劉 斌， 朱 明， 王景華， 張 利， 李獻會

（1.合肥工業(yè)大學(xué) 計算機與信息學(xué)院，安徽 合肥 230009；2.齊魯師范學(xué)院 計算機系，山東 濟南 250002；3.合肥工業(yè)大學(xué) 機械與汽車工程學(xué)院，安徽 合肥 230009；4.洛陽軸研科技股份有限公司，河南 洛陽 471039）

0 引言

用戶需求獲取作為產(chǎn)品概念設(shè)計最前端過程，是概念設(shè)計所要滿足的設(shè)計目標的直接來源，對于新產(chǎn)品開發(fā)能否成功有著至關(guān)重要的影響。國內(nèi)外對用戶需求獲取進行了相關(guān)研究。文獻［1－5］通過QFD技術(shù)進行需求分析，為研究用戶需求提供了通用框架。文獻［6］采用Apriori算法挖掘用戶需求信息，實現(xiàn)了對關(guān)聯(lián)規(guī)則的有效提取。文獻［7］運用規(guī)則挖掘和模糊聚類的方法，完成了用戶需求與專家知識間的相互轉(zhuǎn)換。上述研究分別從不同角度利用不同工具研究需求信息，但是，如何將用戶需求中潛在的、變換的需求信息進行有效的提取、轉(zhuǎn)化，沒有得到很好的解決。

數(shù)據(jù)挖掘是一個從數(shù)據(jù)中找出某些模式的過程，這個過程必須是自動或是半自動的，而找出的模式應(yīng)能夠解釋數(shù)據(jù)中的某些現(xiàn)象。在數(shù)據(jù)挖掘中，關(guān)聯(lián)規(guī)則挖掘是一個重要的研究方向。企業(yè)通過挖掘用戶需求信息中的關(guān)聯(lián)規(guī)則，可以發(fā)現(xiàn)歷史數(shù)據(jù)庫中暗含的設(shè)計知識，以顯式形式表達出來。本文結(jié)合數(shù)據(jù)挖掘和可拓變換，通過粒子群算法挖掘用戶需求的關(guān)聯(lián)規(guī)則知識；利用可拓變換方法生成新的可拓變換知識，以使工程師更好地理解、預(yù)測用戶的潛在需求，設(shè)計出用戶真正想要的產(chǎn)品。

1 用戶需求信息中的關(guān)聯(lián)規(guī)則

1.1 關(guān)聯(lián)規(guī)則概念

關(guān)聯(lián)規(guī)則挖掘是由文獻［8］對購物籃分析時首先提出的，用以發(fā)現(xiàn)商品銷售中的顧客購買模式。

用戶需求信息中的關(guān)聯(lián)規(guī)則挖掘意味著生成一系列有價值的IF－THEN規(guī)則，將用戶需求信息數(shù)據(jù)分為若干屬性的集合，確定出條件屬性集合和結(jié)論屬性集合，則每個規(guī)則由來自用戶需求信息數(shù)據(jù)庫的條件屬性和結(jié)論屬性組成。例如，以摩托車產(chǎn)品為例，一條關(guān)聯(lián)規(guī)則可以是：IF（摩托車顏色為藍色）THEN（摩托車的價格比較便宜）。這條關(guān)聯(lián)規(guī)則可以幫助工程師理解客戶需求，在設(shè)計定制化產(chǎn)品時作為參考。

條件屬性集為C＝（c1，c2，…，cm），每個ci表示一個條件屬性；結(jié)論屬性集D＝（d1，d2，…，dn），每個di表示一個結(jié)論屬性；這里對于條件屬性cm的屬性值取值范圍為區(qū)間［1，Jm］任一整數(shù)，｛1，2，…，Jm｝對應(yīng)于條件屬性cm的所有可選項同理，結(jié)論屬性dn的屬性值所有記錄為為歷史記錄的數(shù)量。

綜上所述，基于用戶需求信息的一條關(guān)聯(lián)規(guī)則可以表示為：

1.2 評價準則

支持度與置信度是描述關(guān)聯(lián)規(guī)則的2個主要指標。對于數(shù)據(jù)庫T中一條關(guān)聯(lián)規(guī)則，描述為IFETHENF，其中E包括了若干條件屬性，F(xiàn)包含了若干結(jié)論屬性。由此給出支持度sp與置信度cn的計算公式：取值范圍為區(qū)間［1，Jn］中的任一整數(shù)。數(shù)據(jù)庫中

其中，｜T｜為數(shù)據(jù)庫中記錄的數(shù)量；T（E＆F）為記錄中同時出現(xiàn)E、F的樣本數(shù)目；T（E）為記錄中出現(xiàn)E的樣本數(shù)目。支持度描述了關(guān)聯(lián)規(guī)則普遍性，置信度用以衡量關(guān)聯(lián)規(guī)則的準確性。

本研究通過設(shè)定支持度和置信度閾值來選取關(guān)聯(lián)規(guī)則。

2 基于粒子群算法的關(guān)聯(lián)規(guī)則挖掘

當前，進化型算法（Evolutionary algorithms，簡稱EAs）應(yīng)用于關(guān)聯(lián)規(guī)則挖掘的方法被廣泛應(yīng)用于各個領(lǐng)域［9－10］。應(yīng)用粒子群算法挖掘關(guān)聯(lián)規(guī)則尚不多見，比較其他進化型算法，粒子群算法具有簡單、易實現(xiàn)、計算過程中需調(diào)整的參數(shù)較少等優(yōu)點。

2.1 粒子群算法

在粒子群算法中，每一個粒子即是算法的一個候選解。粒子i的當前位置可以表示為：xi＝（xi1，xi2，xi3，…，xid），其飛行速度為：vi＝（vi1，vi2，vi3，…，vid）；飛行歷史中的最優(yōu)位置為pi＝（pi1，pi2，pi3，…，pid）；所有粒子的全局最優(yōu)位置pg＝（pg1，pg2，pg3，…，pgd）。速度和位置分別按（3）式、（4）式更新，即

其中，ω為慣性權(quán)重，較大時適合于對解空間進行大范圍搜索，較小時適合于進行局部搜索；c1，c2為加速常數(shù)；r1，r2為［0，1］之間的隨機數(shù)；t為當前迭代次數(shù)；ωstart為慣性權(quán)重的起始值；ωend為慣性權(quán)重的終止值。

2.2 用戶需求信息關(guān)聯(lián)規(guī)則的編碼

對企業(yè)數(shù)據(jù)庫中的用戶需求信息數(shù)據(jù)屬性進行轉(zhuǎn)換，得到符合數(shù)據(jù)挖掘的數(shù)據(jù)模式。關(guān)聯(lián)規(guī)則挖掘是在條件屬性和結(jié)論屬性之間進行的，對于粒子群算法編碼，需完成將關(guān)聯(lián)規(guī)則轉(zhuǎn)化為粒子。一條關(guān)聯(lián)規(guī)則向量S的編碼為：S＝（s1，s2，…，sm，sm＋1，sm＋2，…，sm＋n），向量的前m項對應(yīng)于C＝ （c1，c2，…，cm），向 量 的 后n項 對 應(yīng)于D＝（d1，d2，…，dn）。

其中，si為區(qū)間（1，Ji＋1）上均勻分布的隨機數(shù)；Ji為i位對應(yīng)屬性的最大屬性值；［si］表示si所對應(yīng)屬性值（［＊］表示取下整數(shù)）。

每個粒子前件項對應(yīng)于條件屬性，后件項對應(yīng)于結(jié)論屬性。條件屬性集中每個屬性ci及結(jié)論屬性集中每個屬性di都對應(yīng)著粒子中的一個數(shù)據(jù)位，粒子為m＋n維向量。

2.3 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)用于評價粒子的優(yōu)劣，通過適應(yīng)度函數(shù)評價，可以選出較優(yōu)的候選解集。適應(yīng)度的大小顯示了粒子對于目標函數(shù)的適合程度，是用以評價粒子好壞的唯一標準。

為了得到支持度與置信度都較為滿意的關(guān)聯(lián)規(guī)則，本文采用對支持度與置信度分別設(shè)置閾值，并要求同時滿足的方法對挖掘出來的關(guān)聯(lián)規(guī)則進行評價，即選用支持度與置信度函數(shù)作為候選解的適應(yīng)度評價函數(shù)。

2.4 算法流程

（1）將數(shù)據(jù)庫中需求信息編碼，隨機產(chǎn)生初始種群，并初始化各參數(shù)。

（2）取出粒子，對該粒子進行處理，得到一條規(guī)則；對規(guī)則中的每個屬性排列組合產(chǎn)生潛在規(guī)則集P，計算規(guī)則集P中每個規(guī)則的適應(yīng)度值，刪除小于閾值的規(guī)則，余下規(guī)則存儲于規(guī)則庫G中，并且記下P中適應(yīng)度最高的規(guī)則比較個體歷史最優(yōu)和種群全局最優(yōu)，并更新個體歷史最優(yōu)和種群全局歷史最優(yōu)；更新粒子的速度和位置。

（3）判斷是否滿足終止條件，若滿足，算法結(jié)束；若不滿足，則返回步驟（2）繼續(xù)執(zhí)行。

（4）將規(guī)則庫G中的數(shù)字化規(guī)則進行解碼，轉(zhuǎn)化為用戶識別的關(guān)聯(lián)規(guī)則。

3 基于可拓變換的新規(guī)則生成

對于上述挖掘出的IF－THEN規(guī)則知識，分別對前件E和后件F尋求可拓變換，形成新的可拓變換規(guī)則知識［11］。

定理1 給定規(guī)則E1?F1，E2?F2。若存在條件的可拓變換φE1＝E2，一定存在變換φ′，使φ′F1＝F2，則存在規(guī)則：

定理2 給定規(guī)則E1?F1，E2＆E3?F1。若存在條件的可拓變換φE2＝E1，則存在規(guī)則：

上述定理用于對規(guī)則進行推理，以形成可拓變換規(guī)則。

4 實例驗證

以某企業(yè)摩托車產(chǎn)品需求信息為例。假定數(shù)據(jù)庫需求信息有車型、顏色、體積、外觀、安全性、舒適性、價格、滿意度8個屬性，共有10條用戶交易記錄，見表1所列。

表1中第1列是用戶需求的相關(guān)屬性名稱，每一行代表一條交易記錄，因用戶需求多以語言形式表述，需將屬性數(shù)字化。

表1 用戶交易記錄

由表1可見，根據(jù)實際需要將屬性分為條件屬性集C和結(jié)論屬性集D，并用區(qū)間［1，Jm＋n］中任意整數(shù)表示需求屬性不同等級，即屬性值，見表2所列。

算法參數(shù)設(shè)置如下：種群規(guī)模N＝20，最大迭代次數(shù)M＝200，ωstart＝0.9，ωend＝0.4，加速常數(shù)c1＝c2＝2，vmin＝－1，vmax＝1，支持度和置信度閾值分別為sp＊＝0.25，cn＊＝0.60。

根據(jù)以上建立的數(shù)學(xué)模型與設(shè)計的算法，利用MATLAB7.0編程進行關(guān)聯(lián)規(guī)則的挖掘，最終得到滿足適應(yīng)度函數(shù)的關(guān)聯(lián)規(guī)則集，都具有較高的支持度和置信度，見表3所列，得到了13條關(guān)聯(lián)規(guī)則及其2個指標值。

從表3中可以看出，挖掘出關(guān)聯(lián)規(guī)則前件項最多包含2個屬性，后件項僅含1個屬性，這樣的規(guī)則易于理解與分析。

表2 交易記錄數(shù)字化

表3 挖掘出的關(guān)聯(lián)規(guī)則

參照表1對表3中的規(guī)則加以解碼，并分別對前件和后件進行可拓變換，再運用（7）式和（8）式推理出可拓規(guī)則知識。因規(guī)則較多，這里僅以個例說明推理過程。

例如對第7條和第13條規(guī)則解碼，得到以下關(guān)聯(lián)規(guī)則。

第7條規(guī)則：IF（車價格昂貴）THEN（舒適性良好）；第13條規(guī)則：IF（車體積較大＆價格適中）THEN（舒適性一般）。

對上述解碼后的關(guān)聯(lián)規(guī)則存在可拓變換φ和φ′使得：

由（7）式得到可拓變換規(guī)則：

5 結(jié)束語

基于數(shù)據(jù)挖掘和可拓變換的需求獲取方法，將粒子群算法用于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘，通過設(shè)定支持度和置信度閾值尋取規(guī)則知識，實現(xiàn)了挖掘用戶需求可拓規(guī)則知識的功能。因閾值選取通常依據(jù)設(shè)計者經(jīng)驗進行決策，主觀性較強，故閾值大小的選取方法是下一階段重點研究的問題。

［1］許永平，石福麗，楊 峰，等.基于QFD與作戰(zhàn)仿真的艦艇裝備需求分析方法［J］.系統(tǒng)工程理論與實踐，2010，30（1）：167－172.

［2］熊 偉，王曉暾.基于質(zhì)量功能展開的可信軟件需求映射方 法 ［J］.浙 江 大 學(xué) 學(xué) 報：自 然 科 學(xué) 版，2010，44（5）：881－886.

［3］王曉暾，熊 偉.質(zhì)量功能展開中顧客需求重要度確定的粗糙層 次 分 析 法 ［J］.計 算 機 集 成 制 造 系 統(tǒng)，2010，16（4）：763－770.

［4］宋 欣，郭 偉，劉建琴.QFD中用戶需求到技術(shù)特性的映射方 法 ［J］.天 津 大 學(xué) 學(xué) 報：自 然 科 學(xué) 版，2010，43（02）：174－179.

［5］鮑 宏，劉光復(fù)，張 雷，等.面向綠色設(shè)計的客戶需求轉(zhuǎn)化方法研究［J］.合肥工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2010，33（4）：481－486.

［6］Liao S S，Hsieh C，Huang Suiping.Mining product maps for new product development［J］.International Journal of Production Research，2006，44（18）：4027－4041.

［7］Jiao J，Zhang L，Zhang Y，et al.Association rule mining for product and process variety mapping［J］.International Journal of Computer Integrated Manufacturing，2008，21（1）：111－124.

［8］Avasere A，Omiecinski E，Navathe S.An efficient algorithm for mining association rules［C］／／Proceedings of the AAAI Workshop on Knowledge Discovery in Databases，1994：181－192.

［9］Li Cunrong，Yang Mingzhong.Association rules data mining in manufacturing information system based on genetic algorithms［C］／／3rd International Conference on Computational Electromagnetics and Its Applications，ICCEA 2004：153－156.

［10］Li Feng，Liu Ziyan.Effects of multi－objective genetic rule selection on short－term load forecasting for anomalous days［C］／／2006IEEE Power Engineering Society General Meeting，PES，2006IEEE Power Engineering Society General Meeting，2006：10－100.

［11］陳文偉，楊春燕，黃金才.可拓知識與可拓知識推理［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2006，38（7）：1094－1096.