王鵬 邢志紅

摘要：在產(chǎn)品創(chuàng)新設(shè)計(jì)過(guò)程中，設(shè)計(jì)意象語(yǔ)義挖掘一直是研究熱點(diǎn)。通過(guò)對(duì)大數(shù)據(jù)的挖掘，能使設(shè)計(jì)師獲取更準(zhǔn)確的設(shè)計(jì)意象語(yǔ)義，從而為產(chǎn)品創(chuàng)新設(shè)計(jì)的研究起到有效的數(shù)據(jù)支撐。對(duì)大數(shù)據(jù)挖掘方法進(jìn)行對(duì)比研究，總結(jié)了產(chǎn)品設(shè)計(jì)意象語(yǔ)義的挖掘機(jī)制；通過(guò)語(yǔ)義概念化，對(duì)產(chǎn)品設(shè)計(jì)意象語(yǔ)義進(jìn)行形式化表征，形成知識(shí)圖譜，為產(chǎn)品設(shè)計(jì)知識(shí)的共享與重用提供了思路和方法?？偨Y(jié)出以馬自達(dá)汽車(chē)設(shè)計(jì)為對(duì)象的產(chǎn)品設(shè)計(jì)意象語(yǔ)義挖掘流程，并通過(guò)對(duì)意象語(yǔ)義的概念化形成知識(shí)圖譜。

關(guān)鍵詞：產(chǎn)品設(shè)計(jì) 意象語(yǔ)義 大數(shù)據(jù) 語(yǔ)義挖掘 知識(shí)表征

中圖分類(lèi)號(hào)：J03 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：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(shù)據(jù)、人工智能、萬(wàn)物互聯(lián)的今天，信息-物理-機(jī)器-人類(lèi)將組合成四元的數(shù)據(jù)世界，數(shù)字化、網(wǎng)絡(luò)化、智能化將推動(dòng)設(shè)計(jì)方法的大變革[1]，設(shè)計(jì)創(chuàng)新將更依靠對(duì)海量設(shè)計(jì)信息數(shù)據(jù)的獲取和分析，大數(shù)據(jù)挖掘技術(shù)被廣泛應(yīng)用到創(chuàng)新設(shè)計(jì)中。對(duì)于設(shè)計(jì)師來(lái)說(shuō)，產(chǎn)品設(shè)計(jì)不僅僅關(guān)乎產(chǎn)品本身，更多的是關(guān)乎產(chǎn)品設(shè)計(jì)語(yǔ)境中所包含的意象。通過(guò)對(duì)產(chǎn)品設(shè)計(jì)意象的挖掘，以此來(lái)滿(mǎn)足消費(fèi)者的感性需求。因此如何精準(zhǔn)獲取更多的設(shè)計(jì)語(yǔ)義信息以及設(shè)計(jì)實(shí)施后用戶(hù)對(duì)產(chǎn)品感性認(rèn)知的程度，將大大提高設(shè)計(jì)師的效能和成功率，將大數(shù)據(jù)挖掘技術(shù)應(yīng)用到設(shè)計(jì)感性認(rèn)知的獲取具有重要意義。用戶(hù)對(duì)產(chǎn)品設(shè)計(jì)的認(rèn)知通常用設(shè)計(jì)意象語(yǔ)義來(lái)表示，設(shè)計(jì)意象語(yǔ)義信息大量存在網(wǎng)絡(luò)評(píng)論文本中。在意象語(yǔ)義挖掘過(guò)程中，大量的文本信息從網(wǎng)絡(luò)挖掘出來(lái)，其信息量十分龐大。如果對(duì)其直接采用傳統(tǒng)的信息處理方式，就需要耗費(fèi)大量的時(shí)間，同時(shí)其精確度較差，較難符合未來(lái)的智能設(shè)計(jì)需求。因此面向智能設(shè)計(jì)的數(shù)據(jù)挖掘方法需要高效率、高精度的大數(shù)據(jù)爬取處理能力，為后續(xù)設(shè)計(jì)意象語(yǔ)義的準(zhǔn)確聚類(lèi)提供技術(shù)支持。通過(guò)本體或語(yǔ)義網(wǎng)模型，對(duì)產(chǎn)品設(shè)計(jì)意象語(yǔ)義進(jìn)行概念化定義后構(gòu)建知識(shí)圖譜，以此實(shí)現(xiàn)知識(shí)的共享和重用。

一、意象語(yǔ)義挖掘的流程

隨著經(jīng)濟(jì)的發(fā)展，用戶(hù)的消費(fèi)理念也發(fā)生了改變，用戶(hù)不僅關(guān)注產(chǎn)品本身的品質(zhì)，還注重產(chǎn)品給自己帶來(lái)的精神文化需求[2]。因此在產(chǎn)品設(shè)計(jì)時(shí)，設(shè)計(jì)人員不再單一地注重外觀給用戶(hù)的視覺(jué)表達(dá)，而是更關(guān)注產(chǎn)品能夠給客戶(hù)的精神內(nèi)涵。而這種精神內(nèi)涵在語(yǔ)義上的表達(dá)方式就是意象，主要表現(xiàn)為客戶(hù)對(duì)產(chǎn)品的心理認(rèn)知在思維空間里能自發(fā)地生成對(duì)被認(rèn)知物體的形象，這種形象是根據(jù)用戶(hù)的感覺(jué)來(lái)源來(lái)傳遞物體的主觀表象信息[3]。在產(chǎn)品設(shè)計(jì)中，產(chǎn)品的造型、材質(zhì)、色彩等因素對(duì)其多種感覺(jué)器官刺激所產(chǎn)生的心理反應(yīng)和情感表現(xiàn)，反映了用戶(hù)對(duì)于產(chǎn)品的喜好程度和評(píng)價(jià)準(zhǔn)則，是用戶(hù)直覺(jué)和思維反應(yīng)的綜合體，是人們認(rèn)知產(chǎn)品的基本方式，而這種認(rèn)知通過(guò)語(yǔ)義的形式對(duì)產(chǎn)品外在形態(tài)所表現(xiàn)的意象進(jìn)行理解。本文基于大數(shù)據(jù)背景，利用相關(guān)算法挖掘出一種更加符合產(chǎn)品語(yǔ)義的意象，從而幫助設(shè)計(jì)師設(shè)計(jì)出一種充分滿(mǎn)足廣大用戶(hù)感性需求的產(chǎn)品，因此，提出意象語(yǔ)義挖掘流程主要包括意象語(yǔ)義獲取、意象語(yǔ)義分析處理和意象語(yǔ)義可視化表征三個(gè)流程，如圖1所示。

二、意象語(yǔ)義挖掘的方法

（一）意象語(yǔ)義的獲取

意象的獲取不僅可以表達(dá)產(chǎn)品所含有的語(yǔ)義，還能反映出消費(fèi)者對(duì)產(chǎn)品的喜好。挖掘出用戶(hù)對(duì)產(chǎn)品的偏好需求，能為產(chǎn)品創(chuàng)新設(shè)計(jì)提供需求來(lái)源和設(shè)計(jì)方向[4]。目前，在意象獲取方面主要采用的是傳統(tǒng)的人工測(cè)量法（心理認(rèn)知測(cè)量法、生理指標(biāo)測(cè)量法）以及基于大數(shù)據(jù)的網(wǎng)絡(luò)評(píng)論文本挖掘法。通過(guò)傳統(tǒng)的方法獲取用戶(hù)的心理認(rèn)知意象，雖然簡(jiǎn)單快速，但主觀性較大，不能客觀地反映樣本的意象；而通過(guò)網(wǎng)絡(luò)爬蟲(chóng)獲取的文本數(shù)據(jù)，數(shù)據(jù)量大，能夠反映產(chǎn)品的大部分意象，另外，且能自動(dòng)對(duì)采集后的數(shù)據(jù)過(guò)濾掉重復(fù)信息，以此篩選出更準(zhǔn)確的意象。網(wǎng)絡(luò)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(jù)不同爬取的場(chǎng)景中選取不同的爬取工具，這樣爬取的效率將會(huì)提升。以Python為例，其爬取語(yǔ)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(fèi)者對(duì)產(chǎn)品的喜好，為產(chǎn)品的創(chuàng)新設(shè)計(jì)提供需求來(lái)源和意象設(shè)計(jì)方向。

以馬自達(dá)汽車(chē)設(shè)計(jì)為例，意象最早應(yīng)用在感性工學(xué)理論，而馬自達(dá)汽車(chē)是運(yùn)用意象設(shè)計(jì)方法的典型，旗下眾多乘用車(chē)通過(guò)意象設(shè)計(jì)形成家族化，根據(jù)魂動(dòng)式設(shè)計(jì)理念，馬自達(dá)系列乘用車(chē)設(shè)計(jì)風(fēng)格體現(xiàn)了家族化的設(shè)計(jì)意象，即在造型上運(yùn)用“流線(xiàn)型”來(lái)表達(dá)“運(yùn)動(dòng)感”，通過(guò)賦予“魂動(dòng)紅”的色彩更體現(xiàn)了馬自達(dá)的“大氣”的風(fēng)格。在進(jìn)行產(chǎn)品創(chuàng)新設(shè)計(jì)時(shí)，需從目前已有汽車(chē)的造型、材質(zhì)以及色彩等方面去分析用戶(hù)的感性需求，若采用人工的方式搜集樣本的語(yǔ)料，效率低且會(huì)遺漏高質(zhì)量的意象語(yǔ)義。若通過(guò)python爬蟲(chóng)程序中對(duì)相關(guān)網(wǎng)頁(yè)網(wǎng)站的在線(xiàn)評(píng)價(jià)文本進(jìn)行抓取，能夠爬取大量的語(yǔ)料。這些大量語(yǔ)料客觀地反映出用戶(hù)對(duì)馬自達(dá)汽車(chē)的喜好偏向，以此為產(chǎn)品的創(chuàng)新設(shè)計(jì)提供需求來(lái)源和意象設(shè)計(jì)方向。

（二）意象語(yǔ)義分析處理

1.語(yǔ)義數(shù)據(jù)預(yù)處理

在大量搜集意象語(yǔ)義信息時(shí)，會(huì)有許多重復(fù)的語(yǔ)義，在篩選時(shí)不能夠很好地選擇具有特征的意象語(yǔ)義，因此要進(jìn)行多方面的數(shù)據(jù)處理，其中包含文本篩選、文本分詞、去停用詞、詞頻統(tǒng)計(jì)等步驟。通過(guò)數(shù)據(jù)清洗后，可以為下一步分析數(shù)據(jù)做好充分的準(zhǔn)備。但是產(chǎn)品設(shè)計(jì)意象的領(lǐng)域性較強(qiáng)，一般的預(yù)處理工具適用性較差，而通過(guò)Jieba工具進(jìn)行處理，準(zhǔn)確率可達(dá)90%以上。而產(chǎn)品的設(shè)計(jì)意象主要是對(duì)產(chǎn)品的外在綜合品質(zhì)進(jìn)行描述，會(huì)存在較多的介詞、助詞、副詞等一些沒(méi)有實(shí)際意義的詞。Jieba在處理語(yǔ)義文本時(shí)能根據(jù)詞性將文本語(yǔ)料進(jìn)行分詞，形成設(shè)計(jì)意象詞匯。對(duì)意象詞匯進(jìn)行詞頻統(tǒng)計(jì)時(shí)需去除無(wú)實(shí)際意義的詞，去除后統(tǒng)計(jì)詞頻，得到符合馬自達(dá)設(shè)計(jì)意象詞匯，如表1所示。

2.聚類(lèi)降維

聚類(lèi)在數(shù)據(jù)挖掘中是一種重要的挖掘技術(shù)，其能夠根據(jù)數(shù)據(jù)相似性對(duì)一組看似混亂無(wú)序的原始數(shù)據(jù)進(jìn)行自動(dòng)分類(lèi)，從而使得分析人員能夠根據(jù)分類(lèi)結(jié)果快速高效地了解數(shù)據(jù)的內(nèi)部結(jié)構(gòu)和分布特征，大大減輕了分析人員的數(shù)據(jù)認(rèn)知負(fù)擔(dān)[4]。將海量意象語(yǔ)義數(shù)據(jù)進(jìn)行聚類(lèi)降維分析，從而選出具有代表性的特征詞以及特征語(yǔ)義。主要方法有K-NN算法、K-means聚類(lèi)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(jiān)督學(xué)習(xí)算法，根據(jù)樣本距離來(lái)提取和分類(lèi)所有可用案例。分類(lèi)后只需要簡(jiǎn)單地存儲(chǔ)訓(xùn)練實(shí)例，即可完成分類(lèi)[5]。由于產(chǎn)品設(shè)計(jì)意象語(yǔ)義的豐富性，詞與詞之間的關(guān)聯(lián)性復(fù)雜，根據(jù)K-NN分類(lèi)算法的特性，其需要分析測(cè)試實(shí)例與對(duì)應(yīng)的訓(xùn)練集中的全部實(shí)例間的相似程度，故而其不能高效地處理大數(shù)據(jù)時(shí)代所產(chǎn)生的海量數(shù)據(jù)[6]。

（2）K-means聚類(lèi)法

K-means聚類(lèi)法是將采集到的大量復(fù)雜數(shù)據(jù)集合分割成幾個(gè)類(lèi)，這些類(lèi)內(nèi)部都有一個(gè)中心，內(nèi)部各個(gè)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(lèi)與類(lèi)之間的距離相距較遠(yuǎn)[7]。人們對(duì)于產(chǎn)品的認(rèn)知都是具有模糊性的，各個(gè)產(chǎn)品設(shè)計(jì)元素給人不同或者相同的意象認(rèn)知，這些意象認(rèn)知復(fù)雜交揉。通過(guò)聚類(lèi)分析，可以將這些設(shè)計(jì)意象認(rèn)知區(qū)分開(kāi)來(lái)，但無(wú)法有效地區(qū)分類(lèi)目。

（3）主成分分析法

主成分分析法是一種數(shù)理統(tǒng)計(jì)過(guò)程，通過(guò)正交旋轉(zhuǎn)法將一組可能相關(guān)變量的觀察值轉(zhuǎn)換為一組稱(chēng)為主成分的線(xiàn)性不相關(guān)變量的值，主成分的確定是根據(jù)相關(guān)系數(shù)矩陣R求的特征根 ，根據(jù)特征根 大于1的值來(lái)確定主成分的個(gè)數(shù)。主成分分析是基于相關(guān)矩陣進(jìn)行分析，因此將意象詞匯詞頻轉(zhuǎn)換為相關(guān)矩陣，并進(jìn)行主成分分析，得到主成個(gè)分?jǐn)?shù)，根據(jù)主成分的累計(jì)載荷值的大小來(lái)說(shuō)明在眾多成分的貢獻(xiàn)值，以此確定產(chǎn)品的設(shè)計(jì)主意象的個(gè)數(shù)，從而達(dá)到對(duì)海量意象詞匯降維的目的。通過(guò)計(jì)算各主成分的因子載荷來(lái)確定眾多樣本中的成分因子的具體成分變量，以此更加準(zhǔn)確地定位產(chǎn)品主意象，如表2所示。

對(duì)各成分進(jìn)行回歸分析，形成成分矩陣，主要的成分根據(jù)因子載荷值大小來(lái)解釋。九個(gè)成分分別為“外觀”“流線(xiàn)型”“溜背式”“運(yùn)動(dòng)感”“材質(zhì)”“魂動(dòng)式”“金屬感”“層次感”以及“亮黑色”。這些形容詞在產(chǎn)品設(shè)計(jì)中是對(duì)設(shè)計(jì)要素進(jìn)行意象描述，例如“外觀”“流線(xiàn)型”以及“溜背式”是對(duì)產(chǎn)品外觀的意象描述；“材質(zhì)”和“金屬感”是對(duì)產(chǎn)品的材質(zhì)進(jìn)行意象描述；“亮黑色”是對(duì)產(chǎn)品的色彩進(jìn)行描述；“運(yùn)動(dòng)感”“魂動(dòng)式”以及“層次感”是對(duì)產(chǎn)品的風(fēng)格特征進(jìn)行意象描述，從眾多雜亂無(wú)章的語(yǔ)料文本通過(guò)主成分分析法降維形成9個(gè)維度的馬自達(dá)汽車(chē)設(shè)計(jì)意象。

3.確定語(yǔ)義層級(jí)關(guān)系

通過(guò)對(duì)語(yǔ)義信息的清洗以及聚類(lèi)降維處理，信息數(shù)據(jù)更加具有代表性特征，但語(yǔ)義信息還是比較混亂，沒(méi)有一定的邏輯關(guān)系，不能很好地表達(dá)語(yǔ)義之間的聯(lián)系，因此需要探討設(shè)計(jì)語(yǔ)義之間的層級(jí)關(guān)系。在對(duì)語(yǔ)義處理時(shí)，可根據(jù)語(yǔ)義之間的相似度以及類(lèi)目的一致性對(duì)其進(jìn)行層級(jí)關(guān)系的確定，主要采用的是系統(tǒng)聚類(lèi)法以及決策樹(shù)模型。

（1）決策樹(shù)

決策樹(shù)基本原理是從基本語(yǔ)義的底層開(kāi)始，通過(guò)實(shí)例的方法測(cè)試語(yǔ)義的特征，按照一個(gè)子結(jié)點(diǎn)對(duì)應(yīng)一個(gè)特征子語(yǔ)義的原則，將語(yǔ)義分配給對(duì)應(yīng)的子節(jié)點(diǎn)。繼而執(zhí)行遞歸在語(yǔ)義級(jí)別上測(cè)試分配，直到它到達(dá)其葉節(jié)點(diǎn)，就可以將語(yǔ)義之間的層次關(guān)系得到確定。但由于產(chǎn)品設(shè)計(jì)意象詞匯的特征之間存在較多的交叉性，決策樹(shù)模型對(duì)連續(xù)性的文本字段比較難預(yù)測(cè)，當(dāng)類(lèi)別太多時(shí)，錯(cuò)誤可能就會(huì)增加。對(duì)于從網(wǎng)絡(luò)在線(xiàn)評(píng)論獲取的量比較大，而且產(chǎn)品設(shè)計(jì)意象類(lèi)別較多，決策樹(shù)不適用于此類(lèi)的分類(lèi)。

（2）系統(tǒng)聚類(lèi)法

系統(tǒng)聚類(lèi)分析，又稱(chēng)層次聚類(lèi)分析，聚類(lèi)原理是根據(jù)變量之間的遠(yuǎn)近關(guān)系將最接近的對(duì)象歸為一組，從而把變量進(jìn)行聚類(lèi)細(xì)分，直到所有樣本案例或變量都聚集到一個(gè)類(lèi)別中，經(jīng)過(guò)這樣的流程，結(jié)合合適的樣本間距離和類(lèi)間距離計(jì)算公式，能夠聚類(lèi)出合適的類(lèi)目，用戶(hù)可根據(jù)自身分類(lèi)需求將目標(biāo)樣本進(jìn)行類(lèi)別的劃分。

系統(tǒng)聚類(lèi)是基于樣本的相異矩陣來(lái)進(jìn)行分析的，將馬自達(dá)設(shè)計(jì)意象的相異矩陣導(dǎo)入數(shù)據(jù)分析工具（SPSS.26）進(jìn)行系統(tǒng)聚類(lèi)分析，輸出譜系圖，根據(jù)馬自達(dá)汽車(chē)設(shè)計(jì)領(lǐng)域的知識(shí)的基本內(nèi)容，可將意象語(yǔ)義聚類(lèi)成4類(lèi)，分別是“造型”“材質(zhì)”“色彩”以及“風(fēng)格”，如圖2所示，以此可以觀察到主意象的類(lèi)目，從而挖掘出意象之間的層級(jí)關(guān)系，如表3所示。

（三）語(yǔ)義可視化表征

在處理完語(yǔ)義知識(shí)后，對(duì)得到的信息進(jìn)行整合并構(gòu)建具有互操作性的多源信息模型，該模型包含關(guān)鍵概念及其同義詞和基本事實(shí)等信息的處理以及它們之間的關(guān)系[8]。因此，通過(guò)相關(guān)模型將語(yǔ)義相關(guān)的知識(shí)進(jìn)行可視化展示，可以在相關(guān)聯(lián)的領(lǐng)域達(dá)成共識(shí)的基礎(chǔ)上，使人與設(shè)計(jì)系統(tǒng)之間的信息交換更加便捷，目前主要模型結(jié)構(gòu)有語(yǔ)義網(wǎng)模型和本體模型。

1.語(yǔ)義網(wǎng)模型

語(yǔ)義網(wǎng)是一種采用網(wǎng)絡(luò)結(jié)構(gòu)表示人類(lèi)知識(shí)的方法，用來(lái)表達(dá)復(fù)雜的概念及其之間的相互關(guān)系。其基本結(jié)構(gòu)是一個(gè)有向圖，在圖中節(jié)點(diǎn)是表征其代表對(duì)象的特征，弧是有方向的，方向用來(lái)體現(xiàn)節(jié)點(diǎn)間的主次關(guān)系，其上的標(biāo)注則表示被連接的兩個(gè)節(jié)點(diǎn)間的語(yǔ)義關(guān)系[9]，在汽車(chē)色彩設(shè)計(jì)時(shí)，不同的色調(diào)對(duì)汽車(chē)風(fēng)格意象有一定的影響。在色彩特征中，對(duì)應(yīng)的色調(diào)與亮度的顏色“象征”著汽車(chē)風(fēng)格意象“穩(wěn)重的-動(dòng)感的”，因此在語(yǔ)義網(wǎng)模型中，這些設(shè)計(jì)意象之間的邏輯關(guān)系需人工干預(yù)來(lái)完成，并需準(zhǔn)確將語(yǔ)義關(guān)系進(jìn)行標(biāo)注，以此形成語(yǔ)義網(wǎng)圖譜，如圖3所示。

2.本體模型

本體是對(duì)領(lǐng)域的知識(shí)表示，包含概念（即類(lèi)）的顯式描述、概念的特性、屬性或特征、對(duì)類(lèi)和屬性的邏輯限制[10]，其實(shí)質(zhì)是對(duì)實(shí)例、概念及其關(guān)系的明確進(jìn)行概念化表征。在語(yǔ)義挖掘后，通過(guò)使用本體的知識(shí)表達(dá)模型，將產(chǎn)品設(shè)計(jì)意象語(yǔ)義以知識(shí)圖譜的形式表現(xiàn)出來(lái)，設(shè)計(jì)師在后期進(jìn)行設(shè)計(jì)時(shí)，對(duì)意象語(yǔ)義進(jìn)行知識(shí)調(diào)用，輔助設(shè)計(jì)師快速形成設(shè)計(jì)方案。在產(chǎn)品創(chuàng)新設(shè)計(jì)過(guò)程中，通過(guò)檢索相關(guān)信息能夠找到更加符合用戶(hù)需求的信息[11]。

根據(jù)主成分分析和系統(tǒng)聚類(lèi)的方法得出的類(lèi)目層級(jí)信息，在Protégé本體構(gòu)建工具中提供了自檢推理機(jī)制，通過(guò)修改推理機(jī)制的實(shí)體、概念約束關(guān)系，可以對(duì)構(gòu)建的本體進(jìn)行修正，為知識(shí)之間的概念屬性以及關(guān)系推理提供了技術(shù)支持。因此在軟件中定義馬自達(dá)汽車(chē)設(shè)計(jì)意象本體，根據(jù)產(chǎn)品設(shè)計(jì)中的“造型”“材質(zhì)”“色彩”以及“風(fēng)格”4個(gè)“類(lèi)”，對(duì)“類(lèi)”的關(guān)系屬性進(jìn)行定義。根據(jù)聚類(lèi)后的類(lèi)目層級(jí)關(guān)系并對(duì)4個(gè)“類(lèi)”中的實(shí)例進(jìn)行填充以及實(shí)例之間的約束關(guān)系的設(shè)定，即可輸出本體知識(shí)圖譜，如圖4所示，從而為不同設(shè)計(jì)系統(tǒng)之間的知識(shí)重用和共享提供了一定的基礎(chǔ)。

三、意象語(yǔ)義挖掘技術(shù)研究展望

設(shè)計(jì)知識(shí)的在線(xiàn)挖掘與可視化表征是智能設(shè)計(jì)中重要的組成模塊，該模塊的構(gòu)建將輔助設(shè)計(jì)師利用網(wǎng)絡(luò)用戶(hù)評(píng)價(jià)獲得產(chǎn)品設(shè)計(jì)本體知識(shí)，從而進(jìn)行創(chuàng)新設(shè)計(jì)與產(chǎn)品開(kāi)發(fā)。打破設(shè)計(jì)師的思維局限性，更好地與用戶(hù)建立良好的產(chǎn)品意象認(rèn)知互動(dòng)，使得產(chǎn)品設(shè)計(jì)更加符合用戶(hù)的感性意象需求，并快速地從本體知識(shí)中獲取用戶(hù)的喜好與關(guān)注點(diǎn)。大數(shù)據(jù)技術(shù)在產(chǎn)品設(shè)計(jì)上已經(jīng)廣泛應(yīng)用，但在以感性意象為創(chuàng)新主體因素的產(chǎn)品設(shè)計(jì)上還未探索出有效、實(shí)用的數(shù)據(jù)挖掘方法。意象語(yǔ)義的挖掘獲取是產(chǎn)品創(chuàng)新設(shè)計(jì)的前端，意象語(yǔ)義語(yǔ)料的獲取是通過(guò)網(wǎng)絡(luò)評(píng)價(jià)所形成的大數(shù)據(jù)，目前該方向的研究還存在以下兩個(gè)研究難點(diǎn)：

（1）面向智能設(shè)計(jì)的基于工業(yè)設(shè)計(jì)語(yǔ)境的用戶(hù)在線(xiàn)評(píng)論體系還沒(méi)有廣泛構(gòu)建和應(yīng)用，在大數(shù)據(jù)挖掘獲取外觀設(shè)計(jì)知識(shí)時(shí)會(huì)得到大量與產(chǎn)品設(shè)計(jì)相關(guān)度不高的意象詞匯，對(duì)設(shè)計(jì)知識(shí)的表達(dá)準(zhǔn)確度有很大的影響。建立以設(shè)計(jì)語(yǔ)境為評(píng)價(jià)角度語(yǔ)義挖掘機(jī)制，將對(duì)獲取高質(zhì)量的與高貼合度的文本語(yǔ)料具有十分重要的意義。

（2）利用自然語(yǔ)言處理技術(shù)對(duì)網(wǎng)絡(luò)語(yǔ)料進(jìn)行處理時(shí)，未能有效建立詞性之間的關(guān)聯(lián)規(guī)則，無(wú)法對(duì)詞與詞之間邏輯關(guān)系以及關(guān)聯(lián)度進(jìn)行描述，在挖掘用戶(hù)評(píng)價(jià)時(shí)需構(gòu)建一套可自學(xué)習(xí)的、可關(guān)聯(lián)的意象詞匯挖掘聚類(lèi)的機(jī)制與方法，根據(jù)詞匯之間的關(guān)聯(lián)度，能夠泛化出更多具有此相關(guān)性的詞匯，以此形成更多維的、可擴(kuò)展的設(shè)計(jì)知識(shí)表征模型。因此，以機(jī)器學(xué)習(xí)為主的大數(shù)據(jù)挖掘技術(shù)將是本研究的關(guān)鍵點(diǎn)，

通過(guò)數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、知識(shí)圖譜構(gòu)建基于產(chǎn)品感性意象的設(shè)計(jì)知識(shí)挖掘系統(tǒng)，將使設(shè)計(jì)師能更好地掌握產(chǎn)品設(shè)計(jì)的本體意象，并實(shí)現(xiàn)設(shè)計(jì)知識(shí)共享與重復(fù)調(diào)用。

結(jié)論

對(duì)于設(shè)計(jì)師而言，產(chǎn)品創(chuàng)新設(shè)計(jì)并不僅僅對(duì)產(chǎn)品進(jìn)行設(shè)計(jì)，更需要滿(mǎn)足用戶(hù)的需求，讓用戶(hù)感受到產(chǎn)品意象含義，從而達(dá)到“以人為中心”的原則。另外，在智能設(shè)計(jì)越來(lái)越受重視的時(shí)代，更要重視優(yōu)化創(chuàng)新的思維、技術(shù)、方法及理念。通過(guò)分析相關(guān)技術(shù)在大數(shù)據(jù)理論下進(jìn)行收集數(shù)據(jù)、分析數(shù)據(jù)、歸納數(shù)據(jù)等應(yīng)用具有一定的研究?jī)r(jià)值。通過(guò)對(duì)語(yǔ)義分析處理和語(yǔ)義形式化表征以及語(yǔ)義挖掘方法3個(gè)方面進(jìn)行分析和闡述，并得出采用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)獲取設(shè)計(jì)意象主成分分析以及系統(tǒng)聚類(lèi)的方法確定產(chǎn)品主意象的類(lèi)目，然后通過(guò)本體的形式將產(chǎn)品設(shè)計(jì)意象進(jìn)行概念化表征，形成知識(shí)圖譜這種產(chǎn)品設(shè)計(jì)意象挖掘的流程能夠定位產(chǎn)品設(shè)計(jì)意象，并指導(dǎo)產(chǎn)品創(chuàng)新設(shè)計(jì)。最后對(duì)意象語(yǔ)義挖掘技術(shù)進(jìn)行了展望，通過(guò)大數(shù)據(jù)將海量信息形成知識(shí)表示網(wǎng)絡(luò)并整合到產(chǎn)業(yè)鏈資源，以數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)產(chǎn)品設(shè)計(jì)智能化是設(shè)計(jì)趨勢(shì)。

基金項(xiàng)目：甘肅省自然科學(xué)基金（20JR10RA165）。

參考文獻(xiàn)

[1]羅仕鑒，田馨，梁存收等. 設(shè)計(jì)產(chǎn)業(yè)網(wǎng)構(gòu)成與創(chuàng)新模式[J]. 裝飾，2021（06）：64-68.

[2]刁煥. 基于用戶(hù)感性需求的高精密天平設(shè)計(jì)研究[D].天津大學(xué)，2012

[3]蘇建寧，張秦瑋，張書(shū)濤等. 產(chǎn)品造型意象進(jìn)化設(shè)計(jì)研究進(jìn)展[J]. 機(jī)械設(shè)計(jì)，2014，31（12）：97-102.

[4]章蓉，陳誼，張夢(mèng)錄，孟可欣. 高維數(shù)據(jù)聚類(lèi)可視分析方法綜述[J]. 圖學(xué)學(xué)報(bào)，2020，41（01）：44-56.

[5]宋云勝，王杰，梁吉業(yè). 基于數(shù)據(jù)劃分的k-近鄰分類(lèi)加速算法機(jī)理分析[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，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(lèi)模型在感性設(shè)計(jì)中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào)，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(yǔ)義網(wǎng)絡(luò)的知識(shí)表示的形式轉(zhuǎn)換及推理[J]，武漢大學(xué)學(xué)報(bào)（信息科學(xué)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(guān)聯(lián)規(guī)則與K-means的領(lǐng)域本體構(gòu)建方法[J]. 河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（01）：24-32.

[12]譚影，張凌浩.大數(shù)據(jù)賦能下的家電品牌售后服務(wù)設(shè)計(jì)策略研究[J].設(shè)計(jì)，2022，35（2）：96-99.

[13]付文娟，呂健，于佳雯等.基于可拓實(shí)例推理與用戶(hù)需求的產(chǎn)品設(shè)計(jì)方法[J].設(shè)計(jì)，2023，36（1）：91-95.