基于SOM的用戶參與設(shè)計(jì)方案聚類算法研究

李昂，談莉斌,2，余曉流

(1. 安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院，安徽 馬鞍山 243002； 2. 南京航空航天大學(xué) 機(jī)電學(xué)院， 江蘇 南京 210016)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的進(jìn)步和社會(huì)信息化的發(fā)展，客戶需求逐漸變得個(gè)性化、多樣化。客戶不僅僅作為一名消費(fèi)者，如有興趣還可以成為一名產(chǎn)品設(shè)計(jì)的參與者[1-2]。積極的用戶會(huì)用業(yè)余時(shí)間，在互聯(lián)網(wǎng)平臺(tái)上表達(dá)對(duì)產(chǎn)品的需求期望。用戶作為非專業(yè)的設(shè)計(jì)人員，無(wú)序地、自由地參與設(shè)計(jì)，表達(dá)出的都是一些模糊的、碎片化的信息，而這些模糊的、碎片化的產(chǎn)品設(shè)計(jì)方案，無(wú)法直接映射到產(chǎn)品模型當(dāng)中。

近年來(lái)，學(xué)者們提出了很多設(shè)計(jì)方法，致力于將客戶需求聚類分析映射到產(chǎn)品模型當(dāng)中。如楊沁等[3]提出了基于模糊集的遞階型和等價(jià)型客戶需求聚類算法，增強(qiáng)了處理用戶需求信息的能力；姚海等[4]提出了基于Kano模型和模糊聚類理論，對(duì)散亂的需求特征進(jìn)行合并歸類；尹輝勇等[5]根據(jù)用戶表達(dá)產(chǎn)品知識(shí)需求信息復(fù)雜性和模糊性的特點(diǎn)，定義需求信息轉(zhuǎn)化的原則及方法，并運(yùn)用了矩陣、向量等數(shù)學(xué)知識(shí)，有效地建立了需求信息的識(shí)別、篩選和轉(zhuǎn)化模型；JIAO J等[6]提出了用關(guān)聯(lián)規(guī)則挖掘數(shù)據(jù)，通過(guò)分析客戶需求信息與基于模糊聚類功能化產(chǎn)品的關(guān)系，來(lái)進(jìn)行產(chǎn)品設(shè)計(jì)；楊德清等[7]在面向在線產(chǎn)品社區(qū)，利用K-means聚類算法建立了動(dòng)態(tài)用戶需求Kano模型；在3D打印應(yīng)用服務(wù)中，彭育輝等[8]在互聯(lián)網(wǎng)環(huán)境下，提出基于STL模型的異地實(shí)時(shí)協(xié)同環(huán)境系統(tǒng)，來(lái)解決異地分布的客戶需求的溝通與交流。上述文獻(xiàn)中，分別對(duì)于用戶需求聚類分析和產(chǎn)品開(kāi)發(fā)模式都作出了探索，并且有一定的指導(dǎo)意義。

對(duì)于互聯(lián)網(wǎng)上用戶參與式設(shè)計(jì)，隨著用戶之間的交互，設(shè)計(jì)方案會(huì)迭代收斂[9]，但人工交互的周期有時(shí)較長(zhǎng)。因此，針對(duì)以上分析，本文提出基于大規(guī)模用戶參與設(shè)計(jì)的碎片化信息，考慮用戶交互行為，介紹了智能聚類算法，用計(jì)算機(jī)輔助的方法來(lái)模擬實(shí)際產(chǎn)品方案的演化過(guò)程，縮短開(kāi)發(fā)周期，最后通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該方法的可行性。

1 參與式設(shè)計(jì)的模擬算法提出

1.1 用戶參與式設(shè)計(jì)特征簡(jiǎn)述

用戶參與式設(shè)計(jì)，區(qū)別于傳統(tǒng)的協(xié)作創(chuàng)新設(shè)計(jì)的自上而下進(jìn)行決策的形式，是一種用戶出于自己的興趣與需求，自發(fā)組織、無(wú)明確設(shè)計(jì)任務(wù)的形式。由于移動(dòng)互聯(lián)網(wǎng)的便利性，用戶可以無(wú)序地參與到產(chǎn)品方案設(shè)計(jì)當(dāng)中，自由地表達(dá)設(shè)計(jì)需求。從整體來(lái)看，由于用戶的非專業(yè)性，他們的產(chǎn)品設(shè)計(jì)方案呈現(xiàn)出碎片化的、不完整的特點(diǎn)。隨著信息通信系統(tǒng)的發(fā)展，尤其是網(wǎng)絡(luò)應(yīng)用的發(fā)展，人們對(duì)互聯(lián)網(wǎng)中大量信息的自由訪問(wèn)也日益增多[10]。這不僅使參與設(shè)計(jì)的用戶規(guī)模變大，同樣會(huì)帶來(lái)用戶間的交互行為，使產(chǎn)品的設(shè)計(jì)方案處于一個(gè)動(dòng)態(tài)演化的過(guò)程。

在開(kāi)放式設(shè)計(jì)中，用戶規(guī)模和設(shè)計(jì)過(guò)程互動(dòng)環(huán)境的變化，不影響產(chǎn)品設(shè)計(jì)方案逐漸趨同的趨勢(shì)，即用戶關(guān)于產(chǎn)品的設(shè)計(jì)方案是逐漸收斂的[9-11]。這些收斂后得到的產(chǎn)品設(shè)計(jì)知識(shí)，是相對(duì)完整的、理性的，可以直接映射到產(chǎn)品模型中。雖然經(jīng)用戶交互后的產(chǎn)品設(shè)計(jì)信息會(huì)逐步完整且收斂，但有時(shí)人工交互迭代周期會(huì)比較長(zhǎng)，繼而會(huì)影響到產(chǎn)品的設(shè)計(jì)周期。

1.2 SOM網(wǎng)絡(luò)模型的基本原理

自組織映射(self-organizing map,SOM)神經(jīng)網(wǎng)絡(luò)，它是由TEUVO Kohonen教授提出的、較為廣泛的應(yīng)用于聚類的無(wú)監(jiān)督學(xué)習(xí)算法[12]。SOM神經(jīng)網(wǎng)絡(luò)是由輸入層和輸出層(也稱競(jìng)爭(zhēng)層)組成的雙層網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。輸入層有n個(gè)神經(jīng)元，競(jìng)爭(zhēng)層由m個(gè)神經(jīng)元組成的一維或二維平面陣列(圖中為二維)。

圖1 SOM網(wǎng)絡(luò)結(jié)構(gòu)

SOM網(wǎng)絡(luò)模型主要功能是將輸入的高維空間數(shù)據(jù)映射到一個(gè)低維(一般是一維或二維)輸出中，同時(shí)還會(huì)保留原有數(shù)據(jù)集的拓?fù)潢P(guān)系。SOM神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)輸入模式的反復(fù)學(xué)習(xí)，可以調(diào)整權(quán)值向量，使之與輸入模式的概率分布趨于一致，即概率保持行[13]。這種特性在分類聚類中能反映樣本集的本質(zhì)區(qū)別，大幅度減弱了一致性準(zhǔn)則中的人為因素[14]。

1.3 用戶參與式設(shè)計(jì)特性與SOM神經(jīng)網(wǎng)絡(luò)特性

本文根據(jù)用戶參與式設(shè)計(jì)和SOM神經(jīng)網(wǎng)絡(luò)的特性，做出了比較。如表 1所示，從組織參與來(lái)看，用戶參與式設(shè)計(jì)是自發(fā)組織、無(wú)明確設(shè)計(jì)任務(wù)的。用戶表達(dá)出的設(shè)計(jì)方案是碎片化的、不完整的。SOM神經(jīng)網(wǎng)絡(luò)算法，是一個(gè)無(wú)監(jiān)督的自組織學(xué)習(xí)過(guò)程，能處理不完整的信息[15]，輸入向量可隨機(jī)選取。而在SOM算法中，會(huì)有網(wǎng)絡(luò)權(quán)值向量的調(diào)整過(guò)程，即合作過(guò)程和自適應(yīng)過(guò)程[16]，以此來(lái)體現(xiàn)用戶間的交互行為和交互過(guò)程中整體設(shè)計(jì)方案的動(dòng)態(tài)變化等。

從開(kāi)放式設(shè)計(jì)過(guò)程來(lái)看，隨著用戶交互迭代，設(shè)計(jì)方案動(dòng)態(tài)演化并逐漸收斂，得到相對(duì)完整的、理性的產(chǎn)品設(shè)計(jì)方案。在SOM神經(jīng)網(wǎng)絡(luò)中，隨著訓(xùn)練的進(jìn)行，權(quán)值的逐漸調(diào)整，輸出層的網(wǎng)絡(luò)不斷變化到最后收斂的一個(gè)過(guò)程。SOM算法的概率保持性，對(duì)用戶設(shè)計(jì)方案作為輸入向量，能不失真地映射出用戶的總體需求，也是可行的。

通過(guò)以上分析，本文認(rèn)為可以使用計(jì)算機(jī)輔助方式，利用SOM神經(jīng)網(wǎng)絡(luò)算法，來(lái)模擬實(shí)際的參與式設(shè)計(jì)中用戶交互收斂過(guò)程，從而更快地得出產(chǎn)品設(shè)計(jì)方案。

表1 用戶參與式設(shè)計(jì)與SOM神經(jīng)網(wǎng)絡(luò)特性比較

2 基于SOM網(wǎng)絡(luò)的用戶產(chǎn)品設(shè)計(jì)方案聚類

基于SOM網(wǎng)絡(luò)的用戶參與式設(shè)計(jì)的產(chǎn)品方案聚類算法，以計(jì)算機(jī)對(duì)產(chǎn)品特征需求數(shù)字化處理后整理成矩陣形式為基礎(chǔ)，然后取每個(gè)用戶對(duì)應(yīng)的功能向量為輸入向量。例如，用P1=(s11,s12,…,s1b)表示用戶1對(duì)某產(chǎn)品的b種功能設(shè)計(jì)方案，則a個(gè)用戶構(gòu)成的設(shè)計(jì)方案陣可用矩陣表示為：

(1)

每行表示同一用戶對(duì)不同功能的設(shè)計(jì)方案，每一列表示對(duì)同一功能所有參與用戶的設(shè)計(jì)方案。這種矩陣形式下，每個(gè)行向量表示每個(gè)用戶對(duì)應(yīng)的功能向量，作為SOM網(wǎng)絡(luò)的輸入向量。為了方便計(jì)算，分別對(duì)每種功能下(即每列)的數(shù)據(jù)進(jìn)行歸一化處理，公式如下：

(2)

應(yīng)用SOM網(wǎng)絡(luò)模型時(shí)，首先需要定義基本參數(shù)有：網(wǎng)格的行和列(即輸出層的結(jié)構(gòu))、鄰域半徑、迭代次數(shù)以及增益函數(shù)(學(xué)習(xí)率)。訓(xùn)練神經(jīng)元時(shí)，按照(3)式進(jìn)行權(quán)值的迭代更新：

(3)

式中：xi(t)為輸入向量；wij(t)為權(quán)值向量；η(t) 為學(xué)習(xí)率參數(shù)，0<η(t)<1且一般隨著迭代步數(shù)t遞減；Nj*(t)為獲勝神經(jīng)元j*的鄰域。

通過(guò)比較輸入向量xi與初始化后的權(quán)值向量的歐式距離得到獲勝神經(jīng)元j*，調(diào)整獲勝神經(jīng)元的權(quán)值向量wj，再次與輸入向量比較歐氏距離，經(jīng)過(guò)迭代到一定次數(shù)以后得到聚類結(jié)果。本文的迭代次數(shù)是要大于收集到的參與設(shè)計(jì)的用戶數(shù)。

基于SOM網(wǎng)絡(luò)的用戶產(chǎn)品設(shè)計(jì)方案聚類劃分步驟為：

步驟 1 用戶初始方案數(shù)字化。對(duì)收集到的用戶設(shè)計(jì)方案，借助計(jì)算機(jī)處理成如式(1)的矩陣形式。

步驟 2 初始化網(wǎng)絡(luò)。對(duì)網(wǎng)絡(luò)權(quán)值向量wij(0)(j=1,2,…,m) 隨機(jī)取值，并作歸一化處理。

步驟 3 選取輸入模式向量。從處理后得到的矩陣中，取用戶對(duì)應(yīng)的功能向量作為網(wǎng)絡(luò)的輸入向量，并對(duì)選定后的輸入向量進(jìn)行歸一化處理。

步驟 5 調(diào)整權(quán)值向量。在獲勝神經(jīng)元鄰域范圍Nj*(t)內(nèi)，按照式(3)調(diào)整相應(yīng)領(lǐng)域范圍內(nèi)的權(quán)值向量，并且更新學(xué)習(xí)速率和有效鄰域半徑。這一步即合作化過(guò)程和自適應(yīng)過(guò)程。

步驟 6 判斷收斂性。判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的最大值，直到達(dá)到最大迭代步數(shù)(或特征映射穩(wěn)定)時(shí)結(jié)束算法，否則返回步驟3。

經(jīng)過(guò)以上步驟，輸出最后得到的所有輸出層神經(jīng)元的權(quán)值向量，即聚集到的所有用戶參與設(shè)計(jì)的方案集合。這些設(shè)計(jì)方案是相對(duì)完整的，可直接映射到產(chǎn)品設(shè)計(jì)的模型中。

3 仿真實(shí)驗(yàn)

基于Matlab 9.0平臺(tái)，通過(guò)一個(gè)實(shí)例來(lái)說(shuō)明SOM神經(jīng)網(wǎng)絡(luò)可模擬用戶參與式設(shè)計(jì)方案的動(dòng)態(tài)收斂過(guò)程。根據(jù)用戶參與式設(shè)計(jì)的產(chǎn)品方案，通過(guò)數(shù)值化后構(gòu)造的矩陣中，對(duì)于不同功能需求間有時(shí)會(huì)有數(shù)量級(jí)的計(jì)量差別。因此在同一功能下，先用式(2)作歸一化處理，變成區(qū)間0，1的數(shù)值。由于用戶的異質(zhì)性，不同用戶提出的產(chǎn)品設(shè)計(jì)方案也是各不相同。因此，本文使用rand函數(shù)生成矩陣元素服從0～1之間的均勻分布，來(lái)表示歸一化后的用戶設(shè)計(jì)產(chǎn)品方案矩陣，用來(lái)代替工程實(shí)踐中獲取的用戶初始方案數(shù)據(jù)。

本文使用selforgsom函數(shù)創(chuàng)建SOM神經(jīng)網(wǎng)絡(luò)，創(chuàng)建網(wǎng)絡(luò)競(jìng)爭(zhēng)層為六邊形拓?fù)浣Y(jié)構(gòu)，將所有的輸入向量作為訓(xùn)練樣本，這里輸入向量為p=rand(2,1 000)矩陣的列向量，再利用函數(shù)train對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。由于迭代次數(shù)影響網(wǎng)絡(luò)的聚類性能，所以本文設(shè)置迭代步數(shù)為5，100，500，1 000這4個(gè)步長(zhǎng)來(lái)觀察其性能。利用plotsompos函數(shù)得出不同迭代次數(shù)條件下SOM神經(jīng)網(wǎng)絡(luò)的特征映射圖。

為了使數(shù)據(jù)的收斂聚特性可視化，把輸入數(shù)據(jù)與權(quán)重繪入到同一張圖上，如圖2-圖5所示。從圖2-圖5可以看出，SOM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)就是權(quán)值向量不斷向輸入向量方向調(diào)整的一個(gè)過(guò)程。圖中，較小的點(diǎn)為輸入向量繪制，較大的點(diǎn)為每個(gè)輸出神經(jīng)元權(quán)重向量繪制。圖2-圖4中，權(quán)重向量在變化是因?yàn)橛?xùn)練在不斷進(jìn)行，即模擬不同用戶的加入和意見(jiàn)交互的現(xiàn)象，用戶的產(chǎn)品設(shè)計(jì)方案處于一個(gè)動(dòng)態(tài)變化的過(guò)程。圖4-圖5中，雖然訓(xùn)練還在繼續(xù)，但權(quán)值向量已基本不再變化，即模擬用戶對(duì)于產(chǎn)品設(shè)計(jì)方案已趨于收斂。圖5中，權(quán)值向量就是輸入向量的一種聚類映射，即模擬碎片化的產(chǎn)品方案聚類成了有用的完整的設(shè)計(jì)方案，可直接映射到產(chǎn)品的模型之中。

圖2 步長(zhǎng)為5時(shí)網(wǎng)絡(luò)的權(quán)值分布圖

圖3 步長(zhǎng)為100時(shí)網(wǎng)絡(luò)的權(quán)值分布圖

圖4 步長(zhǎng)為500時(shí)網(wǎng)絡(luò)的權(quán)值分布圖

圖5 步長(zhǎng)為1 000時(shí)網(wǎng)絡(luò)的權(quán)值分布圖

通過(guò)仿真分析可得出，SOM神經(jīng)網(wǎng)絡(luò)算法模擬的用戶參與式設(shè)計(jì)，與文獻(xiàn)[9]中實(shí)際的動(dòng)態(tài)收斂過(guò)程相吻合，并且縮短了產(chǎn)品的開(kāi)發(fā)周期。

4 結(jié)語(yǔ)

本文通過(guò)對(duì)用戶參與式設(shè)計(jì)與SOM神經(jīng)網(wǎng)絡(luò)作出了特性比較來(lái)說(shuō)明使用SOM算法模擬的可行性，并利用計(jì)算機(jī)軟件Matlab建立的SOM神經(jīng)網(wǎng)絡(luò)，對(duì)隨機(jī)產(chǎn)生的二維向量進(jìn)行聚類，分析了可以用SOM神經(jīng)網(wǎng)絡(luò)算法來(lái)模擬實(shí)際的大規(guī)模用戶參與式設(shè)計(jì)方案收斂的過(guò)程。仿真結(jié)果表明，對(duì)于具體的大量用戶開(kāi)放式參與設(shè)計(jì)過(guò)程，可以借助計(jì)算機(jī)輔助的方式，使用相應(yīng)的聚類算法模擬用戶相對(duì)較長(zhǎng)的交互收斂過(guò)程，從而縮短產(chǎn)品開(kāi)發(fā)周期。