基于用戶評(píng)價(jià)數(shù)據(jù)的電動(dòng)汽車造型意象決策模型

程永勝，徐驍琪

(廈門(mén)大學(xué)嘉庚學(xué)院 設(shè)計(jì)與創(chuàng)意學(xué)院，福建 漳州 363105)

在世界能源轉(zhuǎn)型背景下，2020年國(guó)務(wù)院頒布了《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃》，表明汽車消費(fèi)市場(chǎng)正逐漸從燃油汽車向電動(dòng)汽車轉(zhuǎn)移，這一變革也促使汽車設(shè)計(jì)理論和研究方法都將發(fā)生變化。電動(dòng)汽車相較傳統(tǒng)燃油汽車而言，受發(fā)動(dòng)機(jī)、變速箱、底盤(pán)等汽車原始技術(shù)影響相對(duì)較小。這就導(dǎo)致了電動(dòng)汽車造型設(shè)計(jì)從最初的目標(biāo)用戶、產(chǎn)品定位、設(shè)計(jì)意圖到最后的造型表達(dá)，都呈現(xiàn)出與傳統(tǒng)汽車不一樣的設(shè)計(jì)思路。同時(shí)，國(guó)內(nèi)外電動(dòng)汽車品牌在加工質(zhì)量和技術(shù)配置方面的差異并不大，這也促使造型設(shè)計(jì)成為了各電動(dòng)汽車品牌之間最重要的區(qū)分標(biāo)準(zhǔn)，構(gòu)成影響目標(biāo)用戶偏好和購(gòu)買(mǎi)決策的重要因素[1-2]。因此，如何根據(jù)電動(dòng)汽車產(chǎn)業(yè)發(fā)展趨勢(shì)以及具體用戶需求，探尋科學(xué)有效的電動(dòng)汽車設(shè)計(jì)方法，成為當(dāng)前電動(dòng)汽車企業(yè)所面對(duì)的關(guān)鍵問(wèn)題之一。

當(dāng)前，國(guó)內(nèi)外學(xué)者針對(duì)這一問(wèn)題進(jìn)行了廣泛研究，現(xiàn)階段電動(dòng)汽車造型研究主要集中在設(shè)計(jì)方法、評(píng)價(jià)研究及特征研究三個(gè)維度。1) 設(shè)計(jì)方法。KUO et al[3]將科學(xué)、技術(shù)、工程和數(shù)學(xué)四種設(shè)計(jì)理念融入到電動(dòng)汽車工程設(shè)計(jì)中，提出了一種系統(tǒng)創(chuàng)新的STEM設(shè)計(jì)方法。盧兆麟等[4]基于自然語(yǔ)言處理的產(chǎn)品語(yǔ)義表征方法，通過(guò)社會(huì)、經(jīng)濟(jì)和技術(shù)三因素，分析了電動(dòng)汽車的產(chǎn)品機(jī)會(huì)，提出了“語(yǔ)義分析→造型設(shè)計(jì)→工程設(shè)計(jì)”產(chǎn)品語(yǔ)義分析在新能源汽車造型設(shè)計(jì)方法。2) 評(píng)價(jià)研究。崔宜若等[5]運(yùn)用感性工學(xué)設(shè)計(jì)理論應(yīng)用于微型電動(dòng)汽車前臉造型設(shè)計(jì)的方法，并結(jié)合模糊評(píng)價(jià)法設(shè)計(jì)出一款滿足女性用戶感性需求的微型電動(dòng)汽車。李勇等[6]運(yùn)用感性工學(xué)方法對(duì)純電動(dòng)汽車感性意向和設(shè)計(jì)要素關(guān)系進(jìn)行了研究，根據(jù)用戶意象感知特征提出SPSD評(píng)價(jià)標(biāo)準(zhǔn)，改進(jìn)了純電動(dòng)汽車造型設(shè)計(jì)方法。程永勝等[7]提出了一種基于感性工學(xué)和層次分析法的汽車造型意象評(píng)價(jià)方法，有效協(xié)助設(shè)計(jì)人員通過(guò)造型意象評(píng)價(jià)對(duì)3款電動(dòng)汽車設(shè)計(jì)方案進(jìn)行篩選。3) 特征研究。程永勝等[8]提出一種基于神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車造型意象預(yù)測(cè)模型，有效地解決造型意象研究當(dāng)中造型特征和感性意象之間的匹配問(wèn)題。趙靜等[9]基于形狀文法理論，將提取出的品牌造型特征通過(guò)一定的變化規(guī)則進(jìn)行推演，演化出大量滿足品牌繼承性要求的全新電動(dòng)汽車造型?；谏鲜鲅芯浚瑥臅r(shí)間維度上來(lái)看，國(guó)內(nèi)針對(duì)電動(dòng)汽車造型研究開(kāi)展較晚，從側(cè)面反映了國(guó)內(nèi)學(xué)術(shù)界對(duì)此問(wèn)題的研究還處在初期階段。從內(nèi)容維度來(lái)看，現(xiàn)階段研究主要集中在電動(dòng)汽車造型設(shè)計(jì)方法、造型評(píng)價(jià)和造型特征三個(gè)方面。而關(guān)于電動(dòng)汽車造型意象的研究還相對(duì)較少，缺乏從宏觀到微觀的系統(tǒng)性分析，還未形成較為完整的電動(dòng)汽車造型意象研究體系。而在電動(dòng)汽車造型意象研究的過(guò)程中，用戶作為電動(dòng)汽車最終的使用者，其對(duì)于造型意象的認(rèn)知對(duì)設(shè)計(jì)決策具有重要影響；因此針對(duì)該問(wèn)題的研究其關(guān)鍵在于如何準(zhǔn)確獲取用戶對(duì)電動(dòng)汽車造型意象的感性認(rèn)知知識(shí)。

現(xiàn)階段有關(guān)汽車造型意象研究大多是基于各類語(yǔ)義評(píng)價(jià)量表獲取用戶的感性意象認(rèn)知數(shù)據(jù)，但該方法存在較多不足之處：語(yǔ)義評(píng)價(jià)量表當(dāng)中的意象詞匯大多是通過(guò)專家學(xué)者和設(shè)計(jì)人員進(jìn)行篩選和確定，而消費(fèi)者作為最終評(píng)價(jià)用戶，能否準(zhǔn)確感知意象詞匯是影響最終評(píng)價(jià)數(shù)據(jù)有效性的關(guān)鍵點(diǎn)。同時(shí)，考慮到電動(dòng)汽車造型相較一般工業(yè)產(chǎn)品而言，其造型復(fù)雜度較高，所呈現(xiàn)出多維度的造型意象特征；而語(yǔ)義評(píng)價(jià)量表受評(píng)價(jià)用戶專業(yè)能力、認(rèn)知維度和審美偏好等差異影響較大，極易影響最終評(píng)價(jià)數(shù)據(jù)的準(zhǔn)確性。此外，在評(píng)價(jià)過(guò)程中較難組織大量評(píng)價(jià)用戶進(jìn)行統(tǒng)一測(cè)試，容易導(dǎo)致評(píng)價(jià)數(shù)據(jù)獲取周期較長(zhǎng)，數(shù)量較少等問(wèn)題，導(dǎo)致評(píng)價(jià)數(shù)據(jù)缺乏權(quán)威性。基于以上問(wèn)題，近年來(lái)開(kāi)始有學(xué)者將用戶評(píng)價(jià)數(shù)據(jù)引入造型意象研究之中。張國(guó)方等[10]利用自然語(yǔ)言處理技術(shù)對(duì)評(píng)論數(shù)據(jù)進(jìn)行用戶需求分析，并通過(guò)QFD將用戶需求轉(zhuǎn)化為設(shè)計(jì)問(wèn)題，從而獲得最佳的產(chǎn)品設(shè)計(jì)方向。林麗等[11]為解決傳統(tǒng)感性意象研究中真實(shí)用戶信息極少及需案例推理的問(wèn)題，提出了基于網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)的產(chǎn)品感性意象無(wú)偏差設(shè)計(jì)方法。宋君等[12]利用網(wǎng)絡(luò)產(chǎn)品評(píng)論數(shù)據(jù)，通過(guò)文本挖掘、情感傾向分析、LDA主題建模等技術(shù)構(gòu)建了產(chǎn)品評(píng)價(jià)模型。

上述文獻(xiàn)的研究主要集中在對(duì)評(píng)價(jià)數(shù)據(jù)的處理及用戶知識(shí)的挖掘，缺乏將分析結(jié)果應(yīng)用到實(shí)際的造型意象決策之中。目前，各大汽車平臺(tái)積累了大量的用戶評(píng)價(jià)數(shù)據(jù)，該數(shù)據(jù)成為獲取用戶知識(shí)的重要資源。為此，本文構(gòu)建了一種基于用戶評(píng)價(jià)數(shù)據(jù)驅(qū)動(dòng)下的電動(dòng)汽車造型意象決策模型，將分析結(jié)果應(yīng)用到電動(dòng)汽車實(shí)際設(shè)計(jì)案例中，輔助設(shè)計(jì)人員在進(jìn)行設(shè)計(jì)決策時(shí)獲取最佳設(shè)計(jì)方案，進(jìn)而縮短產(chǎn)品研發(fā)周期，降低企業(yè)研發(fā)風(fēng)險(xiǎn)。

1 基于用戶評(píng)價(jià)數(shù)據(jù)的造型意象決策模型

本文主要基于用戶評(píng)價(jià)數(shù)據(jù)對(duì)電動(dòng)汽車造型意象進(jìn)行設(shè)計(jì)決策研究，共分為五個(gè)階段展開(kāi)：第一階段，研究樣本篩選確定與爬取用戶評(píng)價(jià)數(shù)據(jù)；第二階段，評(píng)價(jià)數(shù)據(jù)預(yù)處理及情感分析；第三階段，研究樣本造型特征劃分及要素編碼；第四階段，構(gòu)建造型要素與用戶情感之間的映射關(guān)系；第五階段，造型意象決策模型案例應(yīng)用。具體研究流程如圖1所示。

圖1 研究流程Fig.1 Research process

1.1 評(píng)價(jià)數(shù)據(jù)獲取及參數(shù)化

自然語(yǔ)言處理(NLP)是人與計(jì)算機(jī)間建立有效溝通的重要媒介。人機(jī)間的通信不僅要求計(jì)算機(jī)能理解用戶信息，還要求計(jì)算機(jī)能對(duì)用戶意圖作出回應(yīng)。其核心在于將用戶信息(文本數(shù)據(jù))轉(zhuǎn)化成計(jì)算機(jī)能讀懂的二進(jìn)制表達(dá)，其中轉(zhuǎn)化過(guò)程主要有文本分類、情感分析和意圖識(shí)別等內(nèi)容。在采用自然語(yǔ)言處理技術(shù)對(duì)文本數(shù)據(jù)進(jìn)行處理前，本文使用Python軟件爬取研究對(duì)象所需要的文本數(shù)據(jù)。當(dāng)前，各大汽車網(wǎng)站中的網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)包含了非常豐富的用戶知識(shí)，其中也包括了用戶對(duì)于汽車造型意象的心理感受和大量相關(guān)語(yǔ)義表征內(nèi)容。但用戶評(píng)價(jià)數(shù)據(jù)具有一定的差異性，同一類型產(chǎn)品不同用戶可能存在不同的意象認(rèn)知。因此，在面對(duì)龐大的用戶評(píng)價(jià)數(shù)據(jù)時(shí)，則需要對(duì)爬取的評(píng)價(jià)數(shù)據(jù)進(jìn)行數(shù)據(jù)清理與預(yù)處理，如剔除語(yǔ)料中特殊符號(hào)，將繁體字轉(zhuǎn)換為簡(jiǎn)體字，對(duì)評(píng)價(jià)數(shù)據(jù)進(jìn)行分詞、詞性標(biāo)注和文本表征等處理，以此來(lái)解決評(píng)價(jià)數(shù)據(jù)中語(yǔ)義空間高維性、語(yǔ)義相關(guān)性和特征分布稀疏等問(wèn)題。

為進(jìn)一步獲取評(píng)價(jià)數(shù)據(jù)中用戶對(duì)造型意象需求項(xiàng)，本文采用TF-IDF(term frequency-inverse document frequency)算法獲取評(píng)價(jià)數(shù)據(jù)當(dāng)中的造型語(yǔ)義特征，依據(jù)詞匯的數(shù)量閾值來(lái)量化評(píng)價(jià)數(shù)據(jù)當(dāng)中的關(guān)鍵詞匯。TF-IDF是一種用于信息檢索與文本挖掘的常用加權(quán)技術(shù)，主要用以評(píng)估詞匯在語(yǔ)料庫(kù)中的重要程度。TF-IDF實(shí)際上是由TF和IDF兩部分組成，TF統(tǒng)計(jì)詞匯在單一評(píng)價(jià)語(yǔ)料內(nèi)的出現(xiàn)頻率，出現(xiàn)頻率越高則表明該詞匯越能反映該評(píng)價(jià)語(yǔ)料的語(yǔ)義特征；IDF則統(tǒng)計(jì)詞匯在整個(gè)評(píng)價(jià)語(yǔ)料集合中出現(xiàn)的頻率，頻率越低則表明該詞匯在整體評(píng)價(jià)語(yǔ)料集中更具區(qū)分性。因此，TF-IDF算法將兩者結(jié)合，可過(guò)濾掉評(píng)價(jià)數(shù)據(jù)中通用詞匯，從而保留評(píng)價(jià)數(shù)據(jù)當(dāng)中的關(guān)鍵詞匯。其具體計(jì)算公式如下：

(1)

(2)

w(FT,ij-FID)=FT×FID .

(3)

式中：FT,ij為詞匯i在評(píng)價(jià)語(yǔ)料j中的FT值；nij為詞匯i在評(píng)價(jià)語(yǔ)料j中出現(xiàn)的次數(shù)；∑knk為評(píng)價(jià)語(yǔ)料中所有詞匯出現(xiàn)的總和；FID,i為詞匯i的FID值；|D|為評(píng)價(jià)語(yǔ)料中的文檔總數(shù)；|{j∶ti∈dj}|為評(píng)價(jià)語(yǔ)料j中包含詞匯ti的文檔數(shù)目。

1.2 評(píng)價(jià)數(shù)據(jù)情感分析

情感分析(sentiment analysis)是自然語(yǔ)言處理中針對(duì)文本數(shù)據(jù)傾向性分析和意見(jiàn)挖掘的應(yīng)用場(chǎng)景。它可以對(duì)帶有情感色彩的用戶評(píng)價(jià)數(shù)據(jù)進(jìn)行分析、處理、歸納和推理，對(duì)于指導(dǎo)產(chǎn)品更新迭代具有關(guān)鍵性作用。情感分析包括了對(duì)情感傾向分析、情感程度分析、主客觀分析等。現(xiàn)階段情感分析方法大致可以分為兩類：基于情感詞典方法和基于機(jī)器學(xué)習(xí)方法?；谇楦性~典方法是通過(guò)制定一系列的情感詞典和規(guī)則，對(duì)文本進(jìn)行拆解、句法分析并計(jì)算情感值，將情感值作為文本的情感傾向依據(jù)。基于機(jī)器學(xué)習(xí)的方法是將問(wèn)題轉(zhuǎn)化為一個(gè)分類問(wèn)題來(lái)看待，將目標(biāo)情感分為正面或負(fù)面，進(jìn)而對(duì)評(píng)價(jià)文本情感極性進(jìn)行判斷。通過(guò)情感分析可以有效挖掘產(chǎn)品在不同維度的用戶情感特征，從而為設(shè)計(jì)實(shí)踐提供指導(dǎo)意見(jiàn)。

本文采用情感詞典的方法，對(duì)評(píng)價(jià)數(shù)據(jù)進(jìn)行情感分析。將上述通過(guò)TF-IDF算法獲取到的關(guān)鍵詞補(bǔ)充到情感詞典當(dāng)中，構(gòu)建適合本文研究領(lǐng)域的情感詞庫(kù)；然后根據(jù)屬性詞典、情感詞典等匹配每個(gè)評(píng)價(jià)語(yǔ)料的關(guān)鍵詞，以及關(guān)鍵詞附加的情感詞，并用程度副詞和否定詞調(diào)整情感強(qiáng)度，每個(gè)評(píng)價(jià)語(yǔ)料中的關(guān)鍵詞的情感值計(jì)算公式[13]如下：

f(yi)=s(yi)*s(e)*s(not)k*s(adv) .

(4)

式中：f(yi)為每一個(gè)評(píng)價(jià)語(yǔ)料中關(guān)鍵詞的情感值；s(yi)為關(guān)鍵詞初始值；s(e)為情感詞的值；s(not)k=-1為否定詞的值，k為情感詞前面的否定詞數(shù)量；s(adv)為程度副詞的值。

1.3 造型特征劃分及要素編碼

用戶對(duì)于電動(dòng)汽車造型意象認(rèn)知是由多維造型特征從整體視角進(jìn)行呈現(xiàn)，根據(jù)已有文獻(xiàn)與研究[14-16]多維造型特征主要可分為主特征、附加特征、過(guò)渡特征及相關(guān)特征。主特征一般為車身結(jié)構(gòu)的主要拉制特征，例如車身尺寸、比例和形態(tài)等特征，其中在用戶認(rèn)知過(guò)程中對(duì)整體造型意象的形成具有重要作用。過(guò)渡特征則用于處理主特征當(dāng)中各造型要素之間的連接關(guān)系，對(duì)整體意象的形成具有輔助作用。在主造型特征和過(guò)渡特征之外，還存在汽車造型附加特征，一般指主特征當(dāng)中獨(dú)立存在的關(guān)鍵部件，如進(jìn)氣格柵、水箱罩和后視鏡等，是通過(guò)裁減和添加手法形成的局部造型區(qū)域[17]。相關(guān)特征則體現(xiàn)了汽車外觀造型中不同造型要素之間的位置關(guān)系。然而，評(píng)價(jià)用戶大多都是非專業(yè)人士，對(duì)于電動(dòng)汽車造型特征的關(guān)注點(diǎn)相比專業(yè)人士而言不可能這么全面。因此，本文將電動(dòng)汽車造型特征降低維度，劃分為主體特征、次要特征和輔助特征三類。

1.4 造型要素與用戶情感映射關(guān)系的構(gòu)建

(5)

假定因變量和各項(xiàng)目、類目之間存在線性關(guān)系，則可建立數(shù)學(xué)模型[15]：

(6)

式中：bij為僅依賴于i項(xiàng)目之j類目的系數(shù)；εm為第k次抽樣中的隨機(jī)誤差；Im為第m個(gè)研究樣本用戶認(rèn)知情感值。

2 案例研究

2.1 研究樣本篩選確定

由于不同車型在車身尺寸、比例、形態(tài)和空間等主體特征存在較大差異，會(huì)直接影響用戶評(píng)價(jià)標(biāo)準(zhǔn)。為使本研究更具針對(duì)性，本文選擇以微型電動(dòng)汽車為研究對(duì)象展開(kāi)科學(xué)研究。通過(guò)車企網(wǎng)站、實(shí)地拍攝、宣傳資料等方式大量搜集研究樣本。同時(shí)，為保證每個(gè)研究樣本造型特征展示的完整性，每個(gè)樣本選取前臉、尾部和側(cè)面3個(gè)視角作為研究樣本視圖。并對(duì)研究樣本圖片按照統(tǒng)一比例修改車身尺寸，去除樣本背景和灰度處理，制作成統(tǒng)一規(guī)格研究樣本圖片，便于清晰辨認(rèn)研究樣本的具體造型特征。最終，邀請(qǐng)?jiān)O(shè)計(jì)領(lǐng)域?qū)＜?、學(xué)者采用德?tīng)柗品ㄟM(jìn)行討論，先向?qū)＜覍W(xué)者介紹研究目的，舉例說(shuō)明影響微型電動(dòng)汽車外觀設(shè)計(jì)的主要造型特征和要素；通過(guò)反復(fù)征詢、歸納、修改，剔除造型特征模糊、造型相似度較高、視圖角度較差和車型老舊等研究樣本，得到專家小組一致意見(jiàn)，確定20款微型電動(dòng)汽車作為研究樣本，如圖2所示。研究樣本基本上覆蓋了當(dāng)前市場(chǎng)主流汽車品牌的微型電動(dòng)車型，具有一定的代表性。

2.2 評(píng)價(jià)數(shù)據(jù)預(yù)處理及情感分析

2.2.1獲取用戶評(píng)價(jià)數(shù)據(jù)

當(dāng)前大多數(shù)汽車網(wǎng)站已將用戶評(píng)價(jià)按動(dòng)力、油耗、外觀和內(nèi)飾等不同屬性做了詳細(xì)劃分。其中汽車之家和太平洋汽車網(wǎng)作為中國(guó)目前最全面的汽車垂直網(wǎng)站之一，其用戶活躍量常年位居汽車門(mén)戶網(wǎng)站第一隊(duì)列，其中有關(guān)汽車外觀造型的用戶評(píng)價(jià)數(shù)據(jù)也最為豐富。因而，本文以汽車之家網(wǎng)和太平洋汽車站作為用戶評(píng)價(jià)數(shù)據(jù)采集對(duì)象，運(yùn)用Python軟件對(duì)用戶評(píng)價(jià)數(shù)據(jù)進(jìn)行爬蟲(chóng)，定向抓取上述20款微型電動(dòng)汽車研究樣本的外觀造型評(píng)論數(shù)據(jù)共計(jì)4 053條，表1為部分研究樣本的用戶評(píng)價(jià)數(shù)據(jù)展示。

圖2 研究樣本三視圖Fig.2 Research sample

表1 用戶評(píng)價(jià)數(shù)據(jù)集(部分車型)Table 1 User evaluation data set (some models)

2.2.2評(píng)價(jià)數(shù)據(jù)分詞

在自然語(yǔ)言處理領(lǐng)域，中文語(yǔ)言和絕大多數(shù)西方語(yǔ)言不同，詞語(yǔ)與詞語(yǔ)之間沒(méi)有區(qū)分符號(hào)。本階段采用Python軟件中的Jieba模塊對(duì)上述研究樣本的用戶評(píng)價(jià)數(shù)據(jù)進(jìn)行分詞和詞性標(biāo)注，同時(shí)，分詞之后的用戶評(píng)價(jià)數(shù)據(jù)中還存在大量出現(xiàn)頻率高卻不影響文本語(yǔ)義的停用詞，故需對(duì)評(píng)價(jià)數(shù)據(jù)進(jìn)行清洗，從而過(guò)濾掉與造型意象語(yǔ)義無(wú)關(guān)的包括停用詞和特殊標(biāo)點(diǎn)符號(hào)等。

2.2.3評(píng)價(jià)數(shù)據(jù)關(guān)鍵詞提取

關(guān)鍵詞可以準(zhǔn)確地反映出評(píng)價(jià)數(shù)據(jù)當(dāng)中用戶的關(guān)注點(diǎn)，本文以TF-IDF算法對(duì)20款研究樣本評(píng)價(jià)數(shù)據(jù)進(jìn)行計(jì)算。即評(píng)價(jià)數(shù)據(jù)中關(guān)鍵詞的詞頻越大，同時(shí)該關(guān)鍵詞在其他評(píng)價(jià)文本中出現(xiàn)的頻率越低，證明該關(guān)鍵詞對(duì)于該評(píng)價(jià)數(shù)據(jù)的重要程度越高，越能表明評(píng)價(jià)語(yǔ)料的語(yǔ)義特征。通過(guò)計(jì)算得到20款研究樣本評(píng)價(jià)數(shù)據(jù)中的關(guān)鍵詞，并根據(jù)關(guān)鍵詞出現(xiàn)的頻率及詞性特點(diǎn)，選擇名詞及形容詞排名前十的關(guān)鍵詞進(jìn)行匯總，如表2所示。

根據(jù)獲取的關(guān)鍵詞及詞頻可以發(fā)現(xiàn)，20款研究樣本中“外觀”關(guān)鍵詞大多排在第一位，證明該用戶評(píng)價(jià)數(shù)據(jù)的關(guān)注點(diǎn)集中在微型汽車整體外觀造型上，結(jié)果具有較強(qiáng)的針對(duì)性。同時(shí)，對(duì)獲取的關(guān)鍵詞做進(jìn)一步劃分，可將其劃分為描述造型特征與造型意象兩類詞匯。例如外觀、車身、線條、輪轂和大燈等造型特征的頻繁出現(xiàn)，表明用戶對(duì)于微型電動(dòng)汽車相關(guān)造型要素關(guān)注度較高，可為后續(xù)造型特征劃分及要素提取提供相應(yīng)參考。而對(duì)描述造型意象相關(guān)詞匯進(jìn)行分析可以發(fā)現(xiàn)，20款研究樣本評(píng)價(jià)數(shù)據(jù)當(dāng)中小巧、時(shí)尚、或與描述顏值相關(guān)的近義詞匯出現(xiàn)頻繁較高。因此，本文最終確定以小巧、時(shí)尚和顏值3個(gè)詞匯作為微型電動(dòng)汽車代表性造型意象關(guān)鍵詞，進(jìn)行后續(xù)研究。

表2 20款研究樣本關(guān)鍵詞及詞頻Table 2 The keywords and word frequency for 20 samples

2.2.4評(píng)價(jià)數(shù)據(jù)情感分析

評(píng)價(jià)數(shù)據(jù)中包含了豐富的用戶情感知識(shí)，為此針對(duì)評(píng)價(jià)數(shù)據(jù)的情感分析本文利用情感詞典的方法獲取評(píng)價(jià)數(shù)據(jù)中屬性詞的情感值與情感傾向。首先，需要確定情感詞典，當(dāng)前國(guó)內(nèi)外較為權(quán)威的情感詞庫(kù)有知網(wǎng)發(fā)布的HowNet情感詞典、臺(tái)灣大學(xué)的NTUSD中文情感詞典、大連理工的中文情感詞本體庫(kù)等資源[20]。本文選擇情感詞匯更加豐富的大連理工的中文情感詞本體庫(kù)，并結(jié)合本文評(píng)價(jià)數(shù)據(jù)篩選出來(lái)的情感詞，構(gòu)成情感詞典。將正負(fù)情感詞的情感值設(shè)定為1和-1.本文采用Python軟件中SnowNLP模塊并根據(jù)1.2節(jié)公式(4)計(jì)算評(píng)價(jià)數(shù)據(jù)中關(guān)鍵詞的情感值進(jìn)行分析。情感分析數(shù)據(jù)可以準(zhǔn)確地反映評(píng)價(jià)用戶對(duì)該研究樣本的認(rèn)知程度，表5為研究樣本情感分析結(jié)果。

2.3 研究樣本造型要素編碼

由于電動(dòng)汽車造型特征與傳統(tǒng)汽車燃油汽車存在較為明顯差異，而造型意象的傳遞主要是通過(guò)汽車車身不同造型特征之間相互組合向用戶傳遞感性意象信息，為了更好地建立電動(dòng)汽車造型意象傳遞過(guò)程，需要重新對(duì)電動(dòng)汽車造型特征中造型要素進(jìn)行編碼。考慮到用戶對(duì)造型特征的關(guān)注度及不同造型特征中所展示的造型要素豐富程度，并根據(jù)汽車造型特征線認(rèn)知實(shí)驗(yàn)得出的主特征線、過(guò)渡特征線和附加特征線分類依據(jù)[21]，將微型電動(dòng)汽車造型特征劃分范圍分為主要特征、次要特征和輔助特征3類。其中，主體特征項(xiàng)目包括尺寸、比例、姿態(tài)與空間四類造型特征項(xiàng)目；次要特征包括頂線、腰線、裙線和輪眉4類造型特征項(xiàng)目；輔助特征主要包括前格柵、前燈組、后燈組等3類造型特征項(xiàng)目。根據(jù)微型電動(dòng)汽車研究樣本確定每一類造型特征項(xiàng)目所包含的造型要素類目，并對(duì)其進(jìn)行編碼，如表3所示。

表3 造型要素編碼Table 3 Coding of modeling elements

2.4 電動(dòng)汽車造型意象決策模型構(gòu)建

以表4中研究樣本造型特征作為項(xiàng)目，造型要素作為類目，將“小巧”“時(shí)尚”“顏值”3個(gè)造型意象關(guān)鍵詞的情感值作為因變量，根據(jù)公式(6)將20個(gè)電動(dòng)汽車研究樣本進(jìn)行參數(shù)化表達(dá)，構(gòu)建造型意象評(píng)價(jià)矩陣，如表4所示。然后，利用SPSS統(tǒng)計(jì)軟件采用多元回歸模型將電動(dòng)汽車造型要素類目作為自變量，用戶認(rèn)知情感值作為因變量，根據(jù)公式(7)建立數(shù)學(xué)模型進(jìn)行數(shù)據(jù)分析，得出電動(dòng)汽車造型特征中各個(gè)造型要素對(duì)關(guān)鍵詞情感值的顯著性，以“Y2時(shí)尚”關(guān)鍵詞為例，模型分析結(jié)果摘要如表5所示。

模型中R2代表該模型中自變量對(duì)因變量的解釋度，數(shù)據(jù)越接近1說(shuō)明模型的解釋力較強(qiáng)。分析結(jié)果顯示該模型R2為0.917，證明該多元回歸模型擬合度較強(qiáng)。此外，分析結(jié)果中顯著性(sig)值小于0.05則代表該自變量對(duì)因變量的具有顯著影響；若顯著性(sig)值大于0.05則說(shuō)明該自變量對(duì)因變量沒(méi)有不具有顯著影響。表5中顯著性(sig)為0.028，說(shuō)明造型要素類目(自變量)能夠顯著預(yù)測(cè)用戶認(rèn)知情感值(因變量)。

表4 研究樣本造型意象矩陣Table 4 Modeling image matrix of research samples

表5 模型分析結(jié)果摘要Table 5 Summary of model analysis results

回歸系數(shù)則反映了該模型中自變量顯著性(sig)值小于0.05的具體數(shù)量，具體分析結(jié)果如表6所示。通過(guò)分析結(jié)果可以得知：主體特征A中尺寸、比例、姿態(tài)和空間造型特征對(duì)微型電動(dòng)汽車“時(shí)尚”造型意象影響并不明顯，也在一定程度上證明了微型電動(dòng)汽車由于車身尺寸較為小巧，因此在比例、姿態(tài)和空間上的差異并不明顯。其中B21上揚(yáng)腰線、C21幾何形前燈組、C33異形后燈組共3個(gè)造型要素顯著性(sig)值小于0.05，表明其對(duì)微型電動(dòng)汽車“時(shí)尚”造型意象影響最為顯著，也說(shuō)明了用戶對(duì)于“時(shí)尚”造型意象的關(guān)注點(diǎn)在于車身的次要特征和輔助特征上。這也說(shuō)明車身細(xì)節(jié)可以很好地區(qū)分用戶認(rèn)知知識(shí)，構(gòu)成造型意象差異化。

表6 回歸系數(shù)分析結(jié)果Table 6 Regression coefficient analysis results

根據(jù)上述方法，對(duì)“小巧”“顏值”兩個(gè)意象詞匯進(jìn)行多元回歸分析，得出不同意象關(guān)鍵詞與造型要素之間的相關(guān)性，具體分析結(jié)果如表7所示。每個(gè)意象詞匯中選取顯著值小于0.05的造型要素作為該造型設(shè)計(jì)參考元素，其中“小巧”的造型意象主要受到A42緊湊空間、B12平緩的頂線、B32平緩的裙線、C12封閉的前格柵、C21幾何形前燈組和C33異形后燈組等造型要素影響；而“顏值”的造型意象則受到A22夸張的車身比例、B21上揚(yáng)的腰線、B42分體式輪眉、C22多邊形前燈組、C31幾何形或C33異形后燈組等造型要素的影響。

表7 “小巧”“顏值”意象詞匯分析結(jié)果Table 7 Analysis results of “compact” and “appearance level” image vocabulary

2.5 案例應(yīng)用

針對(duì)電動(dòng)汽車造型意象的應(yīng)用研究應(yīng)處于汽車造型設(shè)計(jì)過(guò)程中的最前端，這樣不僅可以降低汽車開(kāi)發(fā)風(fēng)險(xiǎn)及成本，同時(shí)又可以提升設(shè)計(jì)人員對(duì)于整體造型意象地把控。因此，為驗(yàn)證上述決策模型的可行性，同時(shí)基于上述研究本文邀請(qǐng)專業(yè)汽車設(shè)計(jì)師以因變量“Y2時(shí)尚”造型意象關(guān)鍵詞為設(shè)計(jì)目標(biāo)，從造型特征項(xiàng)目中挑選顯著性(sig)值偏向“時(shí)尚”造型要素類目B21上揚(yáng)腰線、C21幾何形前燈組、C33異形后燈組，以此為設(shè)計(jì)基礎(chǔ)進(jìn)行全新的微型電動(dòng)汽車設(shè)計(jì)方案，如圖3所示。

圖3 微型電動(dòng)汽車設(shè)計(jì)方案Fig.3 Miniature electric Vehicle design scheme

設(shè)計(jì)方案分為4個(gè)階段：1) 前期草圖階段，主要是將造型要素進(jìn)行創(chuàng)新整合，盡可能將“時(shí)尚”的造型意象主題表達(dá)出來(lái)；2) 中期草圖階段，對(duì)前期草圖設(shè)計(jì)當(dāng)中的不足進(jìn)行優(yōu)化，并通過(guò)不同視角展示造型特征及造型要素；3) 方案效果圖階段，采用PS軟件對(duì)微型電動(dòng)汽車整體造型效果進(jìn)行繪制，更加清晰地展示C21幾何形前燈組、C33異形后燈組造型要素。4) 方案膠帶圖階段，根據(jù)B21上揚(yáng)腰線造型要素，對(duì)車身側(cè)面造型特征進(jìn)行準(zhǔn)確表達(dá)，為后續(xù)企業(yè)專家進(jìn)行造型意象評(píng)審及設(shè)計(jì)人員后期制造油泥模型使用。

由于需要驗(yàn)證案例是否符合用戶對(duì)“時(shí)尚”的感性認(rèn)知，將設(shè)計(jì)方案圖制作成“-3，-2，-1，0，1，2，3”語(yǔ)義評(píng)價(jià)量表進(jìn)行調(diào)研。受試者選擇具有電動(dòng)汽車駕駛經(jīng)驗(yàn)用戶或潛在購(gòu)買(mǎi)用戶，共26人，其中男性用戶 17人，女性用戶9人，最終該設(shè)計(jì)案例得分均值為1.76，表明該案例設(shè)計(jì)基本符合用戶對(duì)于“時(shí)尚”的造型意象認(rèn)知。

3 結(jié)論

本文面向電動(dòng)汽車造型意象，基于用戶網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)和數(shù)量化理論I類理論，獲取了關(guān)鍵詞情感值與造型特征要素編碼，以此為基礎(chǔ)建立了用戶認(rèn)知情感與造型特征要素兩者之間的數(shù)學(xué)模型，并通過(guò)元回歸分析對(duì)模型進(jìn)行了分析，得出如下結(jié)論：

1) 將用戶評(píng)價(jià)數(shù)據(jù)引入到電動(dòng)汽車造型意象研究中，通過(guò)網(wǎng)絡(luò)爬蟲(chóng)、關(guān)鍵詞提取與情感分析，可在短時(shí)間內(nèi)獲取大量用戶需求信息和情感數(shù)據(jù)；相比傳統(tǒng)語(yǔ)義量表方法，網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)具有主觀性弱、時(shí)效性高和數(shù)據(jù)量大等特點(diǎn)，獲取的關(guān)鍵詞和情感值更加準(zhǔn)確。

2) 設(shè)計(jì)方案評(píng)估作為設(shè)計(jì)流程中具有決策性的一個(gè)環(huán)節(jié)，將網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)算法與統(tǒng)計(jì)學(xué)方法相結(jié)合，為衡量電動(dòng)汽車造型意象是否能夠滿足用戶預(yù)期的情感需求提供了一種決策方法，也為相關(guān)電動(dòng)汽車前端設(shè)計(jì)中造型意象研究提供了理論參考。

3) 研究尚存在一些不足之處，如對(duì)評(píng)價(jià)數(shù)據(jù)關(guān)鍵詞提取僅考慮了詞頻及詞性特點(diǎn)，未考慮單個(gè)關(guān)鍵詞與具體造型特征之間的隱性關(guān)聯(lián)，獲取的用戶需求信息存在一定的片面性；同時(shí)，隨著電動(dòng)汽車車型的持續(xù)更新，造型要素劃分范圍必然越加豐富，這樣才能構(gòu)建更加系統(tǒng)的電動(dòng)汽車造型意象決策模型，這些都是后續(xù)研究中有待解決的問(wèn)題。