基于大數據的產品設計意象語義挖掘研究綜述

王鵬 邢志紅

摘要：在產品創新設計過程中，設計意象語義挖掘一直是研究熱點。通過對大數據的挖掘，能使設計師獲取更準確的設計意象語義，從而為產品創新設計的研究起到有效的數據支撐。對大數據挖掘方法進行對比研究，總結了產品設計意象語義的挖掘機制；通過語義概念化，對產品設計意象語義進行形式化表征，形成知識圖譜，為產品設計知識的共享與重用提供了思路和方法。總結出以馬自達汽車設計為對象的產品設計意象語義挖掘流程，并通過對意象語義的概念化形成知識圖譜。

關鍵詞：產品設計 意象語義 大數據 語義挖掘 知識表征

中圖分類號：J03 文獻標識碼：A

文章編號：1003-0069（2023）16-0084-04

Abstract：In the process of product innovation design，design image semantic mining has always been a research hotspot. Through the mining of big data，designers can obtain more accurate design image semantics，thus providing effective data support for the research of product innovation design. knowledge，thus effectively supporting the research on intelligent design. Using the methods of comparative study of big data mining methods，the mining mechanism of product design image semantics is summarized. Through semantic conceptualization，product design image semantics were formally represented，and a knowledge map was formed，which provided ideas and ideas for the sharing and reuse of product design knowledge. research and summarize the viewpoints of relevant literature，and comprehensively analyze and expound the characteristics of image semantic mining methods in the context of big data，the process of image semantic mining，semantic analysis processing and visual representation methods.The process of product design image semantic mining with Mazda car design as the object is summarized，and a knowledge graph is formed by conceptualizing the image semantics.

Keywords：Product design Image semantics Big data Semantic mining Knowledge representation

引言

在大數據、人工智能、萬物互聯的今天，信息-物理-機器-人類將組合成四元的數據世界，數字化、網絡化、智能化將推動設計方法的大變革[1]，設計創新將更依靠對海量設計信息數據的獲取和分析，大數據挖掘技術被廣泛應用到創新設計中。對于設計師來說，產品設計不僅僅關乎產品本身，更多的是關乎產品設計語境中所包含的意象。通過對產品設計意象的挖掘，以此來滿足消費者的感性需求。因此如何精準獲取更多的設計語義信息以及設計實施后用戶對產品感性認知的程度，將大大提高設計師的效能和成功率，將大數據挖掘技術應用到設計感性認知的獲取具有重要意義。用戶對產品設計的認知通常用設計意象語義來表示，設計意象語義信息大量存在網絡評論文本中。在意象語義挖掘過程中，大量的文本信息從網絡挖掘出來，其信息量十分龐大。如果對其直接采用傳統的信息處理方式，就需要耗費大量的時間，同時其精確度較差，較難符合未來的智能設計需求。因此面向智能設計的數據挖掘方法需要高效率、高精度的大數據爬取處理能力，為后續設計意象語義的準確聚類提供技術支持。通過本體或語義網模型，對產品設計意象語義進行概念化定義后構建知識圖譜，以此實現知識的共享和重用。

一、意象語義挖掘的流程

隨著經濟的發展，用戶的消費理念也發生了改變，用戶不僅關注產品本身的品質，還注重產品給自己帶來的精神文化需求[2]。因此在產品設計時，設計人員不再單一地注重外觀給用戶的視覺表達，而是更關注產品能夠給客戶的精神內涵。而這種精神內涵在語義上的表達方式就是意象，主要表現為客戶對產品的心理認知在思維空間里能自發地生成對被認知物體的形象，這種形象是根據用戶的感覺來源來傳遞物體的主觀表象信息[3]。在產品設計中，產品的造型、材質、色彩等因素對其多種感覺器官刺激所產生的心理反應和情感表現，反映了用戶對于產品的喜好程度和評價準則，是用戶直覺和思維反應的綜合體，是人們認知產品的基本方式，而這種認知通過語義的形式對產品外在形態所表現的意象進行理解。本文基于大數據背景，利用相關算法挖掘出一種更加符合產品語義的意象，從而幫助設計師設計出一種充分滿足廣大用戶感性需求的產品，因此，提出意象語義挖掘流程主要包括意象語義獲取、意象語義分析處理和意象語義可視化表征三個流程，如圖1所示。

二、意象語義挖掘的方法

（一）意象語義的獲取

意象的獲取不僅可以表達產品所含有的語義，還能反映出消費者對產品的喜好。挖掘出用戶對產品的偏好需求，能為產品創新設計提供需求來源和設計方向[4]。目前，在意象獲取方面主要采用的是傳統的人工測量法（心理認知測量法、生理指標測量法）以及基于大數據的網絡評論文本挖掘法。通過傳統的方法獲取用戶的心理認知意象，雖然簡單快速，但主觀性較大，不能客觀地反映樣本的意象；而通過網絡爬蟲獲取的文本數據，數據量大，能夠反映產品的大部分意象，另外，且能自動對采集后的數據過濾掉重復信息，以此篩選出更準確的意象。網絡文本挖掘法中爬取工具較多如有Rapid Miner、Octoparse以及Python，因此需根據不同爬取的場景中選取不同的爬取工具，這樣爬取的效率將會提升。以Python為例，其爬取語法清晰，易于操作純文本文件，使用廣泛，效率高。而且能反映出消費者對產品的喜好，為產品的創新設計提供需求來源和意象設計方向。

以馬自達汽車設計為例，意象最早應用在感性工學理論，而馬自達汽車是運用意象設計方法的典型，旗下眾多乘用車通過意象設計形成家族化，根據魂動式設計理念，馬自達系列乘用車設計風格體現了家族化的設計意象，即在造型上運用“流線型”來表達“運動感”，通過賦予“魂動紅”的色彩更體現了馬自達的“大氣”的風格。在進行產品創新設計時，需從目前已有汽車的造型、材質以及色彩等方面去分析用戶的感性需求，若采用人工的方式搜集樣本的語料，效率低且會遺漏高質量的意象語義。若通過python爬蟲程序中對相關網頁網站的在線評價文本進行抓取，能夠爬取大量的語料。這些大量語料客觀地反映出用戶對馬自達汽車的喜好偏向，以此為產品的創新設計提供需求來源和意象設計方向。

（二）意象語義分析處理

1.語義數據預處理

在大量搜集意象語義信息時，會有許多重復的語義，在篩選時不能夠很好地選擇具有特征的意象語義，因此要進行多方面的數據處理，其中包含文本篩選、文本分詞、去停用詞、詞頻統計等步驟。通過數據清洗后，可以為下一步分析數據做好充分的準備。但是產品設計意象的領域性較強，一般的預處理工具適用性較差，而通過Jieba工具進行處理，準確率可達90%以上。而產品的設計意象主要是對產品的外在綜合品質進行描述，會存在較多的介詞、助詞、副詞等一些沒有實際意義的詞。Jieba在處理語義文本時能根據詞性將文本語料進行分詞，形成設計意象詞匯。對意象詞匯進行詞頻統計時需去除無實際意義的詞，去除后統計詞頻，得到符合馬自達設計意象詞匯，如表1所示。

2.聚類降維

聚類在數據挖掘中是一種重要的挖掘技術，其能夠根據數據相似性對一組看似混亂無序的原始數據進行自動分類，從而使得分析人員能夠根據分類結果快速高效地了解數據的內部結構和分布特征，大大減輕了分析人員的數據認知負擔[4]。將海量意象語義數據進行聚類降維分析，從而選出具有代表性的特征詞以及特征語義。主要方法有K-NN算法、K-means聚類法以及主成分分析法。

（1）K-NN算法

K-最近鄰算法（K-NN，k-nearest neighbor）是一種監督學習算法，根據樣本距離來提取和分類所有可用案例。分類后只需要簡單地存儲訓練實例，即可完成分類[5]。由于產品設計意象語義的豐富性，詞與詞之間的關聯性復雜，根據K-NN分類算法的特性，其需要分析測試實例與對應的訓練集中的全部實例間的相似程度，故而其不能高效地處理大數據時代所產生的海量數據[6]。

（2）K-means聚類法

K-means聚類法是將采集到的大量復雜數據集合分割成幾個類，這些類內部都有一個中心，內部各個元素都是圍繞著它，元素與中心的距離較近，代表著相似程度，而類與類之間的距離相距較遠[7]。人們對于產品的認知都是具有模糊性的，各個產品設計元素給人不同或者相同的意象認知，這些意象認知復雜交揉。通過聚類分析，可以將這些設計意象認知區分開來，但無法有效地區分類目。

（3）主成分分析法

主成分分析法是一種數理統計過程，通過正交旋轉法將一組可能相關變量的觀察值轉換為一組稱為主成分的線性不相關變量的值，主成分的確定是根據相關系數矩陣R求的特征根 ，根據特征根 大于1的值來確定主成分的個數。主成分分析是基于相關矩陣進行分析，因此將意象詞匯詞頻轉換為相關矩陣，并進行主成分分析，得到主成個分數，根據主成分的累計載荷值的大小來說明在眾多成分的貢獻值，以此確定產品的設計主意象的個數，從而達到對海量意象詞匯降維的目的。通過計算各主成分的因子載荷來確定眾多樣本中的成分因子的具體成分變量，以此更加準確地定位產品主意象，如表2所示。

對各成分進行回歸分析，形成成分矩陣，主要的成分根據因子載荷值大小來解釋。九個成分分別為“外觀”“流線型”“溜背式”“運動感”“材質”“魂動式”“金屬感”“層次感”以及“亮黑色”。這些形容詞在產品設計中是對設計要素進行意象描述，例如“外觀”“流線型”以及“溜背式”是對產品外觀的意象描述；“材質”和“金屬感”是對產品的材質進行意象描述；“亮黑色”是對產品的色彩進行描述；“運動感”“魂動式”以及“層次感”是對產品的風格特征進行意象描述，從眾多雜亂無章的語料文本通過主成分分析法降維形成9個維度的馬自達汽車設計意象。

3.確定語義層級關系

通過對語義信息的清洗以及聚類降維處理，信息數據更加具有代表性特征，但語義信息還是比較混亂，沒有一定的邏輯關系，不能很好地表達語義之間的聯系，因此需要探討設計語義之間的層級關系。在對語義處理時，可根據語義之間的相似度以及類目的一致性對其進行層級關系的確定，主要采用的是系統聚類法以及決策樹模型。

（1）決策樹

決策樹基本原理是從基本語義的底層開始，通過實例的方法測試語義的特征，按照一個子結點對應一個特征子語義的原則，將語義分配給對應的子節點。繼而執行遞歸在語義級別上測試分配，直到它到達其葉節點，就可以將語義之間的層次關系得到確定。但由于產品設計意象詞匯的特征之間存在較多的交叉性，決策樹模型對連續性的文本字段比較難預測，當類別太多時，錯誤可能就會增加。對于從網絡在線評論獲取的量比較大，而且產品設計意象類別較多，決策樹不適用于此類的分類。

（2）系統聚類法

系統聚類分析，又稱層次聚類分析，聚類原理是根據變量之間的遠近關系將最接近的對象歸為一組，從而把變量進行聚類細分，直到所有樣本案例或變量都聚集到一個類別中，經過這樣的流程，結合合適的樣本間距離和類間距離計算公式，能夠聚類出合適的類目，用戶可根據自身分類需求將目標樣本進行類別的劃分。

系統聚類是基于樣本的相異矩陣來進行分析的，將馬自達設計意象的相異矩陣導入數據分析工具（SPSS.26）進行系統聚類分析，輸出譜系圖，根據馬自達汽車設計領域的知識的基本內容，可將意象語義聚類成4類，分別是“造型”“材質”“色彩”以及“風格”，如圖2所示，以此可以觀察到主意象的類目，從而挖掘出意象之間的層級關系，如表3所示。

（三）語義可視化表征

在處理完語義知識后，對得到的信息進行整合并構建具有互操作性的多源信息模型，該模型包含關鍵概念及其同義詞和基本事實等信息的處理以及它們之間的關系[8]。因此，通過相關模型將語義相關的知識進行可視化展示，可以在相關聯的領域達成共識的基礎上，使人與設計系統之間的信息交換更加便捷，目前主要模型結構有語義網模型和本體模型。

1.語義網模型

語義網是一種采用網絡結構表示人類知識的方法，用來表達復雜的概念及其之間的相互關系。其基本結構是一個有向圖，在圖中節點是表征其代表對象的特征，弧是有方向的，方向用來體現節點間的主次關系，其上的標注則表示被連接的兩個節點間的語義關系[9]，在汽車色彩設計時，不同的色調對汽車風格意象有一定的影響。在色彩特征中，對應的色調與亮度的顏色“象征”著汽車風格意象“穩重的-動感的”，因此在語義網模型中，這些設計意象之間的邏輯關系需人工干預來完成，并需準確將語義關系進行標注，以此形成語義網圖譜，如圖3所示。

2.本體模型

本體是對領域的知識表示，包含概念（即類）的顯式描述、概念的特性、屬性或特征、對類和屬性的邏輯限制[10]，其實質是對實例、概念及其關系的明確進行概念化表征。在語義挖掘后，通過使用本體的知識表達模型，將產品設計意象語義以知識圖譜的形式表現出來，設計師在后期進行設計時，對意象語義進行知識調用，輔助設計師快速形成設計方案。在產品創新設計過程中，通過檢索相關信息能夠找到更加符合用戶需求的信息[11]。

根據主成分分析和系統聚類的方法得出的類目層級信息，在Protégé本體構建工具中提供了自檢推理機制，通過修改推理機制的實體、概念約束關系，可以對構建的本體進行修正，為知識之間的概念屬性以及關系推理提供了技術支持。因此在軟件中定義馬自達汽車設計意象本體，根據產品設計中的“造型”“材質”“色彩”以及“風格”4個“類”，對“類”的關系屬性進行定義。根據聚類后的類目層級關系并對4個“類”中的實例進行填充以及實例之間的約束關系的設定，即可輸出本體知識圖譜，如圖4所示，從而為不同設計系統之間的知識重用和共享提供了一定的基礎。

三、意象語義挖掘技術研究展望

設計知識的在線挖掘與可視化表征是智能設計中重要的組成模塊，該模塊的構建將輔助設計師利用網絡用戶評價獲得產品設計本體知識，從而進行創新設計與產品開發。打破設計師的思維局限性，更好地與用戶建立良好的產品意象認知互動，使得產品設計更加符合用戶的感性意象需求，并快速地從本體知識中獲取用戶的喜好與關注點。大數據技術在產品設計上已經廣泛應用，但在以感性意象為創新主體因素的產品設計上還未探索出有效、實用的數據挖掘方法。意象語義的挖掘獲取是產品創新設計的前端，意象語義語料的獲取是通過網絡評價所形成的大數據，目前該方向的研究還存在以下兩個研究難點：

（1）面向智能設計的基于工業設計語境的用戶在線評論體系還沒有廣泛構建和應用，在大數據挖掘獲取外觀設計知識時會得到大量與產品設計相關度不高的意象詞匯，對設計知識的表達準確度有很大的影響。建立以設計語境為評價角度語義挖掘機制，將對獲取高質量的與高貼合度的文本語料具有十分重要的意義。

（2）利用自然語言處理技術對網絡語料進行處理時，未能有效建立詞性之間的關聯規則，無法對詞與詞之間邏輯關系以及關聯度進行描述，在挖掘用戶評價時需構建一套可自學習的、可關聯的意象詞匯挖掘聚類的機制與方法，根據詞匯之間的關聯度，能夠泛化出更多具有此相關性的詞匯，以此形成更多維的、可擴展的設計知識表征模型。因此，以機器學習為主的大數據挖掘技術將是本研究的關鍵點，

通過數據挖掘、機器學習、知識圖譜構建基于產品感性意象的設計知識挖掘系統，將使設計師能更好地掌握產品設計的本體意象，并實現設計知識共享與重復調用。

結論

對于設計師而言，產品創新設計并不僅僅對產品進行設計，更需要滿足用戶的需求，讓用戶感受到產品意象含義，從而達到“以人為中心”的原則。另外，在智能設計越來越受重視的時代，更要重視優化創新的思維、技術、方法及理念。通過分析相關技術在大數據理論下進行收集數據、分析數據、歸納數據等應用具有一定的研究價值。通過對語義分析處理和語義形式化表征以及語義挖掘方法3個方面進行分析和闡述，并得出采用網絡爬蟲技術獲取設計意象主成分分析以及系統聚類的方法確定產品主意象的類目，然后通過本體的形式將產品設計意象進行概念化表征，形成知識圖譜這種產品設計意象挖掘的流程能夠定位產品設計意象，并指導產品創新設計。最后對意象語義挖掘技術進行了展望，通過大數據將海量信息形成知識表示網絡并整合到產業鏈資源，以數據驅動實現產品設計智能化是設計趨勢。

基金項目：甘肅省自然科學基金（20JR10RA165）。

參考文獻

[1]羅仕鑒，田馨，梁存收等. 設計產業網構成與創新模式[J]. 裝飾，2021（06）：64-68.

[2]刁煥. 基于用戶感性需求的高精密天平設計研究[D].天津大學，2012

[3]蘇建寧，張秦瑋，張書濤等. 產品造型意象進化設計研究進展[J]. 機械設計，2014，31（12）：97-102.

[4]章蓉，陳誼，張夢錄，孟可欣. 高維數據聚類可視分析方法綜述[J]. 圖學學報，2020，41（01）：44-56.

[5]宋云勝，王杰，梁吉業. 基于數據劃分的k-近鄰分類加速算法機理分析[J].中國科學技術大學學報，2018，48（04）：331-340.

[6]KONONENKO I，KUKAR M.Machine Learning and Data Mining：Introduction to Principles and Algorithms[M]. Chichester：Harwood Publishing Limited，2007.

[7]周美玉，龔麗娜，劉飛. 聚類模型在感性設計中的應用[J]. 機械工程學報，2008，4（07）：248-252.

[8]B. Dalvi，E. Minkov，P.P. Talukdar，W.W. Cohen，Automatic gloss finding for a knowledge base on using ontological constraints，in：Proceedings of the Eighth ACM International Conference on Web Search and Data Mining ACM，2015：369.

[9]夏幼明，劉海慶，徐天偉. 基于語義網絡的知識表示的形式轉換及推理[J]，武漢大學學報（信息科學版），2001（4）：89-93.

[10]GRUBER TR.A translation approach to portable ontology specifications[J]. Knowledge acquisition，1993，5（2）：199-220.

[11]李征，李斌. 一種基于關聯規則與K-means的領域本體構建方法[J]. 河南師范大學學報（自然科學版），2020，48（01）：24-32.

[12]譚影，張凌浩.大數據賦能下的家電品牌售后服務設計策略研究[J].設計，2022，35（2）：96-99.

[13]付文娟，呂健，于佳雯等.基于可拓實例推理與用戶需求的產品設計方法[J].設計，2023，36（1）：91-95.