談莉斌，唐敦兵，陳蔚芳，王 棋

(1.南京航空航天大學(xué) 機(jī)電學(xué)院，江蘇 南京 210016； 2.安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院，安徽 馬鞍山 243002)

0 引言

隨著消費(fèi)者的需求個(gè)性化越來(lái)越強(qiáng)，變化越來(lái)越快，傳統(tǒng)的以生產(chǎn)者為主導(dǎo)地位的設(shè)計(jì)方式已經(jīng)不能適應(yīng)當(dāng)今時(shí)代的需要。企業(yè)在用戶參與產(chǎn)品設(shè)計(jì)的過(guò)程中，可準(zhǔn)確把握用戶需求，亦可獲得用戶的海量創(chuàng)新資源。如何讓用戶參與到產(chǎn)品設(shè)計(jì)中，使其個(gè)性化需求能夠真正得到滿足，已成為目前研究的熱點(diǎn)之一。

近年來(lái)，研究人員提出了很多設(shè)計(jì)方法，致力于將客戶需求映射到產(chǎn)品模型中。如Murat[1]提出一種在概念設(shè)計(jì)階段將客戶需求映射到產(chǎn)品模型的方法，并用于Airbus A350設(shè)計(jì)案例中；Feng Zhou[2]提出一種用戶體驗(yàn)設(shè)計(jì)方法；Jitesh H[3]提出一種大量設(shè)計(jì)人員協(xié)同創(chuàng)新的設(shè)計(jì)方法；吉祥[4]提出基于本體和粗糙集的產(chǎn)品設(shè)計(jì)知識(shí)推送技術(shù)；涂建偉[5]提出一種面向產(chǎn)品創(chuàng)新設(shè)計(jì)的知識(shí)檢索模型與實(shí)現(xiàn)方法等?？梢栽O(shè)想，這些新的產(chǎn)品設(shè)計(jì)方法有可能改變產(chǎn)品開(kāi)發(fā)的模式[6]。

為了使客戶更深入地融入設(shè)計(jì)過(guò)程中，一些學(xué)者提出了參與式設(shè)計(jì)的概念。Elizabeth等[7]研究了參與式設(shè)計(jì)中，傳統(tǒng)的設(shè)計(jì)者和用戶角色的變化，并指出用戶將成為協(xié)同設(shè)計(jì)者，而研究人員的工作從映射客戶需求轉(zhuǎn)變?yōu)閹椭脩敉瓿稍O(shè)計(jì)方案。Bφdker S[8]研究了參與式設(shè)計(jì)所必須的技術(shù)，包括研討環(huán)境、組織形式、支持協(xié)同設(shè)計(jì)的產(chǎn)品模型等。

隨著互聯(lián)網(wǎng)與其他行業(yè)的深度融合，出現(xiàn)了一些基于互聯(lián)網(wǎng)的群體產(chǎn)品創(chuàng)新方法。如Thinkcycle網(wǎng)站[9]，該網(wǎng)站提供了一個(gè)用戶參與設(shè)計(jì)過(guò)程的網(wǎng)絡(luò)交互平臺(tái)。Jakiela等[10]提出另一種基于網(wǎng)絡(luò)的交互方法，使大規(guī)模用戶可以在線參與產(chǎn)品開(kāi)發(fā)過(guò)程。

雖然群體創(chuàng)新和參與式設(shè)計(jì)越來(lái)越受到重視，但現(xiàn)有的大多數(shù)研究側(cè)重于新的設(shè)計(jì)模式提出。在這些模式中，普通用戶被假設(shè)為可以輕易提出產(chǎn)品的完整方案。事實(shí)上，對(duì)于不具有專業(yè)設(shè)計(jì)知識(shí)的普通用戶來(lái)說(shuō)，很難利用現(xiàn)有的產(chǎn)品設(shè)計(jì)方法完成產(chǎn)品方案。因?yàn)樵O(shè)計(jì)是一個(gè)迭代的過(guò)程，即使專業(yè)的設(shè)計(jì)工程師也不能輕易決定產(chǎn)品的解決方案。對(duì)于只是利用業(yè)余時(shí)間做一些有趣事情的普通用戶而言，這幾乎是不可能完成的。因此，如何實(shí)現(xiàn)普通用戶在設(shè)計(jì)過(guò)程中的真正參與，是一個(gè)亟待解決的問(wèn)題。

在互聯(lián)網(wǎng)交互環(huán)境下，用戶參與產(chǎn)品設(shè)計(jì)過(guò)程更加容易，這將導(dǎo)致參與設(shè)計(jì)的用戶可以達(dá)到較大規(guī)模。當(dāng)大規(guī)模用戶直接參與產(chǎn)品設(shè)計(jì)過(guò)程時(shí)，用戶與用戶之間的交流規(guī)模也會(huì)急劇增大。用戶間交互的效率將直接影響產(chǎn)品設(shè)計(jì)周期長(zhǎng)短，因此需要一種用戶交互輔助機(jī)制，使得用戶間實(shí)現(xiàn)高效交互。此外，由于參與設(shè)計(jì)用戶數(shù)量的龐大，用戶與用戶間交互、用戶方案的群體決策等過(guò)程，需要通過(guò)數(shù)據(jù)化手段實(shí)現(xiàn)計(jì)算機(jī)輔助管理。

為解決上述問(wèn)題，本文提出一種基于大規(guī)模用戶參與的開(kāi)放式設(shè)計(jì)方法。用戶可以通過(guò)互聯(lián)網(wǎng)隨時(shí)參與設(shè)計(jì)過(guò)程，并且不必提出完整方案。設(shè)計(jì)平臺(tái)將大量用戶初始的模糊化、碎片化的方案數(shù)字化，建立用戶相似度量空間，并根據(jù)相似空間尋找某一用戶的相似用戶。通過(guò)相似用戶的交互反應(yīng)，如接受、拒絕或改進(jìn)，校正用戶在相似空間中的向量參數(shù)，同時(shí)幫助用戶逐漸完善自己的方案。對(duì)于最終不完整的用戶方案，通過(guò)協(xié)同過(guò)濾實(shí)現(xiàn)預(yù)測(cè)，并補(bǔ)充完整。對(duì)于處理后最終完整的大量用戶方案，通過(guò)粗糙集理論，實(shí)現(xiàn)產(chǎn)品方案的群體決策。由于整體設(shè)計(jì)過(guò)程的數(shù)字化，相似度空間建立、用戶推薦迭代、完整方案預(yù)測(cè)、群體決策構(gòu)成的整體設(shè)計(jì)決策過(guò)程，都可以由計(jì)算機(jī)按照對(duì)應(yīng)算法自動(dòng)執(zhí)行，因此可以實(shí)現(xiàn)大規(guī)模用戶的參與。最后，以某洗衣機(jī)的具體設(shè)計(jì)過(guò)程，證明了該方法的可行性。

1 基于相似度推薦的用戶交互過(guò)程

1.1 用戶方案的數(shù)字化

隨著自然語(yǔ)言處理(Natural Language Processing，NLP)技術(shù)的發(fā)展[11-12]，在網(wǎng)絡(luò)交互環(huán)境中，用戶以文字、語(yǔ)音等形式提交的設(shè)計(jì)方案，可以被處理為一組數(shù)據(jù)。

在某個(gè)抽油煙機(jī)的參與設(shè)計(jì)案例中，其中4個(gè)用戶初步提的文字方案如下:

(1)用戶A：“烹飪是件無(wú)聊的事情，我想增加一個(gè)聽(tīng)音樂(lè)的解決方案。但是抽油煙機(jī)一般都很吵，我想讓它靜一點(diǎn)。清潔也是一件無(wú)聊的事情，我想增加自清潔的功能?！?/p>

(2)用戶B：“噪音是無(wú)法忍受的。如果抽油煙機(jī)聲音可以很小，我就能在做飯的時(shí)候聽(tīng)一些最喜歡的歌曲?！庇脩鬋：“以前的舊油煙機(jī)，總是有一些油煙溢出。我希望新的油煙機(jī)能加強(qiáng)吸力?！?/p>

(3)用戶D：“清潔抽油煙機(jī)是一項(xiàng)繁瑣的工作，如果有自清潔的功能，肯定令人驚喜。”

根據(jù)DS Zhu等[13]的研究，本文將用戶的需求強(qiáng)度分為5個(gè)等級(jí)：喜歡、同意、中立、忍受、厭惡。本文按照5個(gè)等級(jí)將對(duì)應(yīng)的用戶需求強(qiáng)度數(shù)字化為：2,1,0，-1，-2。根據(jù)用戶語(yǔ)氣的強(qiáng)烈程度，以及用戶主動(dòng)提出或被動(dòng)接受等特征，賦予每個(gè)用戶子方案對(duì)應(yīng)的值。從而，上述4個(gè)用戶的方案可以數(shù)字化為表1。

表1 4位用戶方案數(shù)字化結(jié)果

表1中：4位用戶數(shù)字化后的方案構(gòu)成一個(gè)4維的向量空間。每位用戶的初始方案在該向量空間下的坐標(biāo)分別為M1，M2，M3，M4：

(1)

(2)

(3)

(4)

1.2 用戶方案相似程度衡量

根據(jù)4位用戶提交的文本，用戶在該產(chǎn)品局部方案中有相似的意見(jiàn)，但意見(jiàn)接近程度不完全相同。Valcarce D等[14]論述了3種衡量用戶之間相似程度的計(jì)算方法，分別是歐式距離、皮爾遜相關(guān)系數(shù)和余弦相似度。由于余弦相似度的計(jì)算對(duì)誤差不敏感，在文本相似性計(jì)算中有大量應(yīng)用，因此本文采用余弦相似度作為計(jì)算兩用戶方案相似程度的方法。式(5)定義了相似度S來(lái)度量?jī)蓚€(gè)參與者之間的相似程度：

-1≤s≤1。

(5)

式中：S的值趨于1，則表示兩用戶觀點(diǎn)趨于接近；相反地，S趨于-1，表示兩用戶觀點(diǎn)趨于對(duì)立。

用戶A和用戶B在音樂(lè)和降噪觀點(diǎn)的相似程度計(jì)算如下：

ua=(2,2)T，

(6)

ub=(2,1)T，

(7)

(8)

用戶A和用戶B的余弦相似度為0.949，表明兩用戶在音樂(lè)和降噪觀點(diǎn)上非常接近。結(jié)合文本內(nèi)容判斷，證明了余弦相似度可正確表征兩用戶間的觀點(diǎn)相似程度。

1.3 基于相似度推薦的迭代過(guò)程

研究發(fā)現(xiàn)，用戶更容易接受觀點(diǎn)相近用戶的其他觀點(diǎn)[15]。因此，可以推薦用戶A方案中自清潔的功能給用戶B。用戶B收到推薦后，可以選擇接受、忽略或拒絕，從而增加了用戶B關(guān)于自清潔功能的觀點(diǎn)值。此時(shí)，用戶B在相似空間中由2維向量變?yōu)?維向量。根據(jù)用戶B新生成的3維向量，再次計(jì)算用戶B與具有相同維度的其他用戶之間的相似程度。選擇相似度較高的其他用戶方案中，用戶B未提出的功能推薦給用戶B。推廣到一般的情況，相似推薦的過(guò)程如下：①計(jì)算用戶余弦相似度；②按照相似度值確定候選集，并排序產(chǎn)生推薦集；③為用戶產(chǎn)生推薦。相似推薦為迭代過(guò)程，持續(xù)至用戶結(jié)束參與設(shè)計(jì)。

推薦過(guò)程的結(jié)束條件與產(chǎn)品設(shè)計(jì)過(guò)程管理有關(guān)，如用戶參與周期結(jié)束、用戶方案完整度達(dá)到閾值、用戶對(duì)相似推薦長(zhǎng)時(shí)間無(wú)回應(yīng)等均可設(shè)置為推薦結(jié)束的條件。因此，設(shè)計(jì)平臺(tái)停止某用戶相似推薦的條件與設(shè)計(jì)目標(biāo)相關(guān)、且并不唯一，需要根據(jù)某產(chǎn)品具體設(shè)計(jì)過(guò)程設(shè)置相應(yīng)的推薦結(jié)束算法。

在用戶參與的初始階段，用戶提出的方案一般為產(chǎn)品總體方案的某一部分。因此，用戶數(shù)據(jù)具有極端稀疏性。這導(dǎo)致兩用戶之間初始相似度的值，并不能正確反應(yīng)兩用戶關(guān)于產(chǎn)品總體方案的觀點(diǎn)相似性。通過(guò)多次迭代的相似推薦與用戶反饋，用戶關(guān)于產(chǎn)品方案的認(rèn)知由非理性轉(zhuǎn)向逐漸理性。用戶方案也由初始的碎片化逐漸完整，如圖1所示。此時(shí)，用戶方案較為準(zhǔn)確地映射了用戶關(guān)于產(chǎn)品的觀點(diǎn)，置信度較高。且在此過(guò)程中，用戶只需對(duì)推薦的其他方案做出反饋，不需要投入大量的時(shí)間和精力整理方案，因此便于用戶利用業(yè)余時(shí)間參與產(chǎn)品設(shè)計(jì)。

2 用戶方案的數(shù)據(jù)處理

在迭代推薦與反饋后，大多數(shù)參與用戶完成了自己的方案。由于非強(qiáng)制性特征，這些方案一般來(lái)說(shuō)不是100%完整的。此外，不同用戶方案中，關(guān)于產(chǎn)品的側(cè)重點(diǎn)可能不同，觀點(diǎn)也可能對(duì)立。如何將這些方案統(tǒng)一為被用戶接受的一個(gè)或多個(gè)產(chǎn)品，是亟待解決的問(wèn)題。

2.1 用戶方案的矩陣表達(dá)

在本文中，用戶總體方案以式(9)中矩陣的形式表達(dá)。每一個(gè)行向量代表一個(gè)用戶的最終提交方案，其中行向量的第一個(gè)元素為用戶編號(hào)，矩陣行的個(gè)數(shù)為所有參與用戶的數(shù)量m。矩陣每一列代表一個(gè)產(chǎn)品子方案，列的個(gè)數(shù)為所有不同子方案?jìng)€(gè)數(shù)n加1。wij(-2≤wij≤2)的值代表用戶i關(guān)于子方案j的觀點(diǎn)。因此，所有用戶方案用m×(n+1)階矩陣V*表達(dá)。

(9)

矩陣中“*”表示行向量對(duì)應(yīng)的用戶未對(duì)該子方案發(fā)表意見(jiàn)。

2.2 欠關(guān)注子方案的舍棄

用戶提出的方案中，一些子方案項(xiàng)被大多數(shù)用戶忽略，表現(xiàn)為在矩陣V*中一些列向量有較多的“*”出現(xiàn)，或較多用戶關(guān)于該項(xiàng)的觀點(diǎn)值接近于0?？紤]到產(chǎn)品的設(shè)計(jì)與生產(chǎn)成本，此類子方案需被舍棄。因此，本文定義子方案的權(quán)重衡量參數(shù)ξ*如下：

(10)

式中：h(0≤h≤m)為子方案對(duì)應(yīng)的列向量中，具有準(zhǔn)確值的wij的個(gè)數(shù)。當(dāng)用戶方案中，“*”出現(xiàn)的次數(shù)越多，或wij的值越接近于0時(shí)，ξ*的值越小。而“*”的出現(xiàn)和wij的值接近于0都說(shuō)明了用戶對(duì)該子方案不關(guān)注。在設(shè)計(jì)過(guò)程中，可以定義ξ*的閾值，當(dāng)*ξj小于該閾值時(shí)，矩陣j列對(duì)應(yīng)的子方案全部舍棄。

2.3 不確定子方案的預(yù)測(cè)

欠關(guān)注子方案舍棄后，仍有一些wij的值未確定。造成不確定值出現(xiàn)的原因很多，但并不等于用戶對(duì)該子方案沒(méi)有觀點(diǎn)值。在之前的迭代交互過(guò)程中，隨著用戶方案維度的增加，用戶觀點(diǎn)的完整度逐漸提高，從而用戶方案對(duì)用戶真實(shí)觀點(diǎn)的映射準(zhǔn)確率逐漸提高。此時(shí)，利用多維度已知值對(duì)少維度不確定值預(yù)測(cè)具有較高的置信度。本文提出一種預(yù)測(cè)缺失子方案值計(jì)算方法，如式(11)所示：

(11)

式中：x為用戶序列號(hào)，Six為用戶i和用戶x之間的余弦相似度，Six的定義見(jiàn)式(5)。相似的意見(jiàn)(Six>0)和相反的意見(jiàn)(Six<0)都會(huì)影響用戶x的觀點(diǎn)。因此，所有用戶關(guān)于該子方案的平均值，可以近似預(yù)測(cè)用戶x的缺失子方案值wxj(*)。

經(jīng)過(guò)對(duì)低權(quán)重子方案的舍棄，以及缺失子方案值的預(yù)測(cè)，得到了一個(gè)完整的方案數(shù)值矩陣，該矩陣包含大多數(shù)用戶感興趣的子方案。

3 產(chǎn)品最終方案的群體決策

所有用戶關(guān)于產(chǎn)品最終方案存在對(duì)立觀點(diǎn)，表現(xiàn)為產(chǎn)品的某個(gè)子方案存在正反兩方面的觀點(diǎn)值。此時(shí)，為了滿足用戶需求，需要設(shè)計(jì)兩種型號(hào)產(chǎn)品。當(dāng)有兩個(gè)子方案存在正反值時(shí)，則需要4種型號(hào)產(chǎn)品。以此類推，最終需要設(shè)計(jì)的產(chǎn)品型號(hào)數(shù)量巨大。從設(shè)計(jì)與制造成本角度考慮，顯然是不可實(shí)現(xiàn)的。因此首先需要評(píng)估每一個(gè)子方案中，支持與反對(duì)觀點(diǎn)的分布，以決定是否有必要分解為正反兩種子方案。其次需要評(píng)估每一個(gè)子方案在總方案中的權(quán)重，通過(guò)權(quán)重排序決定產(chǎn)品子方案分解的取舍。

目前，有一些廣泛應(yīng)用的群體決策方法，大多基于經(jīng)典的層次分析法(Analytic Hierarchy Process, AHP)[16]。如J. M. Moreno-Jiménez[17]提出一致性共識(shí)矩陣，使用層次分析法尋求群體決策中的一致性。此類方法多適用于中小決策群體，當(dāng)決策者數(shù)量較多，需要計(jì)算機(jī)自動(dòng)處理時(shí)，這些方法就無(wú)法適用。

本文類似的研究中，Pawlak[18]提出了經(jīng)典的粗糙集理論來(lái)解決分類問(wèn)題中的不一致問(wèn)題。Lian-Yin Zhai[19]提出了基于粗糙集理論的近似概念，可以擴(kuò)展處理不一致信息的歸類問(wèn)題，如下所述。設(shè)U是一個(gè)包含在信息表中注冊(cè)的所有對(duì)象的域，Y是U的任意對(duì)象。域U中定義了一組n個(gè)元素的類，R={C1,C2,…,Cn}。如果該類以C1

(12)

式中Ci的上近似可表示為：

(13)

Ci的邊界區(qū)間為：

Bnd(Ci)=∪{Y∈U/R(Y)≠Ci}

={Y∈U/R(Y)>Ci}∪{Y∈U/R(Y)

(14)

Ci的下近似限為：

(15)

Ci的上近似限為：

(16)

式中：ML為下近似限包含的對(duì)象數(shù)，MU為上近似限包含的對(duì)象數(shù)。

因此，類Ci可以用由其下近似限和上近似限定義的粗?jǐn)?shù)RN表示：

(17)

對(duì)應(yīng)的粗?jǐn)?shù)邊界大小定義為：

(18)

文獻(xiàn)[19]提出的方法可以實(shí)現(xiàn)數(shù)域中類的權(quán)重計(jì)算與排序，與本文應(yīng)用有類似之處，可以通過(guò)借鑒該方法提出本文群體決策的解決辦法。

3.1 產(chǎn)品子方案正反分布的評(píng)估

在形如矩陣(9)的產(chǎn)品最終方案數(shù)值矩陣中，一個(gè)列向量代表某一個(gè)子方案的所有用戶觀點(diǎn)集合。本文將文獻(xiàn)[19]提出的粗?jǐn)?shù)定義推廣到矩陣領(lǐng)域。設(shè)F是一個(gè)列向量，F(xiàn)中定義了一組n個(gè)數(shù)的類(C1,C2,…,Cn)。列向量F的下限和上限可以定義為：

(19)

(20)

其中ki為數(shù)組F中Ci的數(shù)量。

則列向量F的粗?jǐn)?shù)定義如下：

(21)

式中F的邊界區(qū)間定義如下：

(22)

F的邊界區(qū)間大小表征了F中數(shù)值的聚集或分散程度，在本文中即為用戶方案的統(tǒng)一或?qū)α⒊潭取的邊界區(qū)間越大，對(duì)立程度越高；F的邊界區(qū)間越小，則方案的統(tǒng)一程度就越高。

3.2 產(chǎn)品子方案認(rèn)可度的衡量

產(chǎn)品最終方案數(shù)值矩陣中，存在多個(gè)列向量Fi(0

(23)

式中MR(F)的值越大，則該列向量權(quán)重越大。從而在決策是否將某個(gè)子方案分解時(shí)，優(yōu)先等級(jí)越高。

最終，通過(guò)產(chǎn)品決策矩陣中列向量的粗?jǐn)?shù)邊界區(qū)間與粗?jǐn)?shù)平均值的定義，實(shí)現(xiàn)了產(chǎn)品子方案的優(yōu)先級(jí)排序，與子方案正反觀點(diǎn)分布的評(píng)估。

3.3 產(chǎn)品方案群體決策過(guò)程

根據(jù)之前的粗?jǐn)?shù)及相關(guān)參數(shù)計(jì)算，總結(jié)產(chǎn)品總體方案的群體決策過(guò)程如下：

(1)計(jì)算產(chǎn)品每個(gè)子方案(式(9)中矩陣列向量)的粗?jǐn)?shù)、邊界區(qū)間、粗?jǐn)?shù)中值。

1)確定子方案中的類；

5)計(jì)算子方案的粗?jǐn)?shù)RN(F)、邊界區(qū)間RBnd(F)、粗?jǐn)?shù)中值MR(F)。

(2)根據(jù)每個(gè)子方案的粗?jǐn)?shù)中值，將每個(gè)子方案的重要性排序。

(3)根據(jù)每個(gè)子方案的邊界區(qū)間，確定子方案中用戶觀點(diǎn)的對(duì)立程度。

(4)在設(shè)計(jì)產(chǎn)品系列時(shí)，優(yōu)先將重要性高、有對(duì)立觀點(diǎn)的子方案分解。

本文的決策過(guò)程均基于數(shù)據(jù)化的用戶方案，因此設(shè)計(jì)平臺(tái)可以通過(guò)編制對(duì)應(yīng)邏輯與運(yùn)算程序，實(shí)現(xiàn)全程計(jì)算機(jī)處理，從而使大規(guī)模用戶的群體決策具有可實(shí)現(xiàn)性。

4 產(chǎn)品實(shí)例研究

本文以洗衣機(jī)設(shè)計(jì)為例說(shuō)明了在線參與式設(shè)計(jì)的應(yīng)用。隨著消費(fèi)者的個(gè)性化和多樣化，消費(fèi)者希望在傳統(tǒng)洗衣機(jī)中加入自己喜愛(ài)的特色，而不是選擇市場(chǎng)上現(xiàn)有的機(jī)型。一組25至30歲的志愿者，通過(guò)在線設(shè)計(jì)平臺(tái)參與了洗衣機(jī)設(shè)計(jì)過(guò)程。通過(guò)將用戶初始方案數(shù)字化后，只有12名用戶明確提出了自己的解決方案，如表2所示。表2中:P代表參與設(shè)計(jì)的用戶，F(xiàn)代表子方案。

表2 洗衣機(jī)用戶初始方案

遍歷計(jì)算用戶之間相似度，并將與該用戶相似度最高的另一用戶其他子方案推薦至該用戶。如用戶P1和P6之間關(guān)于F9和F10都有提出子方案，則用戶P1和P6在以F9和F10為坐標(biāo)的2維相似空間可數(shù)字化為向量：

根據(jù)式(5)可計(jì)算P1和P6在該相似空間下的相似度：

同樣地，可以計(jì)算用戶P1和其他用戶在不同相似空間的相似度，并產(chǎn)生相似推薦集。根據(jù)推薦集，優(yōu)先推薦相似度最高的用戶其他子方案至用戶P1，根據(jù)P1的反饋幫助用戶完善自己的子方案。在經(jīng)過(guò)迭代相似推薦階段之后，12位參與者的最終解決方案如表3所示。

根據(jù)式(10)，可以計(jì)算表3中每個(gè)子方案的取舍權(quán)重，以F1為例：

表3 洗衣機(jī)用戶最終方案

續(xù)表3

表4 子方案取舍權(quán)重

舍棄后的產(chǎn)品子方案中，有一些用戶未提供的不確定項(xiàng)。這些不確定項(xiàng)可以通過(guò)式(11)的計(jì)算方法實(shí)現(xiàn)預(yù)測(cè)。以用戶P6關(guān)于子方案F2(烘干)的預(yù)測(cè)為例。

(24)

式中：S16=0，S26=0.82，S36=0.50，S46=0.67，S56=0.82，S76=0.35，S86=0.56，S10,6=0，S11,6=0.63，S12,6=0.48。則w62的最終值為

0.67×1+0.82×2+0.35×1+0.56×2+

0×2+0.63×2+0.48×2)=0.81。

對(duì)其他不確定項(xiàng)進(jìn)行類似的預(yù)測(cè)計(jì)算后，形成最終的決策矩陣V：

V=

決策矩陣V中，每個(gè)子方案的優(yōu)先排序可以通過(guò)計(jì)算對(duì)應(yīng)的粗?jǐn)?shù)實(shí)現(xiàn)。以F2為例，F(xiàn)2中有4個(gè)類，“0.81”、“0.97”、“1”和“2”。類“1”的粗?jǐn)?shù)計(jì)算如下：

則子方案F2的下近似限為：

=(0.839 7×1+0.947 6×1+0.962 9×3+

1.567 9×7)/12=1.30；

F2的上近似限為：

=(1.634 1×1+1.634 1×1+1.7×3+

2×7)/12=1.65；

F2的粗?jǐn)?shù)為：

F2的邊界區(qū)間為：

=1.65-1.30=0.35；

F2的粗?jǐn)?shù)中值為：

其他產(chǎn)品子方案作相似計(jì)算后，匯總為表5。

表5 子方案取舍權(quán)重

邊界區(qū)間的大小表征了用戶群體關(guān)于該子方案項(xiàng)的觀點(diǎn)統(tǒng)一程度。區(qū)間小于1，表示用戶關(guān)于該子方案的觀點(diǎn)趨于統(tǒng)一；相反地，大于1表示趨于對(duì)立。表4中：F2、F9、F10、F11邊界區(qū)間小于1，表示該4項(xiàng)子方案用戶觀點(diǎn)集中；F3、F5、F6大于1，表示用戶觀點(diǎn)在該3項(xiàng)子方案中分歧較大。如果需要滿足大多數(shù)用戶的需求，則需要將該3項(xiàng)子方案分別分解為2個(gè)不同的子方案，從而得出系列產(chǎn)品整體方案。

粗?jǐn)?shù)的中值用來(lái)衡量子方案的重要程度。當(dāng)設(shè)計(jì)目標(biāo)為有限總體方案數(shù)量時(shí)，不能將所有子方案都分解，優(yōu)先分解最重要的子方案。根據(jù)表5數(shù)據(jù)，只有F3、F5、F6需要分解，分解優(yōu)先順序?yàn)镕5>F6>F3。

根據(jù)邊界區(qū)間和中值，可以確定產(chǎn)品的最終方案。如果設(shè)計(jì)目標(biāo)是只需要一種產(chǎn)品，由于粗?jǐn)?shù)中值均大于零，因此最終產(chǎn)品應(yīng)該包含子方案為{F2，F(xiàn)3，F(xiàn)5，F(xiàn)6，F(xiàn)9，F(xiàn)10，F(xiàn)11}。如果設(shè)計(jì)目標(biāo)為兩種產(chǎn)品，根據(jù)分解優(yōu)先順序，兩種產(chǎn)品的子方案為{F2，F(xiàn)3，F(xiàn)5，F(xiàn)6，F(xiàn)9，F(xiàn)10，F(xiàn)11}和{F2，F(xiàn)3，F(xiàn)6，F(xiàn)9，F(xiàn)10，F(xiàn)11}。當(dāng)設(shè)計(jì)目標(biāo)是盡可能滿足所有用戶需求時(shí)，產(chǎn)品系列與對(duì)應(yīng)的子方案見(jiàn)表6。表6中：S為最終產(chǎn)品系列，√表示子方案被保留，×表示子方案被刪除。

表6 產(chǎn)品系列與子方案

5 結(jié)束語(yǔ)

本文提出一種大規(guī)模用戶參與的開(kāi)放式設(shè)計(jì)方法，首先解決了普通用戶難以真正參與產(chǎn)品設(shè)計(jì)的問(wèn)題；同時(shí)針對(duì)大規(guī)模用戶的群體產(chǎn)品決策提出了解決方法。通過(guò)用戶初始的碎片化方案提出，以及隨后的相似推薦與反饋，幫助用戶形成較完整的方案，該方案準(zhǔn)確映射了用戶需求?；诖植诩碚摚岢隽舜笠?guī)模用戶方案的群體決策方法，實(shí)現(xiàn)產(chǎn)品方案的群體決策。從推薦推薦到?jīng)Q策的整體設(shè)計(jì)過(guò)程，計(jì)算機(jī)都可按照對(duì)應(yīng)算法自動(dòng)執(zhí)行，因此可以實(shí)現(xiàn)大規(guī)模用戶的參與。最后，以洗衣機(jī)設(shè)計(jì)實(shí)例，展示了完整的設(shè)計(jì)過(guò)程。

本文重點(diǎn)關(guān)注開(kāi)放式用戶大規(guī)模參與設(shè)計(jì)的設(shè)計(jì)過(guò)程實(shí)現(xiàn)，對(duì)于具體環(huán)節(jié)采用的方法并未深入研究。如用戶子方案數(shù)值化的判斷算法、相似度的計(jì)算方法、群體決策方法、相關(guān)閾值的確定等。在具體設(shè)計(jì)過(guò)程中，詳細(xì)方法需要針對(duì)性地討論。此外，本文中用戶方案以數(shù)列形式映射，未來(lái)將結(jié)合DSM(design structure matrix)理論[20]、FBS(function behavior structure)理論[21]等，研究更科學(xué)的用戶方案映射形式。