**浙江省公益技术应用研究计划项目（编号:LGG20E050010；LGG18E050002）
□ 刘名成 口 战洪飞 □石幸 口 王雨潇
宁波大学机械工程与力学学院浙江宁波315211
电磁炒灶摘 要：在全球市场个性化的环境中，设计出较高竞争力产品的关键是准确、快速掌握用户的需求。
针对这一问题，提出了面向产品设计的用户需求重要度分析方法。面向产品设计的用户需求重要度分 析方法运用数据挖掘技术确定用户需求，综合用户关注度和满意度指标参数，采用TextRank 算法，构建
评价语料池，建立重要度综合评测参数计算模型，进而指导设计者选择科学、有效的设计方向。通过冰 箱设计实例验证了这一方法的有效性和实用性，可以为产品设计开发提供决策和参考。
关键词：产品用户设计需求重要度
中图分类号：TH122 文献标志码:A 文章编号：1000 -4998(2020)12-0001 -09
Abstract : In the personalized environment of the global market , the key to designing more com
petitive
product is to grasp the user * s needs accurately and quickly. In response to this issue , an analytical approach of
the importance of user * s needs for product design was proposed. The analytical approach of the importance of user 5 s needs for product design uses data mining technology to determine user 5 s needs , integrates index
parameters on user * s attention and satisfaction. The TextRank algorithm is used to construct an evaluation corpus pool , and a comprehensive evaluation parameter calculation model for importance is established to guide designer to choose a scientific and effective design orientation. The effectiveness and practicability of this
method were verified through a design example for refrigerator , which could provide decision -making and reference for product design and development.
Keywords : Product User Design Need Importance
1研究背景
近年来，随着电子商务的兴起，互联网中出现了大 量针对产品的用户在线评论数据，这些评论数据大多
是用户根据自身对产品的切身体验给出的，表达了用 户对当前产品性能或服务缺陷的不满和对下一代产品
开发满足自身需求的期望，是用户内心需求强有力的
表达。对这些评论数据进行有效挖掘，企业可以从中 了解用户对企业产品的态度，获取用户最新的需求，从
而提高产品质量，更好地为用户服务。如何从庞大杂 乱的数据中识别用户需求的重要程度及隐含的创新价 值是首要问题，也是笔者试图解决的问题。随着大数据技术的发展，越来越多的研究者开始 关注评论数据的研究，如产品特征提取E 、情感倾向分 析、评论数据有用性分析等。还有很多学者基
于评论数据进行应用研究，如Liu Yang 等回提出一种 基于满意度分析技术和直觉模糊集理论的商品在线评
价方法，用以辅助消费者购买决策。为了为产品设计
人员提供知识服务，林园园、战洪飞等㈢基于大数据方
法对多源数据进行充分挖掘，提出数据驱动的产品设
计知识服务模型。为了确定最优的服务要素配置方
案，于超等畑以用户满意度最高为原贝！J，对评论数据挖 掘技术与求解优化数学模型进行融合。在对产品进行
综合评价过程中，宋君、战洪飞等切基于评论数据，通 过关注度及情感倾向构建产品综合评价矩阵。在对评
论数据需求挖掘方面，涂海丽等问将Kano 模型与评
论数据满意度挖掘相结合，提出基于评论数据的需求
挖掘模型。为了进一步挖掘用户潜在需求,Zhou Feng 等何通过对评论数据的挖掘及常见用例与非常见用
例的分析、推理，挖掘出用户的潜在需求，并提出用户 潜在需求获取模型。为了应对如今高频率的产品迭 代，杨程等购通过建立关注度、满意度等指标体系和
观点挖掘，提出一种基于评论大数据的产品设计改进 方法。从上述研究中可以看出，对于评论数据的研究,
机植制造"总第676期
2020,58(12) | 1
较多体现在用户的关注度及满意度。从企业产品设计角度看问题，业务决策者最关注用户评论隐藏的用户需求对产品设计的重要性。用户需求的重要性既与用户的关注度相关，也与用户的满意度相关，并与具体产品设计定位密切相关。笔者结合产品设计需求的特点，综合运用关注度与满意度指标，构建重要度评价体系与重要度计算模型，挖掘用户需求信息对产品设计的重要程度，从而为产品设计的改进及产品升级换代提供参考。
2面向产品设计的用户需求重要度计算模型用户需求重要度是相对于产品设计业务决策问题而言的，是用户不同需求的重要程度及用户评论中潜在创新价值的衡量指标。在评论数据中，产品的评论数据所反映的评价内容具有很強的主观能动性，能够由用户关注度和用户满意度两个评价指标反映用户对不同需求的期望实现程度。满意度越低，关注度越高，需求期望实现程度越高，用户需求的重要程度及潜在的创新价值就越高。因此，用户需求重要度指标与用户关注度、满意度最为密切相关，关注度与满意度两者互为补充，是重要度综合指标的两个维度。面向不同的业务活动，用户需求的价值性是
不同的，需要基于不同的业务需求，对用户评论中所体现的用户需求进行筛选。对此，在对用户需求满意度和关注度的计算过程中，基于期刊、专利数据和TextRank算法构建产品设计需求筛选库，使设计人员聚焦于与产品设计密切相关的用户需求。同时，为了精确计算评论数据中的用户需求满意度和关注度，需要考虑不同产品领域的用语不一样，且评论数据中包含了丰富的不规则用语，基于人工方式构造词典工作量较大。对此，笔者采用TextRank算法、词典和规则相结合的方法，构建用户需求重要度评价要素池。在用户需求重要度评价要素池对评论数据中用户需求关注度和满意度精确计算的基础上，对用户需求满意度和关注度进行分析，引入二八定律，构建用户需求重要度综合评测参数。面向产品设计的用户需求重要度计算模型包括需求重要度计算层、关注度与满意度计算层、产品设计需求筛选层和用户需求挖掘层四个部分，如图1所示。
K
卧
S0
算
需求重要度计算层
确定单个用户
关注的用户需求
用户需求
关注占比
关注度
获得单个用户对
用户需求的情感
强度
用户需求
情感强度
均值
满意度
―
二
八
定
律
用户需
求重要
度分析
模型
用户需
求重要
度确定
面向产品设
水润滑轴承计的用户需求重要度计算模型关注度与满
意度计算层
评论数据
情感词
］交集］
特征词与
T产品设计
设计需求dc偏置
映射库
用户需求重要度评价要素池构建
否定副词、
程度副词
词典构建
及修正因
子确定
ABC
模糊
评价
产品特征
词、情感诟
词典构建
及情感词
极性确定
连词词典
构建及修
正规则
确定
检测窗口
设置筛选后的
特征词
___________
分词和停用
词处理
TextRank算法
进行主题词/
抽取
词性筛选与
功能词、效
果词确定
产品设计需求
筛选库建立
保健牙膏■
▲图1面向产品设计的用户需求重要度计算模型
2|
2020,58(12)
(1)需求重要度计算层。通过用户需求重要度评价要素池对评论数据进行检测，识别出产品设计用户需求，并计算出满意度及关注度。不同具有潜在创新价值的产品设计需求对应不同的满意度和关注度。为了识别出高创新价值的用户需求，引入二八定律，将满意度和关注度作为坐标轴形成的区域划分为具有不同创新价值的四个区域。对用户需求所处区域的位置以面积的形式进行描述，并归一化处理衡量用户需求重要度。
(2)关注度与满意度计算层。关注度和满意度是衡量用户需求重要度的量化指标。为了精确计算用户需求的满意度和关注度，在体系指标分析的基础上，基于TextRank算法、词典和规则构建用户需求重要度评价要素池。在对用户需求满意度计算的过程中，考虑程度副词、否定副词对情感倾向的影响，并
将连词对情感倾向的影响也考虑在内，同时给出相应的用户需求满意度计算方法，以便对用户需求满意度进行特征词级的计算。
(3)产品设计需求筛选层。经专利或期刊数据抓取、停用词和分词处理、主题词抽取、词性筛选等操作，构建产品设计需求筛选库，从用户需求特征词集合中筛选出设计需求特征词。
(4)用户需求挖掘层。用户需求重要度计算模型从用户需求挖掘开始，通过评论数据采集、数据预处理、特征词与情感词提取，构建用户需求特征词、情感词词典，通过特征词与产品设计需求映射库检测，确定用户需求。
3用户需求重要度计算流程
3.1流程概述
用户需求重要度的计算从用户评论需求挖掘开始，通过对评论数据中特征词及情感词的挖掘获取用户需求，结合外部词典对评价要素池进行初步构建。在评价要素池的初步构建过程中，为了对用户需求进行识别及统计，考虑特征词与用户需求间存在映射关系，构建特征词与用户需求映射库。在评价要素池对情感强度的计算过程中，考虑同一情感词修饰不同的用户需求所对应的特征词时表达的情感可能会不同，如情感词“大”在修饰特征词“噪声”时为负向情感，而在修饰特征词“冰箱容量”时则为正向情
高精度室内定位感。为了使情感分析结果更为精确，需要对每个特征词构建相应的情感词词典。同时，考虑副词、连词对情感强度的影响，构建副词及连词词典，确定副词情感因子及连词修正规则。为了检测评论数据中各词语的词性、位置及数量，考虑设置检测窗口。为了对产品设计需求进行筛选，通过期刊及专利数据的挖掘构建产品设计需求筛选库，用于从用户评论需求中筛选出设计需求，并完成特征词与用户需求映射库向特征词与产品设计需求映射库的转换，以及特征词、情感词词典的重构，进而完成评价要素池的重构，实现面向产品设计决策的评价要素池构建。
在评价要素池对评论数据进行检测后，对用户需求重要度指标进行计算及分析，构建用户需求重要度评测参数。
3.2数据采集与预处理
在评论数据中，用户需求为用户对产品性能的评价。同一款产品中，同一个性能可以由不同的特征词来表示，即特征词F与用户需求S r存在映射关系：S r=/(F)(I)对用户需求的识别过程，也是评论数据中特征词F及情感词的挖掘过程。
笔者所采集的数据主要服务于产品的升级工作，因此采集的数据必须是待改进产品的评论信息。由于采集的评论数据具有冗余、非结构化、杂乱等特点，因此在采集完用户评论数据后，需要对所采集的评论数据进行预处理。针对评论数据的预处理流程包括三个步骤。
(1)剔除无效评论及符号。由于评论数据中存在大量重复、无用的评论信息，这些信息会对评价要素池的构建及满意度和关注度的计算产生干扰，因此主要考虑剔除两类干扰信息。第一类为重复评论。用户在评论过程中，为了获得积分等，采取复制其他用户评论数据的行为，因此需要对重复评论数据进行剔除。第二类为无用评论。评论数据中，无用评论不能体现用户对产品性能的评价信息。
(2)分词处理并标注词性。借助Python中文分词工具对用户在线评论进行分词处理和词性标注。
(3)停用词过滤。停用词指在句子中出现的词频较高但信息含量低的词。停用词会对评价要素池的构建产生干扰，为了提高评价要素池构建的效率及准确性，有必要对评论数据进行停用词过滤=
3.3特征词、情感词词典构建
不同产品领域的特征词词典不同，所对应的情感词也千差万别，按照人工方式构造词典，工作量较大。TextRank算法问是一种基于图排序的算法，在特征词提取过程中，通过词频共现建立图模型，以对特征词进行提取，具有良好的效果。
特征词与情感词往往以共现的形式出现，因此笔者采用基于TextRank算法的无监督特征词与情感词词对提取方法。
TextRank算法将文本分割成若干单词，以每个词作为顶点，所有顶点形成一个网络，建立图模型。利
用
机植制造"总第676期2020,58(12)|3
投票机制，计算各顶点的权重值大小，即：
W--
^s(K)=(1—〃)+d^-r^W s(V j)(2)
喰W2-13j,k
式中皿为阻尼因子，一般设置为0.85；叫、岭为不相同的任意两节点；“％)为指向顶点V，的所有顶点集合；0(匕)为由顶点匕连接出去的所有顶点集合；叫为顶点匕和匕的连接权重；％(%)、理(匕)分别为顶点％、匕的最终排序权重；％为顶点匕连接出去的顶点；®/为顶点匕和V k的连接权重。
at89s52最小系统特征词、情感词词典构建流程如图2所示。经过预处理的评论数据通过TextRank算法确定词语的最在评论数据中，特征词和情感词通常以共现形式出现，特征词、情感词词对出现的频率较高。为了构建特征词、情感词词典，筛选出包含特征词几的短语，并合并形成特征词几所对应的文档足。将经过预处理的文档见经TextRank算法抽取出与特征词几组成的词对，由于情感词往往由形容词、副词、动词
构成，筛选出与特征词几组成的词对中词性为形容词、副词或动词的词，并与情感词词典提供的正负向情感分析词语集取交集，形成特征词几对应的正负向情感词，由人工筛选与调整词极性判断错误的情感词。遍历特征词集合F s中的其它特征词，重复上述操作，完成特征词、情感
终排序权重，抽取出若干特征词，形成特征词集合F sO词词典的初始构建。
3.4特征词与用户需求映射库构建
特征词、情感词词典中的特征词，是用户评论需求特征词。根据特征词、情感词词对，可确定特征词对应的用户需求。由于用户评论需求特征词集合尺中的特征词数量较多，对应的用户评论需求种类也繁多，因此直接构建特征词与用户需求映射库较为烦琐。对此，笔者抽取评论特征词集合尺中出现频率较高的主题词，初步构建特征词与用户需求映射库。相同特征词对应的不同情感词所表达的需求一般具有相似性，如在冰箱设计中特征词与情感词词形成的词对“声音吵”和“声音大”，所对应的用户需求均为“降低噪声”O 特征词与用户需求间的映射具有模糊性，因此采用ABC模糊评价法，根据特征词、情感词词对确定各特征词对应的用户需求，同时对相似的用户需求特征词
4|2020,58(12)
O676jfllKS!liH
进行合并，进而建立特征词与用户需求映射库O
3.5 副词、连词词典构建
副词包括程度副词与否定副词，连词主要分为让 步连词、并列连词、转折连词、递进连词等。副词和连
词的存在会对情感强度产生影响。在副词和连词词典 的构建过程中，王晓耘等网将程度副词分为极量、高
量、中量、低量四种等级，并对不同等级的程度副词赋 予不同的权重。笔者在借鉴的基础上，对程度副词词 典进行构建，并赋予相应的修正因子。同时结合字典， 构造否定副词词典。否定副词的修正会导致情感极性
的变化，因此其修正因子为-1。文献［15］副词词表 见表1。
表1副词词表
别
类度词
程副量
低6量 中9量 高2量
极5定词
否副-
1
在连词词典构建过程中，参考文献［15］，在词典 的基础上构建连词词表，见表2。连词对情感强度可
以按四种方式进行修正。
表2连词词表
类别
词语
并列连词和、跟、况且…
转折连词虽然…但是、却、不是…而是、尽管、然而…
递进连词且、并、不但…让步连词
即使…也
(1) 在单条评论数据中有转折连词，且转折连词 前后对应同种含义的用户需求所对应的特征词，如 “容量较小，但是够用”，按转折连词后的情感权重确
定该条评论中用户需求的情感权重。
(2) 在单条评论数据中有并列连词，且并列连词
前后对应同种含义的用户需求所对应的特征词，如 “声音小和低”，用户需求对应的情感权值分别为g 和
h ，那么该用户需求的情感倾向性权值为(g +仍/2。
(3) 在单条评论数据中有递进连词，且递进连词
前后对应同种含义的用户需求所对应的特征词，如 “容积大且很足”，用户需求对应的情感权值分别为g
和人，那么该用户需求的情感倾向性权值为(g + h)/
2 x 1. 5O
(4) 在单条评论数据中有让步连词，且让步连词
前后对应同种含义的用户需求所对应的特征词，如 “即使容积很大，我也觉得不好”，用户需求对应的情
感权值分别为g 和处那么该用户需求的情感倾向性
权值为hxl.2o
3.6 检测窗口设置
为了有效根据已经建立的词典、库或规则从评论 数据中识别出用户需求，并对关注度和满意度进行计
算，有必要设置用户需求所对应的特征词、特征词所对 应的情感词，以及副词和连词的检测窗口。通过对评 论数据进行分析，总结出检测窗口的设置方法。
特征词及其所对应的情感词的检测窗口应用于检 测单个句子，由于特征词与其所对应的情感词以键值
对形式存在于词典中，因此可设置双窗口分别对特征 词及其所对应的情感词进行检测。在第Z 条评论中，
特征词检测窗口检测到用户需求S r 对应的特征词，且
情感词检测窗口检测到用户需求S r 的特征词所对应
情感词的极性％，若为正面情感，则％为1，若为负面
情感，则％为-1，可见％ W { -1,1( O
根据中文的语法结构，程度副词往往出现在情感 词的前后文，否定副词往往出现于情感词的前文，因此 将程度副词检测窗口设置于情感词的前后文。在第i
条评论中，若用户需求S r 的特征词所对应情感词的前
后文检测到程度副词，则按照程度副词对情感强度的 改变因子X 进行修正。否定副词的检测窗口设置于
情感词的前文，并将窗口大小设为5。在第i 条评论 中，若用户需求S r 的特征词所对应情感词的前文检测 到否定副词，则按否定副词的个数％对情感强度进行
修正。
连词检测窗口应用于检测整个单句。在第i 条评
论中，若检测到用户需求S r 的特征词及连词，则按连 词对情感强度的修正方法进行修正O
3.7产品设计需求筛选库构建
评论数据中所体现的用户需求，在不同的业务中
价值会有差异。为了从评论数据中提取、识别、筛选出 与产品设计密切相关的设计需求，需要构建产品设计
需求筛选库。产品设计中，用户需求更加关注于产品 性质指标的反映，因而基于用户需求的这一特点，产品
设计中用户需求特征词汇为产品功能词与产品效果词 的集合。
产品设计需求筛选库中用户需求特征词的构建过 程也是产品功能词与产品效果词的挖掘过程。产品功
能词为形容产品功能的词的集合，如制冷、保鲜等。产
品效果词为单独或与情感词形成词组的体现用户对产
品功能评价的词语集合，如物美价廉、美观、容量等。 期刊文献与专利中，技术信息、设计方法、创新结构等
最新成果的介绍及进行的评价与验证，都为基于机器 学习的产品设计需求筛选库构建提供了便捷条件。产 品设计需求筛选库筛选流程如图3所示。
机植制造"总第676期
2020,58(12)
| 5
