基于SAO的專利數據驅動產品創新設計

林文廣 劉曉東 肖人彬

摘要：借助大數據挖掘技術，提出基于主語-謂語-賓語（SAO）的專利數據驅動產品創新設計方法。首先通過語義依存句法挖掘專利文本數據庫中的SAO結構，獲取產品元件之間的作用關系信息；其次構建面向產品系統的復雜網絡知識模型，并引入結構洞理論計算復雜網絡中元件約束性系數，以此確定創新目標元件，并借助Word2Vec計算元件語義相似性系數，利用SAO相似性算法計算功能相似性系數；在此基礎上，融合推薦算法以及組合矩陣，分別圍繞結構創新、功能創新以及功能優化三個方面實現產品創新。最后以具有典型代表性的衛浴花灑產品為例，對所提方法進行了詳細的演示，充分證實了所提方法的有效性和先進性。

關鍵詞：專利數據；主語-謂語-賓語（SAO）；語言模型；復雜網絡；推薦算法

中圖分類號：TH166；TP391

DOI：10.3969/j.issn.1004-132X.2023.15.001

Patent Data Driven Product Innovation Design Based on SAO

LIN Wenguang1 LIU Xiaodong1 XIAO Renbin2

1.Mechanical and Automotive Engineering，Xiamen University of Technology，Xiamen，Fujian，361024

2.School of Artificial Intelligence，Huazhong University of Science and Technology，Wuhan，430074

Abstract： The patent data-driven product innovation design method was proposed based on SAO using big data mining technology. Firstly， semantic dependency parsing was used to mine the SAO structure and interaction relationships among product components from patent text databases. Subsequently， a complex network knowledge model was constructed for product systems， and the constraint coefficients of components in the complex network were calculated by using structural hole theory to identify the innovative target components. Then， the semantic similarity coefficients of components were calculated using Word2Vec， and the functional similarity coefficients were calculated using SAO similarity algorithm. And the recommendation algorithm and combination matrix were integrated to achieve structural innovation， functional innovation， and functional optimization. Finally， a typical bathroom shower product was taken as an example to demonstrate the method in detail， which fully verifies the effectiveness and progressiveness of the method.

Key words： patent data； subject-action-object（SAO）； language model； complex network； recommend scheme

0 引言

根據路甬祥院士的觀點，設計經歷了從傳統設計（設計1.0）到現代設計（設計2.0）再到創新設計（設計3.0）的進化歷程［1］。因此，大力發展創新設計對建設制造強國至關重要。

隨著大數據時代的到來，數據科學理論和數據處理技術得到了快速發展。將數據科學引入創新設計成為制造業信息化的一個重要趨勢，數據驅動的產品創新設計已逐漸成為人們關注的焦點。文獻［2-4］以數據驅動產品創新設計為導向，提出了相應的研究框架和實施使能技術，本文工作是對其所提出框架的一個技術層面的實現。目前數據驅動產品創新設計的具體實現主要分為以下4類：①基于客戶需求數據；②基于歷史設計數據；③基于協同類比數據；④基于優化設計數據。其中，基于客戶需求的數據挖掘方法通過挖掘用戶需求，設計符合用戶偏好的產品，但客戶需求較為隱晦，具有一定的挖掘難度［5］；基于歷史設計數據方法，由于歷史數據多為非結構化數據，導致挖掘成本較高，效率較低［6］；基于協同類比數據方法需要解決不同領域和環節數據的整合問題［7］；基于優化設計驅動方法處于發展階段，需要理清發明問題和解決辦法之間的關系［8］。上述方法各有優缺點，但算法效果均與數據質量成正相關，因此如何選擇結構規范化且質量高的數據成為提高方法準確率的關鍵。

專利作為具有法律效力的文檔，是記錄發明人研發成果的主要載體。合理有效地利用專利信息有助于縮短60%的研發時間，節省40%的研發費用［9］。專利已經成為產品創新研究的主要數據來源。在此背景下，以專利數據為驅動對象的產品創新方法（patent data-driven product innovation design，P-D2PID）應運而生，由于專利中的80%以上信息都是通過文本進行表述的，故基于專利文本驅動產品創新逐漸成為研究熱點［10］。邱清盈等［11］利用詞性篩選的方式從專利分類號中的文本描述信息中提取功能知識，以功能為節點構建復雜網絡模型，結合分布位置差異提出三種創新策略。李少波等［12］利用術語頻率-逆文檔頻率算法（term frequency-inverse document frequency，TF-IDF）構建專利結構以及功能關鍵詞向量空間，并結合類比的方法獲取相似的技術方案。陳志泊等［13］利用圖排序算法提取行業專利關鍵詞，通過圖模型算法對關鍵詞進行聚類成簇，進而實現數據降維，再利用人工方式對簇給予標注。DUFLOU等［14］通過主成分分析對專利數據庫中的特征詞類別進行挖掘，從而系統地量化產品類別的開發狀態，有助于進一步開發感興趣的產品。PARK等［15］在分析專利文本時提出技術認知診斷模型，為專利關鍵詞分析結果理解目標技術提供了重要技術支撐。CHEN等［16］在專利文本語義基礎上通過深度學習提取專利實體詞匯和語義關系，從而獲取產品結構化信息，保證了專利文本信息的提取精度。CHOETKIERTIKUL等［17］通過深度學習技術無監督學習專利文本中的語義特征，結合文本相似性特征，為產品創新中的問題提供方案。此外，YOON等［18］同時引入隱含狄利克雷分布主題分析及信息熵兩種算法過濾專利中的噪聲，進而提高專利關鍵詞提取效率。顯然，專利文本包含的巨大價值正逐步引起學術界的廣泛重視。

綜上所述，現有專利文本提取往往是基于概率統計的方法，在關鍵詞獲取方面有一定的效果，但仍存在噪聲大、價值低的問題，同時還忽略了關鍵詞之間的關聯關系，使得在產品設計過程中難以對結構之間的耦合關系進行分析［19］。SAO作為基于文本語義的三元組信息，可以迅速獲取文本中心概念，并避免其他非必要語義的干擾，在文本語義理解、文章脈絡梳理以及關鍵字關系推導等方面具有明顯優勢［20］。HE等［21］在專利文本SAO基礎上構建技術路線圖，從而識別未來技術方向和行業目標，并指引研發路徑。HAN等［22］通過專利SAO詞匯及其關聯關系信息構建關鍵詞復雜網絡，結合鏈路預測算法對行業技術進行預測。FENG等［23］從專利文本相關研究中的局限性入手，在現有SAO算法基礎上提出“主語-謂語-賓語-其他”的SAOx方法，旨在解決文本中一詞多義的提取難題。可以看出現有研究將SAO技術應用于專利挖掘功能，但是主要設計專利信息提取和技術分析，對如何將SAO有效應用于產品創新設計較少涉及。

本文引入面向SAO提取的專利文本信息提取方法，用以挖掘專利文本中的語義特征，以文本SAO為基礎構筑產品復雜網絡，融合結構洞算法、語義相似性算法以及產品功能配置算法，并以具體產品為案例驗證產品創新設計方法的可行性。

1 研究方法

1.1 P-D2PID概述

P-D2PID的關鍵在于提取專利文本中的技術信息和產品信息 ［24］。專利文本語義規范化對信息抽取具有積極影響，但如何在大量表層信息中抽取并挖掘深層知識仍然任務艱巨［25］，這也是本文的主要研究內容。本文結合專利大數據以及復雜網絡實現產品創新，通過使用依存句法獲取文本中的SAO三元組數據，進而構建復雜網絡，開展產品元件特征研究，最后結合推薦算法和功能優化生成最終設計方案。

1.2 基于SAO的P-D2PID研究流程

依據語義-元件-功能-產品的自下而上設計過程，本文構建了基于SAO的專利數據驅動產品創新設計流程，整個流程共分為四個步驟，具體框架如圖1所示。具體實施內容如下：

（1）專利檢索與下載。針對具體產品創新需求，確定產品創新方向，同時根據專利發展過程和技術周期確定檢索范圍，進而確定檢索關鍵詞和檢索數據庫，由布爾關系生成檢索式檢索行業專利數據，然后下載檢索結果中的專利文本數據；對因為續案以及公開導致重復申請的專利進行去重合并，并剔除被駁回、主動撤回以及無效的專利，最大化清除垃圾專利以及低價值專利，提高專利數據的質量，同時利用維持年限以及法律狀態對部分“專利煙霧”和“專利地雷”進行排查；專利文本中包含標題及各類噪聲，需要對其進行剔除，同時使用正則表達式對專利文本中的語句進行分句，為文本語義標注做準備；隨后對文本使用語義依存句法對語句中的詞語關聯關系進行標注，并確定詞語的主語、謂語和賓語等屬性信息。

（2）文本SAO提取與復雜網絡的構建。通過對專利文本中的語句進行語義標注，提取文本中的SAO結構，構建數據庫；分析產品元件之間的作用關系，以另一元件發揮作用的結構作為源節點，被支配的元件作為目標節點，作用方式設為連邊，從而構建復雜網絡；在復雜網絡中運用結構洞算法計算節點特征參數值，據此表示節點在網絡中的重要程度；由Word2vec通過詞向量計算得到元件語義相似性計算結果，為下一步元件創新設計方案提供參考。

（3）產品設計創新推薦。產品創新設計主要分為兩部分，一部分是元件創新性替換，由檢索下載的專利文本提取文本中的名詞短語，這些名詞短語即為產品元件，從而構建元件庫，通過在元件庫中對元件進行相似性檢索，得到元件創新性替換方案；另一部分是功能載體相似性計算，元件是產品功能實現的載體，具有相同或相似功能實現的載體具有可替換性，通過計算元件語義相似性和功能相似性，結合元件約束性系數確定元件創新參數。此外，通過構建功能鏈優化模型對產品元件功能組合進行分析，實現功能優化，然后創建產品功能組合矩陣，發現可以合并或拆分的功能載體，進而實現功能載體組合或拆分創新。

（4）最終設計方案產出。首先，由元件功能相似計算結果確定相似功能元件推薦；其次，根據元件相似性檢索，確定相同構型元件創新推薦方案；根據產品功能-結構映射關系，確定功能載體組合/拆分創新設計；最終對產品創新設計方案進行合成，并對方案創新性做出評價。

1.3 基于語義依存句法的專利文本SAO獲取

SAO是一種典型的語法結構，也可表示為SV（verb）O ［26］或主語-謂詞-賓語 SP（predicate）O ［27］。SAO可以用來表示事物之間的聯系，其中，主語和賓語一般為名詞或代詞，表征動作的執行者和被執行者，謂語一般為動詞，表征主語和賓語之間的關聯屬性。經過對專利文本的閱讀和分析，發現專利文本中SAO形式共有五種，其結構和示例見表1。可以看出，在專利文本中有些語句不僅包含一組SAO，有些語句可能包含多個主語，有些語句可能包含多個謂語或賓語，甚至有些語句包含多個SAO。在專利文本中，SAO表示技術元素間的關聯屬性，主語和賓語代表產品技術元素（元件、能量、物料或者信號），謂語代表技術元素間的邏輯關系［28］。因此，SAO能夠較好地描述專利產品和技術信息。

依存句法是指以詞語的關聯特性為依據劃分詞類，通過該方法可以識別詞語在文本中的位置和作用。語義依存句法通過對詞語的含義和詞語在語句中的上下文進行標注，從而確定詞語在文本中的詞性和作用，因此該分析方法廣泛應用于自然語言處理中的文本處理［29］。以表1中語句為例，語義依存句法分析過程如圖2所示。圖2中的上半部分為語句中的詞語，下半部分為該詞語的語義依存句法結果。目前常用的依存句法關系及其具體含義見表2［28-30］。通過對文本語句進行語義依存句法分析，發現主語的詞性標簽多為名詞性主語（nsubj）或被動形式名詞主語（nsubj-pass），謂語多為根詞（ROOT），賓語多為賓語（obj）或直接賓語（dobj）等。由詞語分別對應的標簽即可確定語句SAO結構。

1.4 基于結構洞理論的元件特征參數計算

復雜網絡由節點和連邊組成，其中節點可以代表任何事物，連邊表示節點之間的關系，邊權重表示關系強弱程度。通過復雜網絡可以表示一些具有相互關聯的事物組成的整體，由此能夠開展網絡幾何性質、網絡演化以及網絡結構等方面的研究［31］。結構洞示意如圖3所示。圖中，A、B、C和D均為節點，r1、r2和r3為節點有向連邊。

結構洞是指網絡中個體與個體之間由于非直接聯系而出現空隙的現象［32］。結構洞理論指出，一個節點與其他節點聯系越頻繁，說明此節點在網絡中扮演的角色越重要，但隨著該節點在網絡中的聯系越來越多，節點受到的約束越多，周圍的結構洞逐漸減少，該節點獲得新連接的可能性也逐漸降低。節點之間聯系強度的計算公式如下：

式中，aij、aji為節點之間相連邊的權重；aik、aki為節點i與任一節點k之間相連邊的權重總和；Aij為節點i和節點j之間聯系強度。

結構洞理論指出，衡量節點在網絡中所受到約束的算法是網絡約束性系數［33］。設節點i的網絡約束系數為Ni，其計算公式如下：

其中，k≠i，j。由式（2）可以看出，當j是i的唯一相連節點時，Ni取最大值1；當節點j與節點i沒有直接和間接聯系時，Ni=Aij。從網絡約束系數的計算公式來看，約束系數越小的節點在網絡中掌握的信息越多，該節點在網絡中鄰域越密集，所受到的約束越高。借助約束性系數分析節點在網絡中的重要性，系數越高則重要性越高，即一旦該節點發生變動，整個網絡所受影響越大。

1.5 基于詞向量的語義相似性計算

計算詞語語義相似性時，對詞語所處上下文詞匯進行向量化后計算的數學模型稱為詞向量，目前應用較廣泛且經典的詞向量處理技術是Word2Vec。2013年MIKOLOV等［34］開發出語言處理工具包Word2Vec，通過將文本預料庫中的詞語轉換成維度相同的向量形式，使文本轉換為數字形式，從而利于機器識別和處理。根據詞語上下文詞向量構建序列矩陣，可以用來對詞語進行分類、聚類和詞語相似度計算。Word2Vec主要分為兩個模型：CBOW模型和SKIP-GRAM模型。兩種模型的區別見表3，可以看出CBOW模型的訓練效率更高，適用于海量專利數據對象的訓練與處理。

CBOW是一個三層結構的神經網絡，分為輸入層、投影層和輸出層，在輸入層，以目標詞為中心，獲取目標詞前后各n個詞向量，在投影層將這n個向量累加求和，在輸出層以目標詞為根節點、周圍詞為葉子節點，以詞語共現次數為權重構建哈夫曼樹，用以預測投影層的結果。SKIP-GRAM模型與CBOW模型的訓練方式互逆。CBOW訓練模型表示如圖4所示。

使用Word2Vec計算詞語相似度時，需要使用余弦相似度計算詞語詞向量。設待比較的詞語為x和y，使用Word2Vec計算詞語x和詞語y的語義相似度方法如下：

1.6 基于S?rensen相似度的節點相似性計算

復雜網絡中節點之間通過連邊建立聯系，具有聯系的兩個節點互相成為對方的“鄰居”，一個節點的所有鄰居節點組成的集合稱為鄰居集合，在兩個節點的鄰居集合中同時存在的節點稱為兩個節點的共同鄰居。設在復雜網絡G=（V，E）中，V為頂點集合，E為連邊集合，對于頂點u和v，V（u）為頂點u的鄰居集合，V（v）為頂點v的鄰居集合，則對于（u，v）∈V，它們的共同鄰居C（u，v）的計算公式如下：

C（u，v）=|V（u）∩V（v）|（4）

對于頂點u和v，兩者所有鄰居頂點的集合稱為所有鄰居集合T（u，v），其計算公式如下：

T（u，v）=|V（u）∪V（v）|（5）

衡量兩個節點的相似度時，可以通過節點之間的共同鄰居來判斷，其中，S?rensen相似度［36］以節點間共同鄰居與所有鄰居的比值作為衡量節點間相似度的指標，節點u和節點v的S?rensen相似度S（u，v）計算公式如下：

S?rensen相似度能夠較好地衡量兩個節點之間的相似性，有利于在推薦算法中實現相似推薦，目前仍然有較多文獻采用該算法［37-39］。

2 專利數據驅動產品推薦創新方法

借鑒文獻［40］中所提的推薦算法，本文將產品創新過程分為三類：第一類為基于內容的相同構型元件替換，主要聚焦于元件本身；第二類為基于協同過濾的相似功能元件替換，主要聚焦于實現功能的功能載體；第三類為基于功能拆解/合并的創新性方案，主要從產品功能-結構映射角度實現產品創新。其中，第一類和第二類方案為一對一元件創新方案，第三類為一對多/多對一元件創新方案。具體產品過程如圖5所示。

2.1 基于內容的相同構型元件替換

對產品進行創新設計時使用相同元件的創新型替換，優點在于相同元件具有高度相似的材料特性、流特性和功能描述，因而在創新過程中牽扯到的產品改動較小。為此，本文提出基于內容的相同構型元件替換。

首先根據目標產品結構，分析組成產品的元件及元件間關系，以元件為節點，以元件間關系為邊，構建產品復雜網絡；通過產品復雜網絡和式（2）對網絡中的元件進行計算，得到元件在產品網絡中的約束性系數。在考慮對約束性較高的元件進行替換時，需要注意由于該元件牽扯到的其他元件較多，故涉及的改動較多，創新成本較高；對于約束性系數較低的元件，因為牽扯到的其他元件較少，產品改動成本較低，更適合于產品創新。其次，由專利文本獲取專利中的元件組成元件庫，并以包含該元件的專利頻率為權值；以上述目標元件為關鍵字檢索元件庫，查找具有相同功能的相同構型元件，從而生成該元件的創新性替換方案。最后，結合元件在專利中出現頻次生成最終方案，頻次較高的元件說明技術相對成熟，采用這種方案的專利較多；反之，頻次較低的元件說明較少被采用，方案更容易“出其不意”。為了對多結構方案進行有效篩選，提高方案的創新性，結合“出其不意”程度，本文提出了元件達到“出其不意”效果的程度值Vi，設共有n個推薦元件，推薦元件i出現頻次為Fi，則Vi的計算公式如下：

基于相同構型元件的創新型替換方案更有利于在已有產品基礎上開發不同型號，對母產品的改動較小，只需對現有生產線做出部分調整即可，可在更短時間內增加產品種類，快速為用戶提供多樣化的選擇，擴大產品的市場占有率。

2.2 基于協同過濾的相似功能元件替換

對目標產品進行拆分，分析其具體功能及功能載體有助于了解產品結構，進而在產品結構上對產品做出創新性設計。產品的主要價值是實現其特定功能，元件作為功能載體，直接影響產品功能的實現效果［5］。例如，花灑噴頭承載著引導水流、控制液體噴出方式的作用，有些噴頭的材質為金屬，容易與水中的離子發生反應，導致噴頭形變，直接影響產品使用體驗，而硅膠材質噴頭則不會發生此類狀況。此外，同樣具有調整并固定角度的球鉸和棘輪，球鉸鑄造相對簡單，且在調整角度時具有很好的隨意性，磨損較低，抗腐蝕性好，但球鉸容易滑動；棘輪相對牢固，且調整角度具有規律性，調整時具有聲音反饋，但棘輪易磨損，抗腐蝕性較差。由此可見，實現某種功能的功能載體有多種，在對產品功能創新過程中，本文考慮在同一功能下尋找不同的功能載體實現創新。

為獲得相似功能載體，本文選用Word2Vec訓練專利文本得到詞向量，通過詞向量和式（3）計算詞語相似度，作為元件相似度的參考。通過式（6）計算元件之間的SAO相似度從而得到元件功能相似性參數，結合Word2Vec計算詞語語義相似度得到元件可替換性參數。對于元件語義相似性和功能相似性的計算結果，還需要引入頻率作為判斷使用量的依據，與相同元件替換方案類似：使用量越多的元件，體現出的創新價值越低；使用量越少的元件，體現出的創新價值越高。綜合多個指標，得到元件的推薦指數，從而對相同功能不同元件的性能進行評價，具體計算公式如下：

式中，M（i）為第i個推薦元件的總體評價指標；W（i）、S（i）分別為由Word2Vec計算出的推薦元件i與目標元件的相似度和S?rensen相似度；V（i）為推薦元件i出其不意的程度值。

通過功能載體的相似性判斷，可以實現產品的創新性設計，有利于對已有產品進行升級改造。確定產品設計方案之后，一旦存在相關專利侵權，就能夠進行方案調整，有利于實現專利規避。

2.3 基于功能拆解/合并的創新型方案

設計者在進行產品設計時，根據產品總功能需求，利用“功能白箱”或“功能黑箱”對產品進行逐層剖析，進而確定產品功能原理和具體結構。這種由總功能到子功能的分解延伸方式由于過程較為抽象，分解過程對設計師經驗要求較高，且設計過程易受設計師個人偏好的影響，導致最終設計結果出現不必要的結構冗余或功能重合。例如有些功能需要多個功能載體（元件）共同作用實現，但在保證功能實現不變的情況下，可以對功能載體進行創新組合和拆分。

為了形象化產品功能與元件的關系，同時參考文獻［41］，本文提出構建產品元件-功能映射關系。首先對產品功能及功能載體進行分析，并假設目標產品由n個元件組成，元件共包含m個子功能，則產品元件-功能映射關系如圖6所示。

例如，產品的某項功能需要n個元件共同作用實現，實現該功能的元件共對應m個子功能，經過對產品構建功能優化模型，將重復功能合并，得到最終功能優化示意圖，如圖7所示。由合并后的功能示意圖及文獻［42］中功能組合及功能關系組合矩陣的設計思路，本文組合及創建了產品功能組合矩陣，該矩陣見表4。通過功能組合矩陣，對實現組合功能的元件進行檢索和創新，可以有效實現產品創新，優化產品結構。

3 案例分析

3.1 背景概述

企業在保證衛浴產品基本功能的同時，若能開發出新穎且實用的新品類，將會極大提高企業在行業中的市場份額，提升企業核心競爭力。受本地區相關衛浴合作企業的委托，本文課題組以

該企業目前在售的一款手持花灑（https：∥item.jd.com/100023325172.html）為研究對象，借助專利挖掘技術對產品進行二次創新設計，盡可能降低開發成本，提高產品性能，創造更多賣點。產品結構如圖8所示。

1.外保護罩2.面板3.負離子球4.過濾網容器5.手柄上部外罩6.螺紋接口7.麥飯石礦化球8.過濾網容器9.手柄10.軟管螺紋接口11.底座12.軟管13.密封圈14.過濾網外殼15.電氣石陶瓷球16.按鈕

3.2 專利數據庫與產品元件庫的構建

本文選用專利文本作為語料庫，通過專利檢索網站（https：∥www.patsnap.com/）下載發表于美國專利商標局的花灑專利文本，花灑專利檢索式見表5。考慮到美國專利保護最長年限為20年，專利檢索范圍對申請時間做了約束。通過專利前期清洗過濾，共獲取1733件衛浴花灑專利及其全文說明書信息。

專利文本主要包含四部分：摘要、專利概述、附圖說明和具體實施方式。通過統計專利文本各部分的內容，專利文本結構對比見表6。可以看出專利概述內容量較大，包含的產品設計信息較豐富，且文本內容有利于SAO結構的抽取，因此，實驗選擇專利概述作為信息提取內容。

對專利概述部分文本進行噪聲清理，通過正則表達式去除標題、不必要的標點符號等。本文使用python作為文本處理程序語言，使用spacy模塊對專利文本進行語義依存句法分析，根據依存關系提取SAO，并以此構建專利數據庫。最終獲取到1703 016組SAO結構，SAO提取結果見表7。可以看出，主語和賓語主要為元件，謂語主要為元件作用關系，從而驗證了通過提取文本中SAO獲取產品結構和功能信息的可行性。

為驗證本文所提信息抽取方法的準確性，實驗選取準確率（precision）、召回率（recall）和F-score三種檢驗指標，其中TP為被正確預測的正例，TN為被正確預測的反例，FP為被錯誤預測的正例，FN為被錯誤預測的反例，計算公式如下：

實驗選取2021年1月1日至2022年12月31日的衛浴花灑產品專利文本作為驗證數據集，將本文所提SAO提取方法與傳統信息抽取算法TF和TF-IDF進行了對比，計算結果如圖9所示。顯然本文方法在三種檢驗指標中均明顯優于其他信息提取算法。

3.3 目標產品分析與元件約束系數計算

通過對目標產品的結構分析，以產品功能鏈及其功能載體為基礎，以圖6所示的功能-元件分析圖為依據，構建目標產品結構分析圖，其結果如圖10所示。根據目標產品分析，構建以目標產品元件為節點、以元件間功能作用為邊、以元件間聯系頻次為邊權重的產品復雜網絡，如圖11所示。

依照目標產品復雜網絡，用式（2）計算產品元件的約束性系數，計算結果見表8。約束性系數的主要作用是衡量元件在產品中的重要性程度，元件重要性越高，說明該元件在產品網絡中越處于中心地位，從該元件流入或流出到其他元件的能量、物料或信號越多，進行產品創新時改動元件牽扯到的其他元件越多，創新成本越高。由計算結果可知，邊緣節點的約束性系數為1，約束性系數越高的節點所受到的約束越小，改動該節點對產品總體結構的調整越小。

3.4 相同構型元件創新推薦

由產品復雜網絡和約束性系數，結合元件庫檢索，對元件及其功能實現做出分析，獲得元件功能替換方案。由表8中復雜網絡約束性系數可知，在base、ball、nozzle以及button等元件位置入手產生的創新成本較低。以button為例，在功能不變的情況下進行功能載體創新，通過元件庫檢索，得到功能載體button的創新方法，見表9。功能載體創新在原有功能載體上，通過專利數據構建的元件庫中查找相關元件進行替換，該方法僅對具有相同功能的元件進行檢索和替換，適合對已有產品進行調整，擴展產品型號，提高產品在市場中的占有率。

3.5 相似功能元件創新推薦

關于相似功能載體推薦，使用專利文本語料庫、窗口為15、上下文詞量為5、訓練模式為CBOW訓練的Word2Vec詞向量模型生成元件的近似替換方案。將每個專利詞條的文本轉換為一行文本，并對語料庫進行噪聲清理、去除標點符號等；以python作為編程語言，利用Gensim模塊對專利文本語料庫進行訓練，具體訓練過程如圖4所示。實驗環境如下：（Intel（R）Xeon（R）Gold 5218R CPU @ 2.10GHz）×2，64.00 GB內存，Windows 10 64位操作系統。最終得到Word2Vec詞向量模型，以此模型為基礎，計算詞語間語義相似性。

由于過濾裝置是花灑產品比較流行的功能載體，故本文以過濾功能載體為案例開展產品創新設計研究。首先，根據式（3）計算元件語義相似性，得到以“filter”為關鍵字的相似性詞語排名，再篩選出元件描述詞語，最終得到與“filter”功能相似的推薦方案，其語義相似性計算結果見表10“語義相似性”列。語義相似性描述的是詞語在上下文語境中的相似性，在專利文本中，元件所處的上下文通常為元件的材料特性描述，通過語義相似性計算能夠獲取元件描述的相似性。但以詞語所處上下文為判斷依據的Word2Vec并不能描述元件之間的作用方式，因此，以元件SAO相似性更有利于判斷元件功能相似性。借由式（6）和表8計算推薦元件的功能相似性，計算結果見表10“功能相似性”列。

對推薦元件語義相似性和功能相似性做出判斷后，檢索專利語料庫中推薦元件出現頻次，并依據式（7）獲得元件的新穎性指標，計算結果見表10“V值”列。最后，由式（8）以及上述指標的計算結果，得出“filter”功能的相似推薦推薦指數，見表10“推薦指數”列。其中，基于word2vec計算的“porous”為形容詞，不具有功能相似性計算結果，因此推薦指數計算結果只包含語義相似性和V值的平均值。

為形象化展示表10中獲取到的推薦方案，其推薦結果和案例見表11。其中，方案1為“filter”功能的元件“cartridge”，為墨盒式過濾器，見其圖示；方案2為混合式過濾器，其內部為混合類型過濾材質；方案3為多孔式過濾器，可將其配置于花灑頭部；方案4為臭氧型過濾器，能夠氧化分解一些大分子有機物；方案5為藥物過濾器，能夠在水流中加入藥物，輔助皮膚類疾病的治療。可以看出基于SAO方法可提供豐富且新穎的功能推薦方案。

3.6 功能載體組合/拆分創新方案

對產品復雜網絡及其元件進行功能分析時發現，有些功能需要多種功能載體實現，即元件間通過功能組合生成功能鏈，功能載體之間以空間、能量、物料以及信號進行功能傳遞。例如過濾功能，需要過濾網、過濾容器以及過濾球三種元件組合共同完成。然而，在工業設計時，可以將多個載體有機結合，形成功能一體化的功能載體，即復合型元件，不僅可以簡化元件的加工、裝配等工藝，還能降低成本。為方便起見，本文將此方法稱為載體組合法。參考載體組合法的思想，對實現過濾功能的載體進行合成，尋找能夠容納過濾材料且實現過濾水體功能的元件。

首先以圖6為參考，對于上述需要組合及拆分的功能載體，將handle、filter以及ball所承擔的功能摘取出來進行分析，創建目標產品功能鏈模型，如圖12所示。通過圖12中功能鏈模型，將目標產品中的功能進行優化，合并重疊功能，然后依據圖7創建產品功能組合矩陣，見表12。

以表12中“handle-shape filter”為例，參考美國專利US6537455中的方案，將過濾部件和手柄結合為一體。以“special material filter housing”為例，參考US2015/0076254A1中的方案，采用特殊材料制作過濾套筒；以“special material filter”為例，可以參考US9878921中的方案，采用特殊材料制作過濾元件。具體參考結果見表13。由于功能拆分與功能組合互為逆過程，故不再贅述。通過該功能組合矩陣，在保證功能實現的同時實現了結構優化。

4 結論

（1）利用詞性標注提取專利文本中的結構及其功能短語信息，借助依存算法獲取不同短語對象的層級關系信息，兩項相結合以構建SAO組合單元，通過構建設計知識數據庫，為產品創新設計提供靈感來源。

（2）通過目標產品結構分析構建目標產品復雜網絡，利用結構洞算法計算產品元件約束性系數，進而探測創新目標元件，同時利用Word2Vec訓練專利文本獲取目標元件語義相似性，進而獲取目標元件相似的其他對象。

（3）考慮實際需求，分別從增加產品種類、專利侵權規避以及功能配置優化三個方面借助內容推薦、協同過濾以及功能拆解合并三種策略實現專利數據驅動產品創新設計。

本研究仍然存在不足之處：首先，受制于專利文本存在大量的噪聲，本文所提知識提取方法的效率有待進一步提升；其次，由于專利從申請到公開存在時間差，導致市場分析存在一定的滯后性，故有必要借助其他數據進行聯合研究；此外，專利數據除了文本還有部分圖像信息，這些信息對產品創新設計也具有一定研究價值，本文未開展相應的挖掘研究；最后，根據新穎性及市場價值，產品設計分為原始創新、改進創新及集成創新，鑒于專利的特點，本文主要聚焦于改進創新及部分集成創新，尚未涉及原始創新。未來將考慮改善數據利用效率，開展多數據融合產品創新的研究，同時研究如何實現數據驅動原始創新，以更高的研發效率滿足消費者更多的個性化需求［43］。

參考文獻：

［1］ 路甬祥. 論創新設計［M］. 北京：中國科學技術出版社， 2017.

LU Yongxiang. On Innovative Design［M］. Beijing：Science and Technology of China Press， 2017.

［2］ 肖人彬， 林文廣. 數據驅動的產品創新設計研究［J］. 機械設計， 2019， 36（12）：1-9.

XIAO Renbin， LIN Wenguang. Research on Data-Driven Product Innovation Design［J］. Journal of Machine Design， 2019， 36（12）：1-9.

［3］ LIN W G， LIU X D， XIAO R B. Data-driven Product Functional Configuration：Patent Data and Hypergraph［J］. Chinese Journal of Mechanical Engineering， 2022， 35（4）：108-124.

［4］ 肖人彬， 林文廣， 賴榮燊， 等. 數據驅動的產品大規模個性化設計研究［J］. 機械設計， 2021， 38（10）：1-14.

XIAO Renbin， LIN Wenguang， LAI Rongshen， et al. Research on the Data-driven Product Design for Mass Personalization［J］. Journal of Machine Design， 2020， 38（10）：1-14.

［5］ 王朝霞， 邱清盈， 馮培恩， 等. 機械產品專利技術方案信息抽取方法［J］. 機械工程學報， 2009， 45（10）：198-206.

WANG Zhaoxia， QIU Qingying， FENG Peien， et al. Information Extraction Method of Technical Solution from Mechanical Product Patent［J］. Journal of Mechanical Engineering， 2009， 45（10）：198-206.

［6］ 吳揚東， 張太華， 劉丹， 等. 復雜產品設計方案的數據驅動多屬性優化決策［J］. 中國機械工程， 2020， 31（7）：865-870.

WU Yangdong， ZHANG Taihua， LIU Dan， et al. Data-driven Multi-attribute Optimization Decision-making for Complex Product Design Schemes［J］. China Mechanical Engineering， 2020， 31（7）：865-870.

［7］ 陳亮， 竇昊， 魏煌， 等. 基于質量功能展開、發明問題解決理論和仿生學的產品創新設計［J］. 中國機械工程， 2020， 31（11）：1285-1295.

CHEN Liang， DOU Hao， WEI Huang， et al. Product Innovation Design Based on QFD， TRIZ and Bionics［J］. China Mechanical Engineering， 2020， 31（11）：1285-1295.

［8］ 劉江南， 姜光， 盧偉健， 等. TRIZ工具集用于驅動產品創新及生態設計方法研究［J］. 機械工程學報， 2016， 52（5）：12-21.

LIU Jiangnan， JIANG Guang， LU Weijian， et al. Driving Innovative and Ecological Design of Product Development by Utilizing TRIZ Tools［J］. Journal of Mechanical Engineering， 2016， 52（5）：12-21.

［9］ 林文廣， 賴榮燊， 肖人彬. 基于復雜網絡的專利數據驅動的產品創新設計［J］. 中國機械工程， 2020， 31（7）：842-852.

LIN Wenguang， LAI Rongshen， XIAO Renbin. Patent Data-driven Product Innovative Design Based on Complex Network［J］. China Mechanical Engineering， 2020， 31（7）：842-852.

［10］ 梁艷紅， 檀潤華， 馬建紅. 面向產品創新設計的專利文本分類研究［J］. 計算機集成制造系統， 2013， 19（2）：382-390.

LIANG Yanhong， TAN Runhua， MA Jianhong. Study on Patent Text Classification for Product Innovative Design［J］. Computer Integrated Manufacturing Systems， 2013， 19（2）：382-390.

［11］ 邱清盈， 冀瑜， 馮培恩. 基于國際專利分類表知識社團發現和重組的功能創新策略［J］. 機械工程學報， 2016， 52（23）：43-49.

QIU Qingying， JI Yu， FENG Peien. Functional Innovation Strategies Based on IPC Knowledge Community Detection and Reorganization［J］. Journal of Mechanical Engineering， 2016， 52（23）：43-49.

［12］ 李少波， 吳正， 楊觀賜， 等. 基于類比設計的專利知識挖掘算法［J］. 計算機集成制造系統， 2017， 23（11）：2344-2352.

LI Shaobo， WU Zheng， YANG Guanci， et al. Patent Mining Algorithm Based on Analogy Design［J］. Computer Integrated Manufacturing Systems， 2017， 23（11）：2344-2352.

［13］ 陳志泊， 李鈺曼， 許福， 等. 基于TextRank和簇過濾的林業文本關鍵信息抽取研究［J］. 農業機械學報， 2020， 51（5）：207-214.

CHEN Zhibo， LI Yuman， XU Fu， et al. Key Information Extraction of Forestry Text Based on Text Rank and Clusters Filtering［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（5）：207-214.

［14］ DUFLOU J R， VERHAEGEN P A. Systematic Innovation Through Patent Based Product Aspect Analysis［J］. CIRP Annals， 2011， 60（1）：203-206.

［15］ PARK S， JUN S. Technological Cognitive Diagnosis Model for Patent Keyword Analysis［J］. ICT Express， 2020， 6（1）：57-61.

［16］ CHEN L， XU S， ZHU L， et al. A Deep Learning Based Method for Extracting Semantic Information from Patent Documents［J］. Scientometrics， 2020， 125（1）：289-312.

［17］ CHOETKIERTIKUL M， DAM H K， TRAN T， et al. Automatically Recommending Components for Issue Reports Using Deep Learning［J］. Empirical Software Engineering， 2021， 26（2）：1-39.

［18］ YOON J， JEONG B， KIM M， et al. An Information Entropy and Latent Dirichlet Allocation Approach to Noise Patent Filtering［J］. Advanced Engineering Informatics， 2021， 47：101243.

［19］ ZHANG Y， ZHANG G， CHEN H， et al. Topic Analysis and Forecasting for Science， Technology and Innovation：Methodology with a Case Study Focusing on Big Data Research［J］. Technological Forecasting and Social Change， 2016， 105：179-191.

［20］ 曹國忠， 楊雯丹， 劉新星. 基于主體-行為-客體（SAO）三元結構的專利分析方法研究綜述［J］. 科技管理研究， 2021， 41（4）：158-167.

CAO Guozhong， YANG Wendan， LIU Xinxing. Review of Patent Analysis Methods Based on Subject-action-object Ternary Structure［J］. Science and Technology Management Research， 2021， 41（4）：158-167.

［21］ HE C， LI Z， WANG S， et al. A Systematic Data-mining-based Methodology for Product Family Design and Product Configuration［J］. Advanced Engineering Informatics， 2021， 48：101302.

［22］ HAN X， ZHU D， WANG X， et al. Technology Opportunity Analysis：Combining SAO Networks and Link Prediction［J］. IEEE Transactions on Engineering Management， 2021， 68（5）：1288-1298.

［23］ FENG Y， ZHAO Y， ZHENG H， et al. Data-driven Product Design toward Intelligent Manufacturing：a Review［J］. International Journal of Advanced Robotic Systems， 2020， 17（2）：1-18.

［24］ 吳穎文， 紀楊建， 顧新建. 基于專利動態復雜網絡的產業共性技術預測［J］. 計算機集成制造系統， 2020， 26（12）：3185-3194.

WU Yingwen， JI Yangjian， GU Xinjian. Industrial Generic Technology Prediction Based on Dynamic Complex Network of Patents［J］. Computer Integrated Manufacturing Systems， 2020， 26（12）：3185-3194.

［25］ LI H， YUAN J， TAN R， et al. Design around Bundle Patent Portfolio Based on Technological Evolution［J］. Chinese Journal of Mechanical Engineering， 2019， 32（1）. 86-98.

［26］ WANG X， REN H， CHEN Y， et al. Measuring Patent Similarity with SAO Semantic Analysis［J］. Scientometrics， 2019， 121：1-23.

［27］ HUANG Z， GUO X， LIU Y， et al. A Smart Conflict Resolution Model Using Multi-layer Knowledge Graph for Conceptual Design［J］. Advanced Engineering Informatics， 2023， 55：101887.

［28］ OH M， JANG H， KIM S， et al. Main Path Analysis for Technological Development Using SAO Structure and DEMATEL Based on Keyword Causality［J］. Scientometrics， 2023， 1（1）：1-26.

［29］ LI D， LEI Z L， SONG B Y， et al. Neural Attentional Relation Extraction with Dual Dependency Trees［J］. Journal of Computer Science and Technology， 2022， 37（6）：1369-1381.

［30］ CHENG K F， YUE Y A， SONG Z W. Sentiment Classification Based on Part-of-speech and Self-attention Mechanism［J］. IEEE Access， 2020， 8：16387-16396.

［31］ LU J H， WEN G H， LU R Q， et al. Networked Knowledge and Complex Networks：an Engineering View［J］. IEEE-CAA Journal of Automatica Sinica， 2022， 9（8）：1366-1383.

［32］ BURT R S. Structural Holes［M］. Cambridge：Harvard University Press， 1995.

［33］ LIN W G， LIU X D， XIAO R B. Research on Product Core Component Acquisition Based on Patent Semantic Network［J］. Entropy， 2022， 24（4）：549-569.

［34］ MIKOLOV T， CHEN K， CORRADO G， et al. Efficient Estimation of Word Representations in Vector Space［EB/OL］. https：∥arxiv. org/pdf/1301. 3781. pdf.

［35］ BAEK J W， CHUNG K Y. Multimedia Recommendation Using Word2Vec-based Social Relationship Mining［J］. Multimedia Tools and Applications， 2021， 80（26）：34499-34515.

［36］ SRENSEN T. A Method of Establishing Groups of Equal Amplitude in Plant Sociology Based on Similarity of Species and Its Application to Analyses of the Vegetation on Danish Commons［J］. Kongelige Danske Videnskabernes Selskab， 1948， 5（4）：1-34.

［37］ MAMMOLA S. Assessing Similarity of N-dimensional Hypervolumes：Which Metric to Use？［J］. Journal of Biogeography， 2019， 46（9）：2012-2023.

［38］ ZHAN Y Z， TAN K H， JI G， et al. A Big Data Framework for Facilitating Product Innovation Processes［J］. Business Process Management Journal， 2017， 23（3）：518-536.

［39］ HE C， LI Z， WANG S， et al. A Systematic Data-mining-based Methodology for Product Family Design and Product Configuration［J］. Advanced Engineering Informatics， 2021， 48：101302.

［40］ 黃震華， 張佳雯， 張波， 等. 語義推薦算法研究綜述［J］. 電子學報， 2016， 44（9）：2262-2275.

HUANG Zhenhua， ZHANG Jiawen， ZHANG Bo， et al. Survey of Semantics-based Recommendation Algorithms［J］. Acta Electronica Sinica， 2016， 44（9）：2262-2275.

［41］ VITELLI V， SORENSEN O， CRISPINO M， et al. Probabilistic Preference Learning with the Mallows Rank Model［J］. Journal of Machine Learning Research， 2018， 18：1-49.

［42］ RENIERS G， SORENSEN K， DULLAERT W. A Multi-attribute Systemic Risk Index for Comparing and Prioritizing Chemical Industrial Areas［J］. Reliability Engineering & System Safety， 2012， 98（1）：35-42.

［43］ 肖人彬， 賴榮燊， 李仁旺. 從大規模定制化設計到大規模個性化設計［J］. 南昌工程學院學報， 2021， 40（1）：1-12.

XIAO Renbin， LAI Rongshen， LI Renwang. From Design for Mass Customization to Design for Mass Personalization［J］. Journal of Nanchang Institute of Technology， 2021， 40（1）：1-12.