基于大數據的產品族本體造型意象挖掘方法研究

王 鵬，朱韋龍

基于大數據的產品族本體造型意象挖掘方法研究

王 鵬，朱韋龍

(蘭州理工大學設計藝術學院，甘肅 蘭州 730050)

為提升產品造型意象成族的準確性，增強感性工學研究中意象詞匯提取的規范性和知識重用性。首先從同族、泛族、異族的概念切入，對目標產品族的造型意象本體進行了定義；再借助word2vec工具和主成分分析法(PCA)分別完成了對產品族意象詞匯的關聯性聯想和降維提取，從而構建了意象詞匯挖掘機制，通過此機制可以輔助設計師利用網絡大數據資源更高效、準確地進行目標產品意象的挖掘，一定程度上解決了傳統感性工學在意象挖掘方法中模糊性。最后結合意象詞匯與造型特征的映射關系，利用Protege工具構建了產品族造型意象的本體模型，對目標產品的造型意象知識進行了邏輯化表征，為下一代產品繼承并發展原產品族造型意象提供參考。以馬自達MX-5車系的造型意象為例構建了本體模型，并進行了子代產品前臉的概念設計。

產品族；本體模型；意象挖掘；Word2vec；主成分分析法

產品族(product family，PF)設計是基于通用的產品平臺[1]，根據客戶個性化需求進行快速開發和制造的系列產品，在保留同族群體的主要產品特征的同時，通過產品演進過程中的突變，豐富產品族群的過程。意象是認知主體在接觸客觀事物后，根據感覺來源傳遞的表象信息，在思維空間中形成有關認知客體的形象[2]。人在產品造型的認知過程中，視覺產生的短時記憶感覺與儲存在長時記憶中的知識及經驗進行對比[3]，最終形成了對產品造型意象的認知。

在產品造型設計中，傳統感性工學對意象詞匯的挖掘具有先導性作用，楊梅和薛明明[4]基于用戶的多維感官提取意象詞匯，構建家具產品評價方法。張文召等[5]以品牌形象、用戶偏好、社會情境等方面在網絡資源上提取意象詞匯，構建了多目標產品造型驅動模型。然而在具體的設計過程中，初始造型意象詞匯的提取源于設計師頭腦風暴或對既有資源的搜集，對網絡資源的利用方面缺乏高效準確的方法和手段，過多地依靠設計師自身的思維習慣和文化背景，以至于無法保證對企業的PF基因進行最合理的表征，使產品在意象造型成族方面缺乏廣泛的資源數據支撐。對意象詞匯挖掘的結果也缺少歸納，無法為后續的設計實踐提供先驗性的知識概念。

基于此，本文利用網絡大數據資源，模擬設計師在利用網絡資源尋找產品意象語意過程中先發散后收斂的思維模式，建立了基于word2vec和主成分分析法(principal component analysis，PCA)的PF意象詞匯挖掘機制，一定程度上解決了經典感性工學研究中在意象詞匯挖掘階段的不可控性和隨機性。并將結果表征為PF造型意象本體模型，提高了設計知識的重用性，輔助設計師對子代產品進行概念設計。

1 產品族造型意象本體的定義

本體論起源于哲學的研究范疇，其可以看作是對抽象世界的認識，是一種描述術語及術語間關系的概念模型[6]，構建本體模型即是對某一領域的知識進行具有邏輯屬性的概念描述。

在工業設計領域，本體論主要被應用于構建產品的功能知識模型[7-8]。盡管目前針對PF設計相關的本體論應用研究較少，但PF平臺化、模塊化的設計方法與本體研究中的知識復用、概念化等思想相互契合。本文將利用本體模型對認識邊界模糊的族意象進行具有層級結構的邏輯化表征，進而為PF設計過程提供可參考的范式。

在對PF造型意象進行本體建模時，應該既包含給消費者帶來主觀心理認知和評價的PF意象，又考慮到屬于產品設計和制造的物理基礎的產品造型基因[9]，故可將PF造型意象本體定義為一個三元組，即

其中，PFO (product family ontology)為PF造型意象本體；PFCon (product family conception)為PF造型意象實體的集合，包含族意象詞匯實體和產品造型特征實體；PFAtt (product family attribute)為造型設計要素的屬性集合，包含PF意象的屬性、產品造型特征的屬性、兩者間映射關系的屬性；PFRel (product family relationship)為實體之間的關聯集合；包含族意象和產品設計要素的映射關系、族意象實體與產品造型特征實體的組成關系。

2 產品族造型意象本體模型構建

2.1 族意象本體構成研究

產品的感性意象是形成PF設計風格的重要組成部分，相比廣義的產品意象，族意象還具有更明顯的遺傳和變異特征，新產品的造型風格隨著族意象的繼承、發展需不斷地適應和迭代。

在產品族群概念研究中[10]，本文對PF意象進行重新構建。把目標PF自身繼承發展的風格意象定義為“同族意象”，與目標產品功能、造型有許多共通特征或共享相同的企業文化、精神內涵的產品意象定義為“泛族意象”；在創新設計中引入的新的意象定義為“異族意象”。在實際的設計活動中，“同族意象”從目標產品的品牌核心價值和企業PF基因中提取；“泛族意象”從與目標PF風格意象相近的產品基因中提取；“異族意象”從新時代產品設計的風格趨勢，和其他類流行產品的優質設計特征中提取。

2.2 產品造型特征實體與族意象的關聯性

產品造型是傳達產品信息的首要因素，是設計師用來向用戶傳達設計思想和理念的重要手段[11]。在設計研究中，需要對產品造型特征進行拆解形成設計要素，結合族意象實體形成兩者之間的映射，進一步實現PF造型風格實體的可視化。本文的研究目標是汽車前臉，在相關研究的基礎上[12]，可對目標產品造型特征劃分為前大燈、格柵、下進氣口、霧燈以及整體輪廓5個區域。

按照產品造型特征與意象的關聯性，將同族意象對應的產品造型特征進行適應性選擇遺傳；泛族意象對應的產品造型特征進行變異后遺傳；異族意象對應的產品造型特征進行對抗、共生性創新遺傳。

2.3 概念模型構建

根據實體集、聯系集和屬性集的3個基本概念[13]，使用ER (entity relationship)圖構建PF造型意象本體模型，將企業和消費者對于意象的模糊感官轉換為確定的概念集合。具體模型如圖1所示。

圖1 產品族造型意象本體E-R模型

族意象實體從同族、泛族、異族3部分進行表征，從PF研究對象自身、企業識別、品牌精神、新時代產品設計的風格趨勢、其他產品優質設計特征等方面提取意象，意象具有不同的表征度作為屬性；產品造型特征具有不同的特征類別屬性。由于消費者對產品意象評價的模糊性，族意象實體和造型特征實體間存在多對多的映射關聯，其本身帶有造型特征權重的屬性。

3 族意象詞匯挖掘機制研究

3.1 基于word2vec的意象詞匯泛化方法

意象詞匯是表征用戶對產品設計特征的認知重要手段，意象詞匯的擴展、泛化為PF成族提供了有效途徑。詞向量指通過語言模型學習得到的詞的分布式特征表示，也稱詞編碼，可以非稀疏的表示大規模語料中復雜的上下文信息[14]。MIKOLOV等[15]率先在2013年提出了word2vec語言模型，并有效地訓練詞向量，同年Google實驗室開源Word2vec詞向量工具。

Word2vec的本質是一種淺層的神經網絡模型。其原理是基于語言概率模型CBOW(continuous bag of words)和Skip-gram。其中CBOW模型利用目標詞前后的詞匯集去預測當前詞，而Skip-gram模型用目標詞去預測其上下文的詞匯集，使得概率最大化。2種模型分別如圖2和3所示。

圖2 CBOW模型

圖3 Skip-gram模型

2種概率模型的目的均利用最大似然估計(maximum likelihood estimate，MLE)，使得目標對數函數為

由式(2)得到模型的最優參數，利用其對模型進行預測。其中，為訓練語料；()為詞匯的周邊詞的集合。

本文從同族、泛族、異族3方面有針對性地搜集產品描述語料，訓練有汽車設計語意屬性的詞向量模型。

3.2 基于PCA的意象詞匯提取

利用word2vec處理語料資源將得到大量的詞匯，在進行評判統計時，需要降低評價維度。本文利用PCA進行量表的數據降維，其核心是保留了數據集中對方差貢獻最大的若干個特征來表征全部數據對象，以達到簡化數據集的目的。

衡量評價維度之間的相關度，再利用協方差矩陣的特征值得到每一主成分的貢獻率為

根據貢獻率選取降維后的主成分數量，根據旋轉成分矩陣可得到主成分與原始意象詞匯的線性組合，從而確定主意象成分的含義。

3.3 族意象詞匯挖掘機制

本文通過構建對意象詞匯先關聯性拓展再降維提取的機制，模擬了設計師先發散后收斂的思維模式。

步驟1.結合PF造型意象本體模型，使用網絡爬蟲工具以同族、泛族、異族造型意象為切入點進行產品描述語料的獲取；

步驟2.在對原始語料預處理的基礎上，導入語言概率模型中進行word2vec訓練。完成訓練后，尋找敏感詞匯在向量空間中的關聯詞，并通過專業設計師的人工評判處理進行迭代聯想，最終構建出可視化的意象詞匯知識網絡；

步驟3.通過李克特量表構建評價矩陣，使用PCA進行典型意象詞匯的提取，并結合正交實驗完成意象詞匯與造型特征間的映射。具體的意象詞匯挖掘機制如圖4所示。

圖4 產品族意象挖掘機制

4 實例研究

汽車前臉承載著汽車產品信息傳遞的重要功能，是向消費人群表現品牌基因的重要載體[16]。本文以馬自達MX5系列跑車新能源版的前臉造型設計開發為例，構建PF造型風格本體模型，說明該方法的有效性。

4.1 族意象詞匯聯想拓展

本文從3部分收集語料，其中以Mx-5強烈的跑車基因作為同族意象，訓練語料從官網描述和汽車媒體網站的測評文章中獲得；馬自達企業精神和品牌識別作為泛族意象；訓練語料從官方網站和對馬自達汽車設計師的專訪文章中獲得；新能源汽車行業的屬性為異族意象，描述語料通過對市場上新晉的新能源汽車品牌和媒體測評中獲得。

利用開源的語義分析平臺NLPIR (http://ictclas. nlpir.org)對目標網頁的文字內容進行抓取，共獲得約15萬字的原始語料；并利用平臺對語料進行詞頻統計，獲得高頻詞匯：“馬自達”“跑車”“新能源”和“MX-5”，再結合語料信息人工提取“人馬一體”“魂動”作為高頻詞匯。

使用Jieba庫對原始語料進行分詞和停用詞處理，再將語料導入word2vec模型中完成向量空間下詞典的構建。將統計得到的高頻詞匯構成敏感詞庫，在向量詞典中輸入詞庫可以計算得到其關聯詞，完成對于敏感詞匯的發散。

本文將敏感詞匯“跑車”“MX-5”發散得到的關聯詞作為同族意象詞匯；以“馬自達”“魂動”“人馬一體”“創馳藍天”發散得到的關聯詞作為泛族意象詞匯；以“新能源”發散得到的關聯詞作為異族意象詞匯。以敏感詞匯“馬自達”為例，根據詞向量距離設定閾值，使用python的matplotlab庫工具進行可視化圖譜表征，結果如圖5所示。

圖5 詞匯“馬自達”的關聯詞可視化圖譜

對上述7個敏感詞匯進行關聯詞拓展，將詞向量結果輸出成表，結合既定的篩選規則，經設計師小組討論進行人工處理。

研究定義人工處理流程如下：

(1) 按照詞匯關聯度數值進行降序排列，篩選出關聯度為0.8以上的數據，以“馬自達”為例結果見表1。

(2) 過濾關聯詞中過于主觀的詞匯，如“勇毅”等，過濾表意不清的詞匯如“巧”等。最終得到詞匯“靈感”“優雅”“純粹”“細膩”“敏捷”和“優異”作為第一級的聯想詞匯。

(3) 對聯想詞進行拓展，得到下一級聯想詞。經專家小組討論對詞匯進行選擇，或直接替換上一級詞匯作為篩選后的詞匯。并共同構成李克特量表的評價詞匯。

(4) 剔除已被過濾的詞匯，對剩余的詞匯構建知識圖譜，如圖6所示。

表1 詞匯“馬自達”關聯詞表(部分)

4.2 族意象詞匯降維提取

按照同族、泛族、異族3部分選取樣本，分別包含Mazda MX-5車系歷代前臉、Mazda最新的家族式前臉、新晉品牌的新能源汽車前臉。用輪廓特征線的表達方式[17]，提取了如圖7所示的典型產品樣本并進行編號。其中，因第一代Mazda MX-5的設計語言與后續PF風格相差較大而不作為研究對象。

使用篩選出的意象詞匯，按照同族、泛族、異族的分類與產品樣本對應，分別設計3×12，2×12，3×11維的李克特量表問卷。邀請64名受訪者，其中包含10名馬自達汽車的資深用戶、12名工業設計和產品設計專業的教授、9名在職工業設計師以及33名設計類專業的學生。受訪者對產品樣本與意象詞匯的符合度進行1～5的評分，對結果求平均值處理得到樣本在各意象評價維度下的得分，表2以異族產品樣本的得分為例。

并分別對同族、泛族、異族產品樣本的得分表進行PCA：

(1) 對樣本得分表做標準化處理，計算其對應的12維協方差矩陣，得到表3。

(2) 使用Matlab軟件計算協方差矩陣的特征向量值，帶入式(4)得到各成分貢獻率，對異族樣本所有成分的特征值進行貢獻率分析，排序整理得到表4。

圖6 馬自達MX-5車型意象詞匯聯想圖譜

(3) 使用SPSS軟件對得分表進行旋轉因子分析，得到旋轉空間中的主成分圖8和旋轉成分矩陣表5，根據表中主成分與意象詞匯之間的線性關系，可進一步提取得到代表性意象詞匯。

由表5可得到提取的3個主成分與原始評價的負載系數值。根據負載系數可將異族第一主成分解釋為“未來感的”。結合異族成分的貢獻度表4可知，若提取第一主成分1為未來感時，可以表達異族意象48.48%的信息。

同理提取出的同族代表意象“流暢的”表達了40.5%的信息，泛族代表意象“獨特的”表達了40.58%的信息。

圖7 典型產品樣本

表2 產品樣本意象得分表(以異族樣本為例)

表3 協方差矩陣

表4 異族成分貢獻率

圖8 旋轉空間中主成分圖

表5 旋轉成份矩陣

4.3 族意象詞匯與造型特征的關聯構建

本文對9個典型樣本按照前燈區域、格柵區域、下進氣口區域、霧燈區域以及整體輪廓5個部分進行了設計要素劃分，并提取樣本的特征類別，結果見表6。邀請12名專家用戶，對典型樣本按照“獨特的”“流暢的”和“未來感的”3個代表性意象維度打分，對得分進行正交試驗分析，結果見表7。每個評價維度需對設計要素的最高得分進行標灰處理，即得到最能表征此意象的特征類別。

表6 汽車前臉造型特征

根據3個典型評價維度在5個設計要素的最高分，制作成如圖9所示的設計要素篩選折線圖。

表7 正交實驗評價值

圖9 設計特征篩選折線圖

從圖9可看出，在典型意象詞匯的維度下，造型得分最優的設計特征組合為：線條感強的整體輪廓、貫穿型前燈、近七邊形進氣格柵、過渡轉折型的下進氣口、三角星型形的霧燈組。

4.4 本體模型可視化及造型方案

基于PF意象詞匯實體、PF造型基因實體以及兩者間的關聯，使用protege工具構建了PF造型意象本體模型，如圖10所示。

研究通過意象詞匯挖掘機制，構建了PF造型意象本體模型，模型中展示了意象詞匯的關聯關系，及其與產品造型特征的映射關系。

利用本體模型提高了研究者對設計知識的檢索效率，提高了知識重用性，以圖11檢索代表意象詞匯“獨特”為例：一方面可得出與本詞同屬于同族的典型意象詞匯還有“年輕的”“純粹的”和“酣暢的”等，為研究者尋找新的PF意象提供參考。另一方面根據映射關系可得，在本車型的設計中，使用貫穿型的前大燈和三角星的霧燈造型，更能表征意象“獨特的”，為后續設計提供方向。

圖10 產品族造型意象本體模型

圖11 意象詞匯“獨特的”檢索結果

再檢索意象詞匯“流暢的”和“未來感的”，得到其對應的設計要素下的產品造型特征，依據結論對子代產品進行能體現該意象的設計，分別得到“獨特型”“流暢型”和“未來感型”的概念設計方案，見表8。

表8 概念設計方案

5 結束語

基于詞向量和PCA方法制定了意象詞匯挖掘機制，完成了目標PF造型意象本體模型的構建。結論如下：

(1) 訓練了具有特定行業屬性的word2vec模型，為調研者提供了利用網絡資源輔助聯想意象詞匯的技術手段；

(2) 通過構建意象詞匯挖掘機制，模擬了先發散后收斂的思維模式，提高了意象詞匯提取的準確性；

(3) 構建了PF造型意象本體模型，增強了設計知識的檢索效率，提高了設計知識的重用性。

本文重點探討了族意象詞匯挖掘機制和意象本體模型的建立，而在此模型的基礎上，對設計知識進行數據化地表征還有待進一步探究。

[1] KIM G, KWON Y, SUH E S, et al. Analysis of architectural complexity for product family and platform[J]. Journal of Mechanical Design, 2016, 138(7): 071401.

[2] 蘇建寧, 張秦瑋, 張書濤, 等. 產品意象造型進化設計研究進展[J]. 機械設計, 2014, 31(2): 97-102.

SU J N, ZHANG Q W, ZHANG S T, et al. Development of product image modeling evolutionary design[J]. Journal of Machine Design, 2014, 31(2): 97-102 (in Chinese).

[3] 陳世斌, 楊雙建, 朱蕾, 等. 基于BP神經網絡的轎車造型意象設計與量化預測模型建立[J]. 包裝工程, 2019, 40(16): 128-133.

CHEN S B, YANG S J, ZHU L, et al. Design and quantification of cars modeling imagery based on BP neural network[J]. Packaging Engineering, 2019, 40(16): 128-133 (in Chinese).

[4] 楊梅, 薛明明. 基于用戶多維感官需求的家具意象評價方法探究[J]. 包裝工程, 2020, 41(8): 111-117, 139.

YANG M, XUE M M. Furniture image evaluation method based on user's multi-dimensional sensory needs[J]. Packaging Engineering, 2020, 41(8): 111-117, 139 (in Chinese).

[5] 張文召, 呂健, 潘偉杰, 等. 多目標驅動的產品形態基因網絡模型研究[J]. 圖學學報, 2019, 40(2): 335-343.

ZHANG W Z, LV J, PAN W J, et al. Research on model of product form gene network driven by multi-objective[J]. Journal of Graphics, 2019, 40(2): 335-343 (in Chinese).

[6] 王穎琇. 基于本體的產品造型交互設計方法及應用[D]. 杭州: 浙江農林大學, 2017.

WANG Y X. Product modeling interaction design method based on ontology and its application[D]. Hangzhou: Zhejiang A & F University, 2017 (in Chinese).

[7] 張新新, 楊明剛, 張書濤, 等. 基于本體的產品色彩意象知識表達[J]. 包裝工程, 2019, 40(8): 41-46.

ZHANG X X, YANG M G, ZHANG S T, et al. Knowledge expression of product color image based on ontology[J]. Packaging Engineering, 2019, 40(8): 41-46 (in Chinese).

[8] 劉偉, 馬宏, 曹國忠. 基于本體論的小型農機快速響應設計[J]. 機械設計與研究, 2017, 33(2): 12-16, 24.

LIU W, MA H, CAO G Z. Research on rapid response design for small agriculture machine based on ontology[J]. Machine Design & Research, 2017, 33(2): 12-16, 24 (in Chinese).

[9] 胡浩, 傅望, 秦菊英, 等. 面向意象移植的產品風格本體建模研究[J]. 人類工效學, 2015, 21(3): 60-63.

HU H, FU W, QIN J Y, et al. Research on product style ontology modeling for image transplantation[J]. Chinese Journal of Ergonomics, 2015, 21(3): 60-63 (in Chinese).

[10] 徐姝, 周海海. 整合產品族與泛族群的汽車前臉形態演進設計[J]. 機械制造與自動化, 2018, 47(3): 40-43, 48.

XU S, ZHOU H H. Integrating morphological evolution product family and pan-ethnic-group product into car front face design[J]. Machine Building & Automation, 2018, 47(3): 40-43, 48 (in Chinese).

[11] 賈樂賓, 張雅梅. 儒家“美”、“善”語境下的智能家電產品形態設計研究[J]. 設計, 2020, 33(11): 14-16.

JIA L B, ZHANG Y M. Research on the form design of smart home appliances in the context of Confucian “beauty” and “good”[J]. Design, 2020, 33(11): 14-16 (in Chinese).

[12] 栗嘉琪, 周力輝. 基于參數化描述的電動汽車前臉造型發展趨勢研究[C]//2019中國汽車工程學會年會論文集. 北京: 機械工業出版社, 2019: 416-421.

LI J Q, ZHOU L H. Research on the development trend of front face modeling of electric vehicles based on parametric description[C]//Proceedings of 2019 China Society of Automotive Engineering . Beijing: China Maching Press, 2019: 416-421(in Chinese).

[13] 牛榮, 陳紀龍, 杜義君. 數據庫設計中ER模型設計的一些基本問題探討[J]. 信息技術與信息化, 2019(7): 189-192.

NIU R, CHEN J L, DU Y J. Discussion on some basic problems of ER model design in database design[J]. Information Technology and Informatization, 2019(7): 189-192 (in Chinese).

[14] 林奕歐, 雷航, 李曉瑜, 等. 自然語言處理中的深度學習: 方法及應用[J]. 電子科技大學學報, 2017, 46(6): 913-919.

LIN Y O, LEI H, LI X Y, et al. Deep learning in NLP: methods and applications[J]. Journal of University of Electronic Science and Technology of China, 2017, 46(6): 913-919 (in Chinese).

[15] MIKOLOV T, SUTSKEVER I, CHEN K, et al.Distributed representations of words and phrases and their compositionality[C]//The 26th International Conference on Neural Information Processing Systems. New York: ACM Press, 2013: 3111-3119.

[16] 牟瓊坤. 基于品牌基因的國產自主汽車前臉衍變設計研究: 以哈弗汽車為例[D]. 長春: 長春工業大學, 2019.

MU Q K. Research on the evolution design of domestic independent automobile brand vehicle front face based on brand gene —take haval as an example[D]. Changchun: Changchun University of Technology, 2019 (in Chinese).

[17] 蘇建寧, 朱赫, 楊文瑾, 等. 基于拓撲理論的產品仿生形態進化設計方法[J]. 包裝工程, 2020, 41(10): 129-135, 149.

SU J N, ZHU H, YANG W J, et al. Bionic form evolution design method of product based on topology theory[J]. Packaging Engineering, 2020, 41(10): 129-135, 149 (in Chinese).

Research on product family ontology modeling image mining method based on big data

WANG Peng, ZHU Wei-long

(School of Design and Art, Lanzhou University of Technology, Lanzhou Gansu 730050, China)

The research is aimed at improving the accuracy of product modeling image formation and enhancing the standardization of image vocabulary extraction and knowledge reusability in the research on perceptual engineering. This research started with the concepts of homogenousness, pan-ethnicity, and heterogeneousness, and defined the model image ontology of the target product family; then, with the help of word2vec tools and principal component analysis (PCA), the relevance association and dimensionality reduction extraction of the product family image vocabulary was respectively completed, thereby constructing an image vocabulary mining mechanism. This mechanism can assist designers to more efficiently and accurately mine the image of the target product using network big data resources, which can to a certain extent solve the vagueness of the image mining method in traditional perceptual engineering. Finally, combining the mapping relationship between the image vocabulary and the modeling features, the Protege tool was employed to construct the ontology model of the product family modeling image, which logically characterized the modeling image knowledge of the target product, and provided reference for the next-generation products to inherit and develop the original product family modeling image. Taking the modeling image of Mazda MX-5 car series as an example, the ontology model was constructed, and the conceptual design of the front face of the child product was undertaken.

product family; ontology model; image mining; Word2vec; principal component analysis

TP 751.1

10.11996/JG.j.2095-302X.2021061051

A

2095-302X(2021)06-1051-10

2021-02-06；

2021-03-29

甘肅省自然科學基金項目(20JR10RA165)

王 鵬(1980-)，男，甘肅蘭州人，副教授，碩士，碩士生導師。主要研究方向為感性工學、智能設計。E-mali：78933997@qq.com

6 February，2021；

29 March，2021

The Natural Science Foundation of Gansu Province (20JR10RA165)

WANG Peng (1980-), male, associate professor, master. His main research interests cover perceptual engineering and intelligent design. E-mali：78933997@qq.com