理，才能形成便于計算機處理的結構化形式，同時可以提高分析的效率和質量。

②停用詞過濾

在原始文檔中有一些對文檔內容識別意義不大但出現頻率卻很高的詞，稱之為停用詞。這些詞在計算相似度時會引入很大的誤差，可以看作是一種噪聲。

③詞性標注

詞性標注的目的是給句子中的所有詞確定一種詞性分類，詞性類別包括形容詞、動詞、名詞等，對句子進行詞性的標注對信息特征的抽取起著關鍵的作用。

（2）文檔建模

①特征選擇

對專利文檔進行預處理后首先需要進行特征提取，特征提取是根據一些準則從原始的特征中選取一些子集，這個選中的子集必須保持原有的物理意義，并且使用數據和學習過程更容易理解。目前特征選擇的常用方法主要有互信息（MI）、信息增益（IG）、詞頻（DF）等，這些方法通常是構造一個評價函數，對每個特征進行獨立的評估，然后按照特征評估出來的結果進行排序，選擇評估結果更為優秀的作為特征。在對特征進行提取后需要對特征相應地賦權重，目前TF-IDF算法是最經典的權重算法，其中TF（Term Frequency）代表詞頻，IDF（Inverse Document Frequnency）代表反文檔頻數，其計算公式如下：

其中，tft(d)代表單詞t在文檔d中出現的次數；maxTF(t)代表單詞t在文檔數據集各個文檔中最大的出現次數；N代表整個文檔數據集的文檔數；DF(t)代表單詞t的文檔頻數（Document Frequnency，DF）。

②構造特征空間

最后需要把文本信息轉變為計算機能夠理解和處理的問題，這就需要用數學模型來表示文本。常見的文本表示模型有向量空間模型（Vector Space Model，VSM）、布爾模型（Boolean Model，BM）、概率檢索模型（Probabilistic Model，PM）以及后綴模型等。本文使用向量空間模型。

③構造相似矩陣

圖7 專利文檔聚類模型

聚類是按照樣本之間的親疏遠近程度進行聚類的，為了得到較好的聚類結果，需要對樣本之間的相似程度進行描述，本文基于Cosine距離函數刻畫樣本之間的相似性。

（3）聚類處理

在經過文檔預處理和文檔建模后，基于構造的空間特征向量模型對文檔進行聚類分析，本文采用系統聚類的方法，系統聚類也叫多層次聚類，分類的單位由高到低成樹形結構，且所處的位置越低，其所包含的對象就越少，但這些對象間的共同特征越多。其基本思想是：先將各樣品看成一類，然后規定類與類之間的距離，選擇距離最小的一對合并成新的一類，計算新類與其他類之間的距離，再將距離最近的兩類合并，這樣每次減少一類，直至所有的樣品合為一類為止。對于兩點之間的距離有多種定義方式，常用的計算方法有絕對值距離、歐氏距離、切比雪夫距離、閔可夫斯基距離、蘭氏距離。在R語言中可以用dist()函數完成對上述距離的計算，最常用的是基于歐氏距離。歐氏距離衡量的是空間各點的絕對距離，跟各個點所在的位置坐標直接相關，體現個體數值特征的絕對差異，更多地用于需要從維度的數值大小中體現差異的分析，因此本文采用該方法用于衡量專利樣本之間的相似度。用距離衡量樣本之間的相似程度之后，下一步是將接近的點合并為一類。在R語言中提供了以下幾種方法來衡量類與類之間的距離：離差平方和、最短距離法、最長距離法、中間距離法、重心法。兩類間的距離定義為兩類重心之間的距離，對樣品分類而言，每一類中心就是屬于該類樣品的均值。本文采用離差平方和的方法，該方法基于方差的思想，同類樣品間離差平方和較小，類與類間離差平方和較大，其在實際應用中效果較好。最短距離法是首先合并相近的兩項，其缺點是樣品之間有鏈接聚合的趨勢。最長距離法用兩類之間最遠點的距離代表兩類之間的距離。中間距離法衡量類間距離是取最長距離和最短距離之間的距離。重心法定義兩類間的距離為兩類重心之間的距離，對樣品分類而言，每一類中心就是屬于該樣品的均值，但該方法隨著聚類不斷地縮小，譜系樹狀圖很難跟蹤，且符號改變頻繁，計算較麻煩。

4 實例驗證

通過對數據驅動的產品概念設計創新知識服務模型相關理論進行相關分析后，本文通過相關的實例驗證該模型的可行性。首先構建網絡爬蟲爬取網絡上對某款手機的評論信息進行相關的情感分析，然后得到消費者對手機某些特征的情感傾向圖，如圖8所示。

通過以上情感分析后，可以發現消費者對手機的電池、屏幕和游戲這三方面表現出負面情感，尤其是對電池表現出的負面情感占的比重很大。為了進一步分析消費者對這三方面哪些維度的不滿，本文通過構建共現矩陣，運用社會網絡分析法對共現矩陣進行可視化分析，如圖9所示。

通過以上分析可知，消費者對手機電池的發熱、屏幕失靈和游戲的性能等方面表現出不滿意，這也是消費者需求的方面；然后構建消費者的需求樹進一步明確消費者對這幾方面的需求都是在性能需求方面。接著構建消費者需求—功能—原理—結構的映射過程。首先基于消費者的需求信息構建需求—功能的映射過程。該過程基于以前的歷史交易數據，運用關聯規則算法得到需求—功能的映射過程。編寫代碼得到如下關聯規則，由于大小原因，本文只展示其中一部分，如圖10所示。

如圖10所示，在歷史數據庫中，手機a需求選擇b功能和c功能的概率都是71.42857%，那么就可以知道b功能和c功能可以完成a需求。因此基于歷史數據，運用關聯規則算法構建了需求—功能的映射過程，如表1所示。

進而基于模糊矩陣構建功能—原理的映射過程，得到滿足該功能的基本原理，本文挑選了滿足需求的一種功能進行了驗證，如表2所示。

滿足一個功能的原理有很多，本文選擇滿足功能的權值最大的原理。然后爬取相關的專利信息經過文本挖掘后進行聚類分析得到文本的聚類圖，為了表達方便，本文把專利數據進行了如圖11的展示。

然后通過形態學結構矩陣得到最終的方案集合，因為矩陣大小的原因只展示其中的一部分，如表3所示。

最后通過組合得到方案的集合，如表4所示。表4中不同方案里面的數字編號代表不同的專利方案的組合信息，把這些方案組合信息推薦給產品的設計者，輔助設計師在設計過程中做出決策。

圖8 手機特征情感傾向圖

圖9 共現矩陣可視化分析

表1 需求—功能的映射過程

表2 功能—原理的映射過程

表3 形態結構矩陣

圖11 專利文本聚類圖

表4 方案集合

5 總結

本文基于產品評論數據、專利數據等其他數據構建了數據驅動的產品概念設計創新知識服務模型。首先基于產品的評論數據構建了消費者的需求模型，然后構建了需求—功能的映射過程、功能—原理的映射過程和原理—結構的映射過程，最后得到相關的解決方案推薦給產品的設計者，進而提高產品設計的效率和企業的創新能力。