基于貝葉斯網絡的品牌風格語言知識建模方法

徐 江 王海賢 張克俊

1.東南大學，南京，210089 2.浙江大學，杭州，310027

0 引言

隨著情感消費浪潮的來臨，產品風格成為企業提升品牌競爭力的決定性因素，它融入技術、商業和文化等要素，滿足消費者對產品功用、審美情趣及交互體驗等方面的精神文化訴求。近年來，已有不少國內外學者從形狀文法、情感意象、不確定推理等角度對它展開廣泛而深入的研究：文獻［1－2］從視覺認知角度，建構了基于隱性與顯性語義轉換的品牌識別模型，創造性地提出了用于提取造型特征的設計模式分析法（design format analysis，DFA）；文獻［3］結合文法表達和幾何設計進行研究并取得了諸多成果；文獻［4］采用粗糙集來挖掘感性意象關聯知識；文獻［5］利用多類別支持向量機分類模型來建立情感反應與造型特征間的關聯；文獻［6］根據產品族的工業設計原理，在汽車造型特征提取、衍生推理等風格演化與工程設計的對比分析、造型語義以及品牌造型基因表達模型等方面獲得了重要進展。上述文獻多集中在對語義維度、認知建模及其造型幾何計算的研究，而如何結合語法維度來探討品牌風格造型語言規則表示還有待深入研究。有鑒于此，本文運用貝葉斯網絡不確定推理及其對概念模塊化表征的優勢，以品牌意象認知與造型特征的映射關系為基礎，構建具有一般推理能力的品牌造型語言模型，為不同領域風格認知與計算、情感信息處理及造型設計知識發現等領域研究提供新思路與新方法。

1 品牌風格語言描述

1.1 品牌意象與造型語言的映射描述

在產品購買和使用過程中，消費者總是趨于以不同形容詞匯來表達其對不同品牌造型的偏好與感受，這些主觀認知反應與形態、功能、情感及價值等有關，被稱之為品牌意象。在此，本文結合造型特性與品牌演化脈絡，提出品牌意象與造型語言映射描述模型（圖1）。模型中，品牌風格的造型語義及語法共同組成了不斷演化發展的造型語言體系，其中造型語義主要是指點、線、面、色彩、材質、細部處理、裝飾特性等幾何形態要素；造型語法則是指造型要素局部及其與整體的組織和布局關系，是風格語言中可復制的模式關系［7］（圖1）。

圖1 品牌意象認知映射描述

1.2 基于設計模式分析的造型語義提取

品牌風格在歷時性與共時性發展脈絡中進化革新，存在諸多類似于生物進化的設計規律和模式。本文以此為基礎，提出一種改進的設計模式分 析 法 （improved design format analysis，IDFA），該方法在現有感性意象調查系統 （kansei image survey system，KISS）基 礎上［8］，借助專家訪談和問卷調查，以量化評估方式提取具有強識別性的品牌造型語義，其步驟如下。

（1）廣泛選取和搜集不同代系的品牌風格造型樣本與意象詞匯，運用KISS系統提取代表性樣本集S和意象詞匯集I：

結合專家訪談和問卷調查提取造型語義，定義語義集為

第i項造型語義取值為

（2）以語義F及樣本S分別為行向量和列向量建立IDFA矩陣（圖2）：

圖2 IDFA矩陣

（3）開展意象認知實驗，分析Fi在Si中的出現率，并據識別程度予以評分，如表現為強識別性，則給予評分值3；如表現出弱識別性，則評分

為1；如一般則評分為2。

（4）記強識別系數為

據強識別系數高低排序，取得分高于給定閥值的造型語義，即得典型造型語義集E：

其中，d為大于1的常數，本文中取值為1。

2 基于貝葉斯網絡的品牌風格語言知識獲取

基于貝葉斯網絡的品牌風格造型語言知識獲取框架如圖3所示。以意象詞匯與造型語言關系描述為基礎，開展品牌意象認知評價實驗，并獲取認知評價數據；再通過貝葉斯評分函數和搜索算法開展學習，求取意象詞匯和造型語義間概率關系；最后以模塊化思想建立造型語言網絡模型，挖掘潛在意象詞匯關聯，提取造型語法層級組織，進而以概率分布來表征意象詞匯與造型語義關聯知識。

圖3 品牌風格語言推理框架

2.1 貝葉斯網絡理論

貝葉斯網絡以概率論和圖論為基礎，提供一種解決工程中不確定性和復雜性問題的方法，它利用條件概率來表示網絡中父節點和子節點對上變量間的影響程度及相互關系，能較好地處理不完備數據集問題。該網絡蘊含了所有變量的聯合分布，一組變量U的聯合分布可通過條件概率形式表現［9］，故貝葉斯網推理問題的核心是計算（后驗）條件概率分布：

其中，Pai表示Xi的父節點，在貝葉斯網絡中，當父節點給定時Xi與其他節點都是獨立的，可以得到公式：

因此，貝葉斯網絡確定父節點的過程與尋求變量間條件獨立關系的過程是相對應的。

2.2 基于貝葉斯推理的品牌風格語言網絡建構

根據貝葉斯網絡的有向圖模塊化概念［10］，從意象認知評價數據中確定網絡節點數，學習并尋找與數據集擬合最佳的網絡，建立自然、直觀的品牌風格語言網絡。考慮到品牌意象認知實驗中風格樣本的規模，本研究結合禁忌搜索算法，采取基于最小描述長度（minimum description length，MDL）［10－11］評分函數進行網絡結構搜索，求解全局最優結構。該網絡結構描述長度表示為

其中，G為網絡結構，P為條件概率分布，D 為給定意象認知評價數據集。在B中定義X為節點集合，每個節點xi（xi∈X）可表示為網絡中的造型語義屬性或意象詞匯屬性，A＝（xi，xj）表示節點間的有向弧。DLstru（G），DLtab（P），DLdata（D｜B）分別表示結構編碼長度、條件概率表編碼長度以及數據集編碼長度，其基本原理就是求出使得總描述長度DL最小的網絡模型。由于需選擇分值低的網絡結構，因此將DL值變換為禁忌搜索中個體的適應度：

其中，fmax取一較大常數。從適應值定義可以得出，若網絡中出現環，則適應度為0。經過上述數據處理過程，建立品牌風格語言網絡B＝（G，P）。

2.3 基于網絡劃分的品牌風格語言知識表征

結合屬性集一致性條件獨立的特點，將全網絡的聯合概率分解為若干因子式，即B分解為相對獨立且屬性潛在關聯的子網絡。依拓撲結構關系（圖4），有向圖節點代表問題域中的屬性，即意象詞匯（I）與造型語義（E）；邊表示節點間的概率依賴關系。 假設各非相鄰節點間相互獨立，則可定義某一節點為中間節點，并將其與子節點、父節點及節點間的相互關聯共同組建具有推理功能的子網絡。在此，通過節點間概率依賴關系來劃分和定義意象詞匯網絡（U）、造型語法網絡（V）及映射關聯網絡（W）。

U為造型語義E間概率推理關系的有向圖，可描述完形認知造型語法知識，表征為

V為意象詞匯I間概率推理關系有向圖，可描述意象詞匯關聯知識，表征為

圖4 造型語言網絡B

W 為E與I的概率推理關系有向圖，可描述意象詞匯與造型語義間關聯知識，表征為

顯然

式中，distinct（）表示不重復。

3 實例分析

本文以Benz品牌汽車前臉造型為例來推理求解品牌風格造型語言建模問題。

3.1 數據處理及網絡構建

首先，通過KISS系統來選取代表性樣本和意象詞匯，該系統采用多元尺度法、聚類分析法、主成分等數據分析方法開展實驗調查及數據處理。廣泛選取不同年代及系列的Benz品牌車型樣本30個，從相關雜志和媒體搜集用于描述該品牌意象詞匯60個，以10名有經驗的汽車設計師為受測對象，利用系統調查功能挑選適于描述該品牌汽車前臉造型的意象詞匯11個，即：流線的、硬朗的、動感的、高科技的、穩重的、舒適的、高級的、豪華的、精致的、個性的、典雅的。將上述30個樣本導入到系統，系統多維尺度分析模塊將自動提取S。

其次，運用形態分析法獲取造型語義，即格柵、前車燈、霧燈、引擎蓋棱線、進氣孔、Logo共6類39種（圖5）。利用IDFA矩陣提取典型造型語義集E，針對代表性樣本進行品牌意象認知評價（圖6），即對各造型語義予以“強”、“弱”和“一般”的3階識別評分，獲得26種典型造型語義屬性（圖7）。

再次，以5階尺度進行汽車品牌意象認知實驗，由意象詞匯I、典型造型語義E及實驗結果，建立數據矩陣 Mc×d，Mc×d為144行17列，其中行c＝mq。其中，m為代表性樣本數；q為受測者數，q＝16；r為造型語義數，r＝6；i為意象詞匯數，且i＝11，從而d＝r＋i。

圖5 造型語義形態

圖6 典型造型語義提取

最后，以矩陣Mc×d作為訓練數據，根據3.2中利用基于最小描述長度評分函數的禁忌搜索來獲取貝葉斯網絡的結構，即與樣本數據匹配程度最高的貝葉斯網絡，如圖8所示。

3.2 風格語言知識獲取

圖7 Benz品牌造型語義

圖8 Benz品牌風格語言網絡

3.2.1 意象詞匯關聯

由G中劃分出子網絡V來抽取內隱意象詞匯關聯，表達多維品牌意象認知結構［12］。V 網絡中，“流線的”、“簡約的”、“動感的”詞匯聯系緊密，構成造型語言的美學維度，在此維度內集中對造型要素的視覺、聽覺以及觸覺等多通道的意象認知；“精致的”、“穩重的”、“舒適的”、“高科技的”詞匯構成了意象認知空間中的功能維度，主要反映產品的功能使用、操作效用等特性；而“豪華的”、“傳統的”、“典雅的”詞匯則成為體現品牌價值認知的象征維度，它與品牌所處的社會及文化環境等相關。

3.2.2 造型語法特性

Warell［1］基于完形心理學來闡釋造型風格語言的層次組織效應，即造型語義在語法規則引導下有序構建美的視覺形態性。同理，本文從造型語法網絡U來解析Benz品牌造型語法特性。

（1）格柵與Logo、前車燈與霧燈分別組合成“低級完形”（圖9），這些元素在局部特征辨識上易引起注意，如格柵線條齊向Logo中心匯聚的態勢、車頭燈及霧燈的形態互為呼應。

圖9 低級完形

（2）由造型語義關聯性來看，車燈與格柵成為網絡U中的核心元素，在布局關系上遵循共同排布模式，即前車燈分列于水箱罩左右，與格柵重心處于同一水平線上。而車燈與格柵造型的“親疏關系”會因引擎蓋棱線的變化而有不同，如圖10a中車燈內側線條幾乎與格柵線、引擎蓋棱線完全重合，形成 “消隱”的視覺效應。而圖10b中車燈內側線條與格柵間則為引擎蓋棱線預留空間。在此，可視車燈、格柵以及引擎蓋棱線共同組成Benz品牌前臉造型的“中級完形”。

圖10 中級完形

（3）如圖11所示，在保險杠上方，引擎蓋棱線、格柵側邊線與車燈內側線在視覺上“不約而同”表現上升與匯聚的視覺張力，這種“張力場”一直延伸和集中到A柱前；同時格柵作為過渡性特征，與霧燈、進氣口形成了大小不一、形態近似的倒梯形特征族，這種呼應的布局關系增強了造型的凝聚力和整體感。同時，格柵、車頭燈以及引擎蓋3種語義與其他語義屬性關聯度較高，它們與Logo、霧燈及進氣口共同組成前臉造型的“高級完形”。

進一步地，從網絡概率分布來分析造型語言特性（圖12）：

（1）當格柵為較疏間隔的橫線，且趨于五邊形狀F14時，Logo位置和形狀屬性多為F42，即為大圓形，引擎蓋棱線趨于用立體感強的雙折線F23、車頭燈則多用分離的“子母”式F33，進氣口和霧燈分別為F53和F62，塑造具有“流線、現代和動感”意象的造型語言。

圖11 高級完形

圖12 造型語言網絡概率分布（1）

（2）當格柵橫線采用較密間隔，長寬比例也略大的F11時（圖13），Logo造型趨于用小圓形F43，引擎蓋棱線趨于用簡約的弧線形F21、車頭燈趨于采用一體式F31、霧燈采用較保守的圓形F61，而進氣口形狀則相對無明顯傾向性，從而塑造出“大氣和沉穩”意象的造型語言。

3.2.3 映射推理關系

如前所述，意象詞匯I與造型語義E間的映射推理關系由網絡W 來表征。以“運動的”意象為例（圖14），為增強前臉造型的動感，宜采用線條間隔疏的格柵F12、引擎蓋曲面F21、車頭燈F35、Logo F42及進氣口F53與霧燈F61等，上述語義特征能提升“豪華的”認知效應，但同時也會弱化“傳統的”意象認知。所以，從全局來看，設計師應多方把握和權衡造型語義對不同意象的利弊影響。另外，“科技的”、“豪華的”、“動感的”、“穩重的”意象與造型語義存在更直接的關聯，因而能更直接地代表品牌風格意象認知。

總之，代表Benz品牌汽車前臉造型語言可概括為：造型語義注重強識別語義屬性的延續和重用，語義間通過統一、呼應、匯聚等語法關系構建由低到高、由簡到繁的視覺完形，集中詮釋獨特持久的品牌意象，從而塑造出該品牌強吸引力、高附加值、高情感性的品牌文化。

圖13 造型語言網絡概率分布（2）

圖14 映射推理概率關系

4 結束語

本文結合貝葉斯網絡模塊化概念，創新性地將品牌風格造型語言建模問題轉化為一般概率關系的知識推理和表示問題。在品牌意象與造型語言認知模型基礎上，運用貝葉斯評分函數及搜索算法建立風格造型語言網絡，再描述其中的概率依賴關系，從而提取多維的品牌風格語言知識。該方法可適應于求解風格認知與計算、情感信息處理等諸多的不確定問題，后續工作將在意象詞匯和造型語義的實驗分析，以及與粗糙集、回歸分析等不同推理方法可靠性比較方面，進一步予以分析和完善。

［1］Warell A.Design Syntactics：a Functional Approach to Visual Product Form－theory，Models and Methods［D］.Gothenburg：Chalmers University of Technology，2002.

［2］Karjalainen T M.When is a Car Like a Drink？Metaphor as a Means to Distilling Brand and Product Identity［J］.Design Management Journal，2001，12（1）：66－71.

［3］Orsborn S，Cagan J，Pawlicki R，et al.Cross－over Vehicles：Defining and Combining Vehicle Classes Using Shape Grammars［J］.Artificial Intelligence for Engineering Design，Analysis and Manufacturing，2006，20（3）：217－246.

［4］Nishino T，Nagamachi M，Tanaka H.Variable Precision Bayesian Rough Set Model and Its Application to Human Evaluation Data［C］／／Rough Sets，Fuzzy Sets，Data Mining and Granular Computing.Berlin：Springer，2005：294－303.

［5］Yang C，Shieh M.A Support Vector Regression Based Prediction Model of Affective Responses for Product Form Design［J］.Computers ＆ Industrial Engineering，2010，59（4）：682－689.

［6］張文泉.汽車品牌造型基因研究［D］.長沙：湖南大學，2004.

［7］Chen K，Owen Charles L.Form Language and Style Description［J］.Design Studies，1997，18（3）：249－274.

［8］毛禮輝.基于網絡的感性意象調查系統研究與開發［D］.杭州：浙江大學，2006.

［9］曹雪亞.基于貝葉斯網絡的本體不確定性推理研究［D］.長春：東北師范大學，2009.

［10］Lam W，Bacchus F.Learning Bayesian Belief Networks：an Approach Based on the MDL Principle［J］.Computational Intelligence，1994，10（3）：269－293.

［11］Glover F.Tabu Search－part［J］.ORSA Journal on Computing，1989，1（3）：190－206.

［12］Steffen D.Desgin Semantics of Innorvation，Product Language as a Reflection on Technical Innovation and Socio－cultural Change［C］／／Design Semiotics in Use Conference.Helsinki，2007：68－75.