面向用戶生成內容的創意思維知識服務研究

李曉英，唐冬琳

湖北工業大學 工業設計學院，武漢 430068

伴隨著物聯網與數據分析技術的快速發展與應用，傳統的設計領域產生了巨大的變化[1]。“以用戶為中心”的產品設計理念越來越重要，深入洞察用戶需求是產品概念設計前期的關鍵環節[2]。傳統的用戶調研方法中獲取用于產品設計的數據通常是一項耗時且昂貴的工作。目前用戶在線數據逐漸成為設計人員獲取用戶對產品和服務的體驗的重要信息來源[3-4]。現階段通過集合數據挖掘和文本分析技術來解決用戶需求的獲取、識別、分析及表達，其研究內容主要包含三方面：一是從用戶使用產品過程中采集后臺數據并進行分類處理，分析用戶需求特征與規律，提供虛擬產品界面的迭代設計策略[2，5]；二是從用戶購買服務過程中挖掘相關商品信息[6]、用戶在線評論[7-10]與售后服務數據[11]，分析消費者對產品功能與外觀的偏好，提供實體產品的改良設計策略；三是從用戶信息交流平臺中爬取相關主題的文本數據加以識別分析與可視化表達，獲取用戶的關注與偏好信息，把握用戶需求的主流趨勢[12]。這些研究多聚焦于產品功能層面的用戶分類需求或宏觀層面的消費者群體需求趨勢，較少涉及行為與情感層面的用戶信息研究與創意思維關聯應用。楊煥[13]針對移動應用界面設計，借助在線文本建立用戶體驗與故事情景法的用戶需求洞察路徑；Ahmed 等[14]借助大量的概念設計文本集（如Open IDEO在線協作創意社區概念文本數據等），在創意設計過程中引入網絡可視化技術與方法，實現有效信息的快速捕捉與設計靈感的組合創造。上述研究為如何從用戶在線文本中獲取產品設計創意提供了方法與技術支持。為了進一步完善和提高用戶研究效率和創意知識獲取水平，在相關研究的基礎上，本文提出面向用戶生成內容的創意思維知識服務研究。運用文本分析與可視化技術，從冗雜的用戶在線文本中挖掘有用的信息，將其轉化為可視化圖表并建立創意思維映射，輔助設計人員在智能產品設計前期快速洞察用戶有效信息并啟發創意靈感。

1 創意思維知識服務研究模型

隨著社交媒體生活普遍化，越來越多的用戶在互聯網平臺發表他們對某一事物的關注、情緒與偏好等方面的個人原創信息，即用戶生成內容（User-Generated Content，UGC）。UGC 通常呈現非結構化的文本格式，具有廣泛性、自發性、互動性、意識性等特征[15]，有助于產品概念設計的創意思維開發。以UGC中的文本數據為研究對象，構建面向UGC 的創意思維知識服務研究模型，如圖1所示。該模型從設計模糊定位的UGC域到清晰認知的可視化域，再到設計洞察的創意知識域，構成創意思維知識服務的信息金字塔。

UGC域基于唐納德·A·諾曼的設計層次理論[16]，將UGC 信息特征劃分為用戶的生理與認知特征、行為習慣特征與表達情感特征，引出對應詞組要素的分類，從而保證快速獲取并識別用戶需求的有效信息。用戶的生理與認知特征分別對應生理數值詞（Physiology，P）與認知特征詞（Cognition，C），用戶的行為習慣特征對應常用動作詞（Behavior，B），用戶的表達情感特征對應情感變化詞（Emotion，E），用戶群體對象對應角色稱呼詞（User，U）。可視化域借助詞頻分析、情感分析與網絡分析等文本分析與可視化技術，輸出關鍵詞詞頻類目表和一系列關鍵詞網絡圖，實現有效信息的關聯分析與可視化表達，展示出用戶關注焦點信息、語境內容關聯信息、用戶情感體驗度量與關聯要素分區指引。創意知識域基于唐納德·A·諾曼提出的三個設計層次，對應形成創意知識獲取的物理功能層面、交互行為層面與情感反饋層面。創意知識獲取的三個層面有助于從可視化信息中深入用戶的認知、行為與情感方面的用戶研究，展開聯想轉移、活動情景與用戶故事等角度的創意構想。研究模型中UGC域是UGC分析的輸入端口，體現于創意思維知識服務過程中的用戶數據特征提取與有效信息分類；可視化域是UGC分析的輸出端口，其中輸出圖表和創意知識域的創意知識獲取層面構成創意思維映射。

2 UGC分析與創意思維映射

UGC分析是將文本分析與可視化技術引入創意思維的信息處理關鍵部分；創意思維映射是可視化圖表與創意知識獲取層面的映射分析過程。

2.1 UGC分析技術與流程

在現有詞庫基礎上通過反復測試與更新，拓展中文分詞庫、停用詞庫，構建UGC有效要素分類詞庫與情感分析詞庫作為分析基礎材料。本文選用八爪魚采集器和R 語言作為分析工具，建立UGC 文本分析與可視化技術流程，如圖2 所示。該流程主要分為UGC 采集、文檔預處理、信息提取與可視化三個環節。其中，信息提取與可視化是UGC 分析流程中的關鍵環節，主要通過詞頻分析、情感分析與網絡分析，實現UGC的關鍵詞要素分類提取、語境內容關聯數據處理與關鍵詞網絡可視化。

2.1.1 詞頻分析

詞頻的高低反映出用戶對該詞的關注程度，借助高頻詞表明用戶關注的聚焦信息。依據高頻詞臨界值估算方法[17]，提取目標語料庫中有效高頻詞。在實踐分析基礎上，由于常用動作詞出現的頻次相對較低，選用二八定律提取常用動作高頻詞。

定義1H_value為高頻詞臨界值，M為目標語料庫中全部有用詞個數，如式（1）所示：

圖1 面向UGC的創意思維知識服務研究模型

圖2 UGC文本分析與可視化技術流程

定義2BH_value為高頻詞臨界值，BM為目標語料庫中常用動作詞個數，如式（2）所示：

同時將情感變化詞預先提取，全部作用于后續情感分析中的情感極值標記環節。在通過UGC情感分析詞庫與有效要素分類詞庫進行詞類標注等文檔預處理后，利用式（1）與式（2）布爾運算提取各類別的關鍵詞。進而設定詞組的簡稱代表對應集合，即：角色稱呼詞組集合U、生理數值詞組集合P、認知特征詞組集合C、常用行為詞組集合B、情感變化詞組集合E。將U、P、C、B輸出為關鍵詞詞頻類目表，從而獲得用戶群體對象、生理特征、認知特征與行為特征信息，進行宏觀定位并初步把握用戶文本中的設計要素。

2.1.2 情感分析

情感分析是指發現人們對事物情感傾向或情緒動態等相關研究[18]。結合設計思維的用戶情感體驗要素，量化處理文本語境中的情感關聯傾向，分析關鍵詞要素之間的用戶情感關聯級別。首先，根據“主+謂+賓+情狀副詞”的句子主干成分對關鍵詞重新排序，識別并排列關鍵詞所在句子中的語境內容順序。主語與賓語表示人或物，與U/P/C（用戶、生理、認知）對應；謂語說明動作或操作，與B（行為）對應；“情狀副詞”表達情緒狀況或觀點態度，與E（情感）對應。然后，基于情感分析詞庫分類標記并計算每一條有效句子的情感極值，實現文本語境情感關聯的數據化過程[19]。其中，情感極值評分規定如下：情感分析詞庫包括程度副詞、正面情感詞與負面情感詞，正面情感詞記為+0.1、+0.3、+0.5，負面情感詞記為-0.1、-0.3、-0.5；若出現程度副詞的評分結果乘以2，未出現情感變化詞的評分結果為0，帶有否定詞則評分結果取反；若最終評分結果中絕對值大于0.6，則對應賦值為+0.7（或-0.7）。

在情感分析過程中，通過將關鍵詞進行句子主干標準化，并對句子中情感變化詞進行量化標注，從而實現用戶聚焦關聯信息的正負情感級別度量，又為創意構想中行為交互與用戶故事提供切實有效的用戶文本語境。

2.1.3 網絡分析

網絡分析已成為復雜系統關聯可視化的關鍵方法，使復雜關系可以通過簡單的網絡圖描述實現。本文從微觀角度深入研究用戶文本中關鍵詞語境內容與情感之間的關聯，快速鎖定相關利益者的關系網絡和用戶的生理、認知、行為及情感特征之間的關聯網絡。在網絡分析中，將詞頻分析的不同類目關鍵詞作為節點屬性，將情感分析的句子主干成分順序和情感極值作為連線屬性，輸出一系列關鍵詞網絡圖。在關鍵詞網絡圖中節點標簽顯示關鍵詞信息，節點顏色說明關鍵詞的類別，節點大小代表關鍵詞的頻次；連線表示共現詞組所在句子的語境關聯，連線顏色說明關鍵詞所在語境的情感傾向，連線粗細代表其相連關鍵詞之間的共現頻次（Cooccurrence Frequency，Co_Freq）；節點周圍的連線數量稱為節點度（Degree，Deg）。共現次數傳達關鍵詞之間的密切度，節點度衡量某一關鍵詞的輻射度[20]。

依據設計方向進一步選定某一高頻關鍵詞作為中心節點，對其相鄰節點的網絡屬性作出兩項定量分析，得到用戶情感體驗度量與關聯要素分區指引。其一，將相鄰節點以情感極值與Co_Freq 屬性分布構成用戶情感體驗度量網絡圖，直觀地呈現關鍵詞要素的正負情感關聯級別與密切度強弱級別（見第3.2.2節）。用戶情感體驗度量網絡圖可以捕捉用戶正負面情感關聯的核心信息，作用于挖掘用戶情感表達上的創意設計概念。其二，將相鄰節點以Co_Freq 與Deg 屬性分布構成關聯要素分區指引網絡圖[21]。通過線性回歸分析與高頻臨界值估算法變量處理，形成相鄰節點密切度與輻射度級別的四個象限區域（見第3.2.2節）。關聯要素分區指引網絡圖中四個象限展示出關聯信息中的核心區域（Q1）與次要區域（Q3）。Q1中節點處于強密切度與強輻射度區域，作為設計主題下用戶研究信息中的核心關聯范疇，主要作用于交互行為情景與用戶故事框架的構建；Q3中節點處于弱密切度與弱輻射度區域，作為用戶故事的補充參考信息。同時該網絡圖中強弱輻射度反映出與中心節點相鄰的關鍵詞在語料庫的飽和狀態[22]，強輻射度區域（Q1與Q2）與弱輻射度區域（Q3與Q4）說明突顯網絡圖節點設置的線索區域。Q1 與Q2 中節點相對處于強密切度，說明該關鍵詞處于不飽和狀態，作為指引查看該詞的突顯相鄰網絡圖，獲得更多用戶語境的有效關聯信息；Q3 與Q4 中相鄰節點的輻射度低，說明該關鍵詞處于過飽和狀態，作為指引查看該詞的突顯最短路徑網絡圖，完善用戶故事或活動情境的強關聯信息細節。為了分析過程有序且高效，對網絡分析的可視化輸出作出如下設置：頻次參數篩選設置，查看中心網絡圖；類目項篩選設置，查看U/P/C/B 詞網絡圖；指定節點篩選設置，查看突顯相鄰網絡圖或突顯最短路徑網絡圖。

2.2 創意思維映射分析過程

UGC可視化輸出圖表中蘊含著大量的用戶有效信息，任何一項可視化圖表都會產生一個或多個不同設計層面的創意點，因而建立面向UGC 可視化輸出圖表的創意思維映射，如圖3所示。關鍵詞詞頻類目表呈現用戶群體對象、生理特征、認知特征、行為特征等聚焦信息。關鍵詞網絡圖展示用戶聚焦關注的語境內容與情感關聯等信息，保證創意思維過程中用戶故事的客觀性與有效性。采用人物（who）、時間（when）、地點（where）、關聯事物（what）、關聯行為（what）與關聯情感傾向（how）（簡稱5w1h）的故事框架下[23]，通過組合、對比、相似、因果等聯想思維方法，將關鍵詞網絡圖的關鍵詞要素演變為創意概念產生過程中的用戶故事。創意思維映射分析過程從物理功能層面、行為交互層面與情感反饋層面有效地洞察關鍵詞網絡圖，全面地識別并分析創意知識獲取途徑。

2.2.1 物理功能層面

物理功能層面通常與行為交互層面、情感反饋層面互為交融，在本文研究中，用戶行為習慣與表達情感的關聯信息主要分布于P（生理）與C（認知）。關鍵詞詞頻類目表可以反映用戶生理和認知特征的聚焦信息及規律；關鍵詞網絡圖的P與C分布、節點大小、連線粗細等屬性，可以體現用戶聚焦事物中關聯信息的關注程度與情感傾向。通過突顯網絡圖中語境關聯信息可以構建并完善故事細節，進而模糊定義產品概念的功能。

2.2.2 行為交互層面

行為交互層面側重分析用戶的常用動作習慣與其關聯信息，該信息主要體現于B（行為）。關鍵網絡圖中的B分布、節點大小、連線粗細等屬性，傳達常用動作習慣之間的關聯強度與情感傾向，可從中獲取用戶行為習慣。按照“常用動作詞——交互形式——活動場景——情感體驗”的行為交互聯想線索，通過量化分析網絡圖中獲取核心動作詞并主導聯想產品交互方式與活動場景，為產品交互模式提供對應活動情景與用戶情感體驗分析。在用戶研究分析基礎上，借助突顯相鄰網絡圖獲取核心動作詞的語境內容關聯信息，從用戶行為關聯信息出發進行5w1h 用戶故事聯想；借助突顯最短路徑網絡圖獲取對應關鍵詞要素下的強關聯信息，補充創意思維過程中的用戶故事細節。

圖3 面向UGC可視化輸出圖表的創意思維映射

2.2.3 情感反饋層面

情感反饋層面主要與用戶的情感、觀點和態度有關，該層面信息分布于關鍵網絡圖中E（情感）。根據關鍵詞網絡圖中的情感關聯，通過提取主體對象的正負面情感強關聯信息，作為產品人性化設計概念的切入點；借助關鍵詞網絡圖的情感關聯多重性，采用聯想轉移方式使參與對象轉移主體對象的負面情感關聯信息，或者利用正面情感關聯信息替代負面情感關聯信息，改善或疏導負面情緒。根據用戶情感體驗度量網絡圖獲取正負面不同級別的用戶情感關聯要素，其中用戶正負面情感關聯的核心信息，作用于設計要素中的興奮點與痛點參考信息。根據突顯相鄰網絡圖與突顯最短路徑網絡圖中語境情感關聯信息可以補充并豐富故事情感，使產品設計概念融入用戶的情感體驗之中。

3 案例實踐應用

以“孕期健康，關愛胎兒”產品設計為實踐主題，依據2019 年國內綜合母嬰平臺用戶體驗滿意度調查，選定排名前三的“媽媽網”“寶寶樹”“育兒網”作為UGC采集數據源[24]。為了保證采集信息的實用性與設計思維的開放性，在前期預定設計檢索詞與數據采集分析基礎上，本次研究以“胎心”作為檢索詞，采集內容包括正文、發表時間及查閱人數。經時間限定（2017.1—2019.9）與查閱數（＞100）過濾原始數據獲得1.2 萬多項UGC 有效數據。進一步經清洗與文檔預處理獲得有效UGC語料庫，其中包括5 687個有用詞，32 680條有效句子。通過UGC 分析獲得可視化圖表，依次按照U、P、C、B 類目與情感傾向查看圖表信息。為了驗證創意思維的映射分析過程，后期將胎心話題進一步具體到胎心健康監測方向。

3.1 詞頻分析輸出

從關鍵詞詞頻類目表可以看出孕婦討論胎兒胎心話題的聚焦內容，如表1所示。U對應用戶群體對象，該信息表明在研究主題下胎心的主體對象為“胎兒”與“準媽媽”；家庭關系中相關角色主要涉及“準爸爸”與“奶奶”等家人，社會關系中相關角色主要包括“醫生”“姐妹們”“護士”；“女孩”與“男孩”說明“胎心”與胎兒性別可能存在一定的關聯性。進一步分析P并圖形化，圖4中變化折線表明胎兒與胎心話題的重點關注時間有“孕早期6～8周”“末次月經”“孕晚期”。C與B將在后續網絡圖中分析。

3.2 網絡分析輸出

3.2.1 中心網絡圖

結合詞頻分析輸出的關鍵詞詞頻類目表，進一步進行網絡分析，結果如圖5 所示。以圖5（a）中心網絡圖I的熱點區域中可以看出“胎心”與“懷孕”“B 超”“醫院”“胎動”“胎心監護”等詞存在著密切的關聯性。由于圖5（a）中節點分布相對密集，不易辨別連線的情感關聯信息，進一步通過頻次參數篩選設置輸出中心網絡圖II，如圖5（b）所示。“胎心”與“胎兒”“準媽媽”的強關聯性表明研究對象“胎心”具有雙重主體性；“胎兒”與“醫生”“準爸爸”“姐妹們”的關聯強度，表明孕期活動中的重要參與對象，并可以推測出孕婦主要的活動場景為家、醫院和互聯網平臺。正負情感傾向分別通過橙色系與藍色系連線表示。“胎心”周圍的藍色系連線居多，表明“胎心”帶給孕婦產生較多緊張與擔憂；反之，“胎兒”周圍的橙色系連線居多，表明“胎兒”給予孕婦收獲較多喜悅。“胎兒”與“準媽媽”“醫生”有著橙色與藍色兩種重疊連線，說明在不同情景下可能產生不同情緒。“胎兒”與“準爸爸”之間為橙色連線，說明其語境中存在較多正面情感體驗因素；“胎兒”與“姐妹們”之間為藍色連線，說明其語境中存在較多負面情感體驗因素；這些說明準爸爸與姐妹們在孕婦生活中扮演著負面情感轉移角色，使孕婦緩解憂郁，增強幸福安全感。

表1 “胎心”檢索詞下關鍵詞詞頻類目表（部分）

圖4 孕期健康主題下生理數值詞組（P）詞頻圖

3.2.2 量化分析網絡圖

通過中心網絡圖對“胎心”與“胎兒”進行了情感關聯對比分析，獲得“胎心”是孕期健康主題下聚焦問題的核心關聯詞。進而以與“胎心”相關的高頻特征動詞“胎心監護”作為量化分析網絡圖的中心節點。在“胎心監護”中心節點下的用戶情感體驗度量網絡圖如圖6 所示，得出用戶正面情感關聯與負面情感關聯的核心信息，分別作用于胎心健康監測方向下的興奮點參考信息與痛點參考信息，具體內容如表2所示。通過正面情感核心關聯信息中“家用”“聽”“求神祈愿”等關鍵詞，確定產品相關概念功能，滿足孕婦群體認知、行為與情感需求；借助負面情感核心關聯信息中“缺氧”“產檢”“生病”等關鍵詞，聯想孕婦生活中出現問題的活動情景，作為改善用戶體驗的概念切入點。在“胎心監護”中心節點下的關聯要素分區指引網絡圖如圖7所示，借助核心區域中“聽”作為聯想示例。從主體對象中聯想不同的交互形式，如胎兒發出的聲音、孕婦發出的聲音、對胎兒有益的聲音以及孕婦希望傳達的聲音，結合在醫院、家、戶外等不同活動場景中分析不同“聽”的交互情景下的孕婦情感體驗，從而得出胎心健康監測下產品概念中以“聽”為交互形式主導方向。如圖8所示。

圖5 “胎心”檢索詞下中心網絡示例圖

圖6 “胎心監護”中心節點下用戶情感體驗度量網絡示例圖

3.2.3 突顯網絡圖

進一步以圖7中Q1與Q2中“聽”為例，通過指定節點篩選設置，輸出突顯相鄰網絡示例圖，如圖9（a）所示。在圖 7 的 Q3 與 Q4 中選定“儀器”“家用”“耦合劑”等關鍵詞，通過指定節點篩選設置，輸出突顯最短路徑網絡圖示例圖，如圖9（b）所示。借助突顯網絡圖中的關鍵詞要素，展開聯想胎心健康監測方向下的孕婦故事，從文本語境中深入挖掘孕婦的聚焦信息與關注問題。將圖9 中U/B/P/C 關聯信息轉化為5w1h 故事元素信息。在前期的分析基礎上得出用戶故事中人物（U）、時間（P）、地點信息，進一步組合關聯事物（S/P）、行為（B）與情感（E）組合胎心監護下的孕婦故事。從不同的活動場景和孕期階段展開，關聯著不同的人物、事物及情感，通過組合、對比、因果、整合等方法將關鍵詞要素信息演變成創意概念中的孕婦相關故事。用戶故事是為了具體化呈現孕婦在胎心監護過程中的需求和問題，進而歸納得出不同創意知識獲取層面的設計概念，如物理功能層面有胎心定位、報告解說、數據傳達等，行為交互層面有雙向互動、多渠道交流、健康反饋等，情感反饋層面有愛美需求、社交活動、心理寄托等，如圖10所示。

表2 用戶正負面情感關聯信息分析表

圖7 “胎心監護”中心節點下關聯要素分區指引網絡示例圖

圖8 行為交互聯想線索示例圖

圖9 “胎心監護”中心節點下突顯網絡示例圖

圖10 5w1h用戶故事信息示例表

通過案例驗證了UGC 分析與可視化流程的可行性，說明了面向UGC 的創意思維映射分析過程。在本次實踐中，創意知識獲取分為用戶研究與創意構想，如表3。用戶研究包括關鍵群體對象（a）、用戶行為習慣（b）、用戶聚焦信息（c）與用戶情感傾向（d），創意構想包括常用行為活動（e）、用戶故事情景（f）與用戶故事細節（g）。其中（a）、（b）項由UGC采集階段的檢索詞決定輸出，（c）、（g）項由自定義量化分析網絡圖的中心節點決定輸出后續可視化圖表。根據個人認知角度不同，設計人員通過設計主題下模糊定位關鍵詞可以發現更多相關信息并獲取更多創意概念。

表3 胎心健康監測下創意知識匯總示例表

4 總結

本文基于文本分析與可視化技術應用，針對UGC中的文本數據，構建了面向UGC 的創意思維知識服務研究模型。以用戶為中心的設計理念構建了UGC分析流程；建立了可視化輸出圖表與物理功能層面、交互行為層面、情感反饋層面的創意思維映射；最后結合實踐案例驗證了模型的有效性。由于文本分析技術對相似與相關概念難以進行智能化分類，需要人工進行識別與不斷測試完善；同時創意知識獲取過程是思維發散與不斷演變的過程，需要循序漸進地積累與優化。后續研究將深入拓展設計方法與可視化圖表轉化過程，并搭建設計團隊合作的創意集成平臺。