梁 野，張樹有，劉曉健，吳晨睿

（浙江大學(xué) 流體動(dòng)力與機(jī)電系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310027）

0 引言

在信息化與知識(shí)經(jīng)濟(jì)環(huán)境下，產(chǎn)品設(shè)計(jì)活動(dòng)已經(jīng)從以經(jīng)驗(yàn)為主過渡到以知識(shí)為主［1］。計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展與廣泛應(yīng)用方便了設(shè)計(jì)人員對(duì)設(shè)計(jì)知識(shí)的獲取，但也讓產(chǎn)品設(shè)計(jì)知識(shí)的數(shù)量呈幾何級(jí)增長(zhǎng)，如何從龐大的知識(shí)庫(kù)中檢索到滿足當(dāng)前需求的設(shè)計(jì)知識(shí)成為設(shè)計(jì)人員面臨的新難題，嚴(yán)重影響了設(shè)計(jì)效率的提高。知識(shí)推送技術(shù)依據(jù)用戶需求，將知識(shí)主動(dòng)、實(shí)時(shí)地推送給用戶，能有效解決知識(shí)使用中的知識(shí)超載、知識(shí)迷航等問題，因此也是產(chǎn)品設(shè)計(jì)知識(shí)管理與重用的重要研究方向。

目前，知識(shí)推送技術(shù)在國(guó)內(nèi)外得到了很多學(xué)者的關(guān)注。最初的研究熱點(diǎn)是面向電子商務(wù)、社交網(wǎng)絡(luò)和網(wǎng)絡(luò)多媒體等領(lǐng)域，以協(xié)同過濾為基礎(chǔ)的知識(shí)推送算法在這些領(lǐng)域中得到了廣泛應(yīng)用［2-4］。也有學(xué)者將知識(shí)推送應(yīng)用到知識(shí)檢索中，將知識(shí)拉取與知識(shí)推送結(jié)合，以提升檢索效果與用戶體驗(yàn)。例如：文獻(xiàn)［5］通過分析用戶的瀏覽歷史，采用基于語義擴(kuò)展的方法構(gòu)建用戶模型，推送個(gè)性化知識(shí)，使檢索結(jié)果更符合用戶興趣；文獻(xiàn)［6］考慮用戶初始檢索式的模糊性，通過設(shè)計(jì)人員的主動(dòng)反饋對(duì)檢索式進(jìn)行重構(gòu)，獲得新的檢索結(jié)果并推送給用戶。還有些學(xué)者對(duì)知識(shí)推送在企業(yè)知識(shí)管理中的應(yīng)用進(jìn)行了研究。例如：文獻(xiàn)［7］提出了一種企業(yè)客戶服務(wù)中心知識(shí)推送系統(tǒng)的構(gòu)建方法，幫助服務(wù)人員對(duì)企業(yè)與客戶提供雙向的知識(shí)咨詢服務(wù)。文獻(xiàn)［8］運(yùn)用主動(dòng)學(xué)習(xí)與被動(dòng)學(xué)習(xí)方式獲取用戶興趣，通過制造信息資源相似度、相關(guān)度的計(jì)算獲得符合用戶興趣的制造信息并推送給企業(yè)人員。文獻(xiàn)［9］從知識(shí)屬性、流程、領(lǐng)域三個(gè)維度描述企業(yè)知識(shí)，通過計(jì)算三個(gè)維度匹配向量的相似度，推送符合員工需求的企業(yè)知識(shí)。文獻(xiàn)［10］提出基于工作流引擎和知識(shí)引擎雙驅(qū)動(dòng)的知識(shí)主動(dòng)推送實(shí)現(xiàn)機(jī)制。針對(duì)產(chǎn)品設(shè)計(jì)知識(shí)的推送是對(duì)企業(yè)知識(shí)推送技術(shù)的細(xì)化研究，受到了很多學(xué)者的重視。例如：文獻(xiàn)［11］提出基于設(shè)計(jì)對(duì)象的文本相似度算法，計(jì)算設(shè)計(jì)任務(wù)、設(shè)計(jì)知識(shí)、設(shè)計(jì)人員需求之間的相似度，以工作流驅(qū)動(dòng)的方式推送產(chǎn)品設(shè)計(jì)知識(shí)。文獻(xiàn)［12］針對(duì)產(chǎn)品族設(shè)計(jì)構(gòu)建了基于代理的知識(shí)推送系統(tǒng)，通過基于市場(chǎng)的學(xué)習(xí)機(jī)制獲取客戶的需求偏好并推送給設(shè)計(jì)人員，以輔助設(shè)計(jì)人員進(jìn)行產(chǎn)品設(shè)計(jì)。文獻(xiàn)［1］提出了基于本體和粗糙集的產(chǎn)品設(shè)計(jì)知識(shí)推送技術(shù)，利用本體對(duì)設(shè)計(jì)任務(wù)與設(shè)計(jì)知識(shí)進(jìn)行建模，通過粗糙集學(xué)習(xí)知識(shí)記錄形成推送規(guī)則，并考慮了設(shè)計(jì)人員對(duì)設(shè)計(jì)知識(shí)的熟悉程度。文獻(xiàn)［13］提出了基于協(xié)同設(shè)計(jì)意圖捕捉的設(shè)計(jì)知識(shí)推送服務(wù)方法，以輔助產(chǎn)品的概念設(shè)計(jì)過程。

產(chǎn)品設(shè)計(jì)是一個(gè)不斷往復(fù)迭代的過程，產(chǎn)品設(shè)計(jì)過程中的知識(shí)需求也是根據(jù)設(shè)計(jì)人員的設(shè)計(jì)活動(dòng)不斷變化的，即使在同一個(gè)設(shè)計(jì)任務(wù)中，設(shè)計(jì)人員對(duì)設(shè)計(jì)知識(shí)的需求也在動(dòng)態(tài)變化。目前針對(duì)產(chǎn)品設(shè)計(jì)知識(shí)推送的研究一般細(xì)化到設(shè)計(jì)任務(wù)，缺乏根據(jù)設(shè)計(jì)人員的行為與反饋形成更加精確與動(dòng)態(tài)的知識(shí)推送。

本文提出了基于變權(quán)分層激活擴(kuò)散模型的產(chǎn)品設(shè)計(jì)知識(shí)動(dòng)態(tài)推送技術(shù)。分析了設(shè)計(jì)知識(shí)推送系統(tǒng)架構(gòu)，針對(duì)傳統(tǒng)的激活擴(kuò)散模型的不足，建立了面向產(chǎn)品設(shè)計(jì)知識(shí)推送的變權(quán)分層激活擴(kuò)散模型，利用集聚關(guān)聯(lián)分析方法獲得設(shè)計(jì)知識(shí)節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系，通過層次激活擴(kuò)散過程獲得設(shè)計(jì)知識(shí)推送結(jié)果。結(jié)合設(shè)計(jì)人員行為反饋的分析，提出了設(shè)計(jì)知識(shí)單源與多源動(dòng)態(tài)推送方法，實(shí)現(xiàn)了跟隨設(shè)計(jì)人員知識(shí)活動(dòng)的動(dòng)態(tài)知識(shí)推送。

1 產(chǎn)品設(shè)計(jì)知識(shí)推送框架

產(chǎn)品設(shè)計(jì)知識(shí)的推送是將設(shè)計(jì)知識(shí)實(shí)例根據(jù)用戶對(duì)知識(shí)的需求，以有組織的形式呈現(xiàn)給產(chǎn)品設(shè)計(jì)人員，并能根據(jù)設(shè)計(jì)人員對(duì)設(shè)計(jì)知識(shí)需求的變化動(dòng)態(tài)更新推送結(jié)果，其宏觀過程即基礎(chǔ)知識(shí)數(shù)據(jù)→產(chǎn)品設(shè)計(jì)人員。依據(jù)這一思想，產(chǎn)品設(shè)計(jì)知識(shí)推送系統(tǒng)框架可以分為用戶層、交互層、系統(tǒng)層、接口層和數(shù)據(jù)層五個(gè)層次。圖1描述了五層架構(gòu)之間的邏輯關(guān)系。

各層的主要功能為：

（1）用戶層 企業(yè)內(nèi)部的設(shè)計(jì)人員，是設(shè)計(jì)知識(shí)推送的目標(biāo)。設(shè)計(jì)人員向系統(tǒng)輸入知識(shí)需求，設(shè)定系統(tǒng)功能，獲得知識(shí)推送結(jié)果，并可以進(jìn)行知識(shí)檢索、信息管理等操作。

（2）交互層 設(shè)計(jì)人員與系統(tǒng)的人機(jī)交互界面，在瀏覽器／服務(wù)器（Browser，Server，B／S）架構(gòu)下，交互層以瀏覽器為載體，以網(wǎng)頁(yè)的形式向設(shè)計(jì)人員提供知識(shí)推送服務(wù)。設(shè)計(jì)人員在交互層的操作活動(dòng)作為反饋信息由系統(tǒng)層分析記錄。

（3）系統(tǒng)層 設(shè)計(jì)知識(shí)推送系統(tǒng)的核心，用來完成以知識(shí)推送為核心的所有知識(shí)管理活動(dòng)，例如數(shù)據(jù)庫(kù)維護(hù)、設(shè)計(jì)知識(shí)日志分析、設(shè)計(jì)人員反饋行為分析和推送計(jì)算等功能。本文的研究重點(diǎn)即系統(tǒng)層中的設(shè)計(jì)知識(shí)推送形成過程。

（4）接口層 提供統(tǒng)一的數(shù)據(jù)接口，保證系統(tǒng)快速訪問數(shù)據(jù)層各數(shù)據(jù)庫(kù)，以完成實(shí)時(shí)的動(dòng)態(tài)推送。

（5）數(shù)據(jù)層 知識(shí)推送相關(guān)的底層數(shù)據(jù)庫(kù)，包括設(shè)計(jì)知識(shí)庫(kù)、設(shè)計(jì)知識(shí)關(guān)系庫(kù)、設(shè)計(jì)知識(shí)本體庫(kù)、設(shè)計(jì)知識(shí)使用日志和設(shè)計(jì)人員信息庫(kù)等。

2 面向設(shè)計(jì)知識(shí)推送的變權(quán)分層激活擴(kuò)散模型

2.1 激活擴(kuò)散模型

激活擴(kuò)散模型（Spreading Activation Model，SAM）是用來模擬人類大腦語義記憶機(jī)制的認(rèn)知模型［14］。在該模型中，代表語義概念的節(jié)點(diǎn)和節(jié)點(diǎn)之間相互的聯(lián)系構(gòu)成了語義網(wǎng)絡(luò)，節(jié)點(diǎn)在獲得外來刺激后被賦予激活值，激活值通過賦有權(quán)值的聯(lián)系向與其相連的節(jié)點(diǎn)傳遞，不斷激活滿足條件的節(jié)點(diǎn)，直到擴(kuò)散過程完成。由于該模型模擬了神經(jīng)元傳遞加工信息的過程，引入了強(qiáng)度思想，具有并行性、模糊性和動(dòng)態(tài)性的特征，在認(rèn)知科學(xué)、數(shù)據(jù)庫(kù)、人工智能、生物學(xué)和信息檢索等領(lǐng)域有著廣泛的應(yīng)用［15］。在對(duì)知識(shí)推送的研究興起后，很多學(xué)者將其應(yīng)用于互聯(lián)網(wǎng)、電子商務(wù)、社交網(wǎng)絡(luò)中的個(gè)性化知識(shí)推送［5，16-18］。但是傳統(tǒng)的激活擴(kuò)散模型在面向設(shè)計(jì)知識(shí)推送時(shí)還有以下不足：

（1）傳統(tǒng)的激活擴(kuò)散模型以語義概念為節(jié)點(diǎn)，并以語義相似性為基礎(chǔ)來度量概念間的聯(lián)系，這是由于其最初來源于學(xué)者關(guān)于人腦對(duì)語義的記憶與認(rèn)知機(jī)制的研究。在面向設(shè)計(jì)知識(shí)推送時(shí)，以設(shè)計(jì)知識(shí)為節(jié)點(diǎn)，但用語義相似性度量設(shè)計(jì)知識(shí)之間的聯(lián)系時(shí)有很大的缺陷，很難避免“過專業(yè)化”，即語義相似度高并不一定能滿足用戶需求，這一點(diǎn)在產(chǎn)品設(shè)計(jì)知識(shí)中體現(xiàn)得尤為明顯，由于設(shè)計(jì)任務(wù)與其所需要的設(shè)計(jì)知識(shí)在語義上不一定具有相關(guān)性，而且傳統(tǒng)激活擴(kuò)散模型中的關(guān)系權(quán)值是不變的，難以滿足設(shè)計(jì)知識(shí)動(dòng)態(tài)更新的需求。

（2）傳統(tǒng)的激活擴(kuò)散模型是層次網(wǎng)絡(luò)模型的補(bǔ)充，它雖然不完全排除層次關(guān)系，但是以橫向聯(lián)系為主，從而構(gòu)成概念網(wǎng)絡(luò)。在面向設(shè)計(jì)知識(shí)的推送中，若僅考慮設(shè)計(jì)知識(shí)之間的聯(lián)系、不考慮層次關(guān)系，則不利于設(shè)計(jì)知識(shí)的組織管理。

針對(duì)以上問題，本文提出了變權(quán)分層激活擴(kuò)散模型，使其適合于面向產(chǎn)品設(shè)計(jì)過程的知識(shí)推送。

2.2 變權(quán)分層激活擴(kuò)散模型

變權(quán)分層激活擴(kuò)散模型是指將知識(shí)節(jié)點(diǎn)和節(jié)點(diǎn)間的關(guān)系構(gòu)成關(guān)系網(wǎng)絡(luò)，通過分析知識(shí)使用記錄獲得并更新表征知識(shí)節(jié)點(diǎn)關(guān)系程度的關(guān)系權(quán)值；若某一設(shè)計(jì)知識(shí)被使用，則其對(duì)應(yīng)的知識(shí)節(jié)點(diǎn)進(jìn)入激活狀態(tài)，激活值通過節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系傳遞，激活滿足條件的知識(shí)節(jié)點(diǎn)，從而獲得相關(guān)的設(shè)計(jì)知識(shí)并推送給設(shè)計(jì)人員；通過知識(shí)節(jié)點(diǎn)、知識(shí)數(shù)據(jù)、知識(shí)本體的劃分形成分層結(jié)構(gòu)，實(shí)現(xiàn)對(duì)產(chǎn)品設(shè)計(jì)知識(shí)的有效管理和高效推送。

2.2.1 變權(quán)分層激活擴(kuò)散模型結(jié)構(gòu)

面向設(shè)計(jì)知識(shí)推送的激活擴(kuò)散模型是具有設(shè)計(jì)知識(shí)組織層、設(shè)計(jì)知識(shí)數(shù)據(jù)層和節(jié)點(diǎn)激活擴(kuò)散層的三層結(jié)構(gòu)，如圖2所示。

（1）設(shè)計(jì)知識(shí)組織層

設(shè)計(jì)知識(shí)組織層采用領(lǐng)域本體對(duì)設(shè)計(jì)知識(shí)進(jìn)行層次邏輯組織管理，幫助設(shè)計(jì)人員構(gòu)建個(gè)人知識(shí)體系結(jié)構(gòu)，提升設(shè)計(jì)水平。領(lǐng)域本體是對(duì)指定領(lǐng)域內(nèi)共享概念的明確規(guī)范化說明，能夠描述概念與概念間的繼承（kind-of）關(guān)系、部分與整體（part-of）關(guān)系、概念實(shí)例與概念（instance-of）關(guān)系和屬性（attribute-of）關(guān)系［1］。在領(lǐng)域本體中，通過概念與概念間的繼承關(guān)系可以將領(lǐng)域概念組織成樹狀的層次結(jié)構(gòu)，而產(chǎn)品設(shè)計(jì)過程中所需要的具體設(shè)計(jì)知識(shí)項(xiàng)都是某個(gè)領(lǐng)域本體概念的實(shí)例。例如領(lǐng)域本體概念“數(shù)控機(jī)床設(shè)計(jì)”，該概念有機(jī)床方案設(shè)計(jì)、機(jī)床部件及機(jī)構(gòu)設(shè)計(jì)、機(jī)床零件設(shè)計(jì)等子概念；“機(jī)床方案設(shè)計(jì)”又有工藝分析、運(yùn)動(dòng)分析與分配、傳動(dòng)形式與選擇等子概念；其中的“工藝分析”又有常用工藝過程、工序間余量的確定、切削用量的選擇等設(shè)計(jì)知識(shí)實(shí)例。通過概念間的繼承關(guān)系和設(shè)計(jì)知識(shí)與領(lǐng)域本體概念的實(shí)例—概念映射關(guān)系，就可以層次清晰地組織散亂、異構(gòu)的產(chǎn)品設(shè)計(jì)知識(shí)。

（2）設(shè)計(jì)知識(shí)數(shù)據(jù)層

設(shè)計(jì)知識(shí)數(shù)據(jù)層是設(shè)計(jì)人員在產(chǎn)品設(shè)計(jì)過程中直接瀏覽到的設(shè)計(jì)知識(shí)，設(shè)計(jì)知識(shí)推送的結(jié)果在這一層向設(shè)計(jì)人員呈現(xiàn)。本體構(gòu)建的設(shè)計(jì)知識(shí)模型可以用一個(gè)四元組表示，K=（KID，KD，KC，KL）。其中：KID為設(shè)計(jì)知識(shí)的唯一標(biāo)識(shí)，KD為設(shè)計(jì)知識(shí)領(lǐng)域，KC為設(shè)計(jì)知識(shí)類別，KL為設(shè)計(jì)知識(shí)的存儲(chǔ)位置。設(shè)計(jì)知識(shí)數(shù)據(jù)層的知識(shí)數(shù)據(jù)是設(shè)計(jì)知識(shí)組織層中領(lǐng)域本體概念的實(shí)例，同時(shí)與節(jié)點(diǎn)激活擴(kuò)散層中的知識(shí)節(jié)點(diǎn)具有映射關(guān)系。

（3）節(jié)點(diǎn)激活擴(kuò)散層

節(jié)點(diǎn)激活擴(kuò)散層是由知識(shí)節(jié)點(diǎn)及其之間的聯(lián)系構(gòu)成的知識(shí)節(jié)點(diǎn)網(wǎng)絡(luò)。產(chǎn)品設(shè)計(jì)知識(shí)的推送結(jié)果在這一層計(jì)算獲得。

知識(shí)節(jié)點(diǎn)網(wǎng)絡(luò)由如下定義說明：

定義1 設(shè)計(jì)知識(shí)網(wǎng)絡(luò)可以用二元組S=（N，W）表示，其中：N=（n1，n2，n3，…，nk），表示知識(shí)網(wǎng)絡(luò)中的知識(shí)節(jié)點(diǎn)，映射某項(xiàng)或者某幾項(xiàng)設(shè)計(jì)知識(shí)；W=｛wij｜1≤i≤k，1≤j≤k，i≠j｝，表示知識(shí)節(jié)點(diǎn)間的關(guān)系，wij為節(jié)點(diǎn)ni與nj的關(guān)系權(quán)值。

定義2 知識(shí)節(jié)點(diǎn)域N與知識(shí)實(shí)例域K的映射關(guān)系可以表示為｛N→K｜ni→｛kj，…，kh｝｝，一個(gè)知識(shí)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)或多個(gè)知識(shí)實(shí)例。

由于知識(shí)節(jié)點(diǎn)與知識(shí)實(shí)例的一對(duì)多映射關(guān)系需要根據(jù)用戶偏好分別討論，形成方法較復(fù)雜，并不是本文的研究重點(diǎn)，以下設(shè)定知識(shí)節(jié)點(diǎn)與知識(shí)實(shí)例為一一映射關(guān)系。

節(jié)點(diǎn)間的關(guān)系權(quán)值將通過對(duì)知識(shí)管理系統(tǒng)中的知識(shí)使用日志進(jìn)行集聚關(guān)聯(lián)分析獲得，并在系統(tǒng)應(yīng)用的過程中不斷更新、動(dòng)態(tài)變化。

圖2所示變權(quán)分層激活擴(kuò)散模型可以看作設(shè)計(jì)知識(shí)動(dòng)態(tài)推送的一個(gè)完整子過程，在該過程中，首先分析設(shè)計(jì)人員的瀏覽行為，獲得當(dāng)前已確定需要的設(shè)計(jì)知識(shí)輸入推送系統(tǒng)，系統(tǒng)通過激活擴(kuò)散過程得到相關(guān)的設(shè)計(jì)知識(shí)并推送給設(shè)計(jì)人員。

2.2.2 基于集聚關(guān)聯(lián)分析的產(chǎn)品設(shè)計(jì)知識(shí)節(jié)點(diǎn)關(guān)系獲取

產(chǎn)品設(shè)計(jì)知識(shí)由于與設(shè)計(jì)對(duì)象、設(shè)計(jì)過程緊密相關(guān)，在使用上有著明顯的集聚特性。例如在進(jìn)行機(jī)床主軸設(shè)計(jì)時(shí)，軸承布置方式、軸承類型選取是必然會(huì)使用到的知識(shí)，而不管針對(duì)什么設(shè)計(jì)任務(wù)，軸承類型選取又必然會(huì)涉及到軸承載荷計(jì)算、軸承壽命計(jì)算、軸承精度選擇等設(shè)計(jì)知識(shí)。同時(shí)由于產(chǎn)品設(shè)計(jì)是不斷往復(fù)迭代的過程，這種集聚特性在該過程中得到不斷的加強(qiáng)。在知識(shí)使用記錄中，設(shè)計(jì)知識(shí)的集聚特性體現(xiàn)在知識(shí)使用的時(shí)間維上，即同一設(shè)計(jì)人員完成某一設(shè)計(jì)任務(wù)時(shí)的設(shè)計(jì)知識(shí)在使用時(shí)間上是相近的。

具體分析過程包括：

（1）知識(shí)使用記錄前處理 設(shè)計(jì)人員通過知識(shí)管理系統(tǒng)獲取和使用設(shè)計(jì)知識(shí)，所有知識(shí)活動(dòng)被系統(tǒng)按時(shí)間順序記錄、形成知識(shí)使用記錄，為了便于進(jìn)行集聚關(guān)聯(lián)分析，需要對(duì)知識(shí)使用記錄進(jìn)行前處理，具體工作包括：①按設(shè)計(jì)人員分類，因?yàn)槎鄠€(gè)不同設(shè)計(jì)人員可同時(shí)進(jìn)行不同的設(shè)計(jì)任務(wù)，對(duì)應(yīng)的知識(shí)使用記錄在時(shí)間上也是相鄰的，但其設(shè)計(jì)任務(wù)不同，對(duì)應(yīng)的設(shè)計(jì)知識(shí)之間也不具有相關(guān)性，所以需要分別針對(duì)單個(gè)設(shè)計(jì)人員的知識(shí)活動(dòng)進(jìn)行集聚關(guān)聯(lián)分析；②按時(shí)間分類，分析數(shù)據(jù)應(yīng)當(dāng)在一個(gè)確定的時(shí)間段內(nèi)，避免時(shí)間跨度太大的關(guān)聯(lián)分析。據(jù)此，將使用記錄分為一系列待分析數(shù)據(jù)集，每個(gè)待分析數(shù)據(jù)集具有三個(gè)屬性｛SPID，SIT，SFT｝，其中：SPID為設(shè)計(jì)人員編號(hào)，SIT為待分析數(shù)據(jù)集的起始時(shí)間，SFT為待分析數(shù)據(jù)集的結(jié)束時(shí)間；每個(gè)待分析數(shù)據(jù)集中，設(shè)計(jì)知識(shí)使用記錄按時(shí)間排序，由于設(shè)計(jì)人員主要在工作時(shí)間使用設(shè)計(jì)知識(shí)，可以取一自然天為待分析數(shù)據(jù)集的起始時(shí)間與結(jié)束時(shí)間的間隔。

（2）噪聲瀏覽過濾 設(shè)計(jì)知識(shí)使用記錄往往包含許多噪聲記錄，由于設(shè)計(jì)人員無法僅通過標(biāo)題確定設(shè)計(jì)知識(shí)是否對(duì)當(dāng)前的設(shè)計(jì)任務(wù)有幫助，需要對(duì)內(nèi)容進(jìn)行大概瀏覽，判斷其與當(dāng)前任務(wù)無關(guān)時(shí)就會(huì)在短時(shí)間內(nèi)結(jié)束瀏覽，這一短暫的瀏覽過程也會(huì)被知識(shí)系統(tǒng)記錄下來，因其對(duì)應(yīng)的設(shè)計(jì)知識(shí)與當(dāng)前任務(wù)無關(guān)，在關(guān)聯(lián)分析中屬于無效記錄。為此，需要盡可能去除設(shè)計(jì)人員判斷設(shè)計(jì)知識(shí)為無用的使用記錄?？梢圆捎脙蓚€(gè)參數(shù)（瀏覽時(shí)間t和規(guī)定時(shí)間內(nèi)瀏覽次數(shù)n）決定某條知識(shí)的使用記錄是否為有效記錄。若用布爾值k表示某條知識(shí)的使用記錄是否為有效記錄，1表示是，0表示否，則有如下判斷邏輯

式中：ts為某一設(shè)計(jì)人員的瀏覽時(shí)間閾值，ns為瀏覽次數(shù)閾值。由于不同設(shè)計(jì)人員的閱讀習(xí)慣和閱讀速度不同，ts對(duì)于不同設(shè)計(jì)人員有不同的值。ns的設(shè)定是為了避免將設(shè)計(jì)人員對(duì)已熟悉的設(shè)計(jì)知識(shí)的短時(shí)獲取行為過濾掉，例如查表、查公式等。在固定的時(shí)間域內(nèi)，若某條知識(shí)記錄的瀏覽時(shí)間大于時(shí)間閾值ts，則該知識(shí)的使用記錄為有效，并且在該時(shí)間域內(nèi)所有該知識(shí)的使用記錄均為有效，若某條知識(shí)記錄的瀏覽時(shí)間小于時(shí)間閾值ts，但在該時(shí)間域內(nèi)的瀏覽次數(shù)大于瀏覽次數(shù)閾值ns，則該知識(shí)的瀏覽記錄均為有效，除此之外為噪聲瀏覽。

（3）關(guān)系權(quán)值計(jì)算 知識(shí)使用日志以天為自然分割點(diǎn)，對(duì)于同一設(shè)計(jì)人員，其一天中所瀏覽的設(shè)計(jì)知識(shí)被認(rèn)為具有相關(guān)性。不同設(shè)計(jì)人員的閱覽習(xí)慣、設(shè)計(jì)效率不同，用時(shí)間度量相關(guān)性的差異會(huì)很大，而兩項(xiàng)設(shè)計(jì)知識(shí)使用記錄間其他使用記錄所對(duì)應(yīng)的不同設(shè)計(jì)知識(shí)的數(shù)量不會(huì)受到這些因素的影響，因此將其作為離散變量映射到關(guān)系函數(shù)上獲得知識(shí)節(jié)點(diǎn)的關(guān)系權(quán)值。設(shè)計(jì)知識(shí)的關(guān)系程度隨著其使用記錄間距的增加逐漸降低，雖然使用記錄是具有嚴(yán)格先后順序的線性序列，但由于設(shè)計(jì)知識(shí)使用的集聚特性，知識(shí)的相關(guān)程度并不是線性下降的。與當(dāng)前的設(shè)計(jì)知識(shí)距離較近時(shí)，其關(guān)系程度下降較慢，而距離較遠(yuǎn)的設(shè)計(jì)知識(shí)由于相關(guān)性都比較低，其關(guān)系程度變化也很小。由此，進(jìn)行集聚關(guān)聯(lián)分析的關(guān)系函數(shù)具有以下特點(diǎn)：①定義域（0，+∞），值域（0，1），單調(diào)遞減；②函數(shù)曲線在函數(shù)值接近0與1時(shí)平緩，中間段較陡。

本文采用S型的Logistic曲線作為關(guān)系函數(shù)度量設(shè)計(jì)知識(shí)的相關(guān)性。Logistic曲線最初是由比利時(shí)學(xué)者Verhulst提出的人口增長(zhǎng)模型，其簡(jiǎn)單形式中蘊(yùn)涵著豐富的內(nèi)涵，后被廣泛應(yīng)用于生物種群數(shù)量預(yù)測(cè)、商品銷售預(yù)測(cè)、混沌分析等領(lǐng)域［19-21］。假設(shè)設(shè)計(jì)知識(shí)ki與設(shè)計(jì)知識(shí)kj出現(xiàn)在同一設(shè)計(jì)人員一天內(nèi)的瀏覽記錄中，則其關(guān)系權(quán)值wij與記錄間隔tij的Logistic模型為

式中tij∈（1，2，…，n），a、b和c為調(diào)整參數(shù)，且a＞0，b＞0，0＜c≤1。

其一階導(dǎo)數(shù)為：

其二階導(dǎo)數(shù)為：

可以看到，拐點(diǎn)位置由參數(shù)a和b確定，其中參數(shù)b還控制曲線由0到1的變化范圍，又由于曲線關(guān)于拐點(diǎn)中心對(duì)稱，確定初始間隔1對(duì)應(yīng)的關(guān)系權(quán)值以及最大間隔，即可計(jì)算得到參數(shù)a和b的值，參數(shù)c可以從整體上控制關(guān)系權(quán)值的大小，一般取為1。由上可知，Logistic模型符合集聚關(guān)聯(lián)分析對(duì)關(guān)系函數(shù)的需求。

（4）關(guān)系權(quán)值的更新 由于相關(guān)設(shè)計(jì)知識(shí)也可能同時(shí)出現(xiàn)在其他設(shè)計(jì)人員的知識(shí)使用記錄中，而且設(shè)計(jì)知識(shí)使用記錄是不斷增加的，兩項(xiàng)設(shè)計(jì)知識(shí)的關(guān)系權(quán)值wij需要根據(jù)計(jì)算得到的新關(guān)系權(quán)值動(dòng)態(tài)更新。因?yàn)樗銛?shù)平均值是最常用的平均指標(biāo)，計(jì)算簡(jiǎn)單，適合于關(guān)系權(quán)值的頻繁更新，所以這里取設(shè)計(jì)知識(shí)ki與kj所有關(guān)系權(quán)值的算數(shù)平均值作為綜合關(guān)系權(quán)值，更新公式為

式中：wij（n）為n個(gè)關(guān)系 權(quán)值平均值，wij（n+1）為根據(jù)新的記錄或者其他設(shè)計(jì)人員的知識(shí)使用記錄計(jì)算得到的關(guān)系權(quán)值。

2.2.3 層次激活擴(kuò)散過程

雖然整個(gè)知識(shí)關(guān)系網(wǎng)絡(luò)中的知識(shí)節(jié)點(diǎn)沒有層次區(qū)分，但對(duì)于某一次激活擴(kuò)散活動(dòng)卻是層次遞進(jìn)的過程，如圖3所示。某個(gè)節(jié)點(diǎn)激活后，其激活值會(huì)向與其相關(guān)的周圍節(jié)點(diǎn)擴(kuò)散，擴(kuò)散傳遞的激活值為激活節(jié)點(diǎn)的激活值p與兩個(gè)節(jié)點(diǎn)關(guān)系權(quán)值w的乘積。

激活擴(kuò)散過程包括以下三個(gè)步驟：

（1）基層激活 如圖3a所示，節(jié)點(diǎn)Ra和Rb為2個(gè)初始激活的知識(shí)根節(jié)點(diǎn)，定義其為基層，則根節(jié)點(diǎn)激活值pr為初始激活值和其他與其有關(guān)系的根節(jié)點(diǎn)傳遞的激活值之和：

式中：pi為當(dāng)前節(jié)點(diǎn)初始激活值，pj為與當(dāng)前節(jié)點(diǎn)相聯(lián)系的節(jié)點(diǎn)激活值，wij為二者的關(guān)系權(quán)值，cs為層內(nèi)激活衰減系數(shù)，用以控制間接關(guān)系對(duì)激活值計(jì)算的影響程度。

（2）擴(kuò)散層激活值計(jì)算 基層節(jié)點(diǎn)激活值計(jì)算完成后，進(jìn)入下一層激活擴(kuò)散過程，與基層節(jié)點(diǎn)直接相關(guān)的所有節(jié)點(diǎn)都為該層次節(jié)點(diǎn)，如圖3b中的節(jié)點(diǎn)N1～N6。該層節(jié)點(diǎn)激活值pf為直接上層傳遞激活值與同層傳遞激活值之和：

式中：pu為與當(dāng)前節(jié)點(diǎn)直接相關(guān)的上層節(jié)點(diǎn)激活值，pj為同層相關(guān)節(jié)點(diǎn)的直接激活值，wuf和wjf分別為二者的關(guān)系權(quán)值，cd為層級(jí)激活衰減系數(shù)，擴(kuò)散層級(jí)越大，距離初始激活節(jié)點(diǎn)越遠(yuǎn)，則cd值越小。包含激活節(jié)點(diǎn)的n個(gè)知識(shí)節(jié)點(diǎn)可以構(gòu)建節(jié)點(diǎn)關(guān)系矩陣W=［wij］n×n，若Na為激活節(jié)點(diǎn)，則可以獲得Na與其他節(jié)點(diǎn)的關(guān)系向量T=［wia］（n-1）×1，將節(jié)點(diǎn)關(guān)系矩陣中Na對(duì)應(yīng)的行與列去除，得到Wr=［wij］（n-1）×（n-1），加入層內(nèi)衰減系數(shù)cs，則該層節(jié)點(diǎn)的激活值向量V=csWrT+T=［via］（n-1）×1。通過式（9）和式（10）對(duì)激活值進(jìn)行規(guī)范化處理，并加入層級(jí)衰減，獲得最終的節(jié)點(diǎn)激活值。

（3）激活條件與終止條件判斷 激活條件與終止條件影響激活擴(kuò)散過程的走向，二者結(jié)合起來可以滿足不同設(shè)計(jì)人員的設(shè)計(jì)知識(shí)使用習(xí)慣。

判斷節(jié)點(diǎn)是否被激活可以采用兩種方式：①判斷節(jié)點(diǎn)激活值；②判斷單層激活節(jié)點(diǎn)數(shù)量。激活過程終止的判斷可以采用三種方式：①激活擴(kuò)散達(dá)到設(shè)定的層數(shù)；②激活的節(jié)點(diǎn)數(shù)量大于設(shè)定的最大激活數(shù)；③所有葉節(jié)點(diǎn)的激活值都低于設(shè)定的閾值vs。

結(jié)合節(jié)點(diǎn)激活與終止方式可判斷控制節(jié)點(diǎn)整個(gè)激活過程。采用激活方式①是通過判斷節(jié)點(diǎn)激活值是否達(dá)到設(shè)定的閾值來進(jìn)行。該方式激活的節(jié)點(diǎn)與當(dāng)前節(jié)點(diǎn)具有較高的關(guān)聯(lián)度，激活過程終止條件可控制激活節(jié)點(diǎn)的數(shù)量與擴(kuò)散深度，三種終止方式都可采用。采用激活方式②是通過判斷激活節(jié)點(diǎn)數(shù)量是否達(dá)到設(shè)定的閾值來進(jìn)行。該方式激活節(jié)點(diǎn)是與當(dāng)前節(jié)點(diǎn)相對(duì)相關(guān)性高的節(jié)點(diǎn)，激活過程終止條件可采用終止方式①和②，激活過程終止條件除可控制激活節(jié)點(diǎn)的數(shù)量與擴(kuò)散深度，還有控制激活節(jié)點(diǎn)的方向。通過激活與終止條件組合可以避免低關(guān)聯(lián)度節(jié)點(diǎn)無法產(chǎn)生推送結(jié)果的情況，并可以控制激活擴(kuò)散過程沿著最相關(guān)的方向進(jìn)行。

激活擴(kuò)散過程結(jié)束后，可以獲得所有激活節(jié)點(diǎn)構(gòu)成的節(jié)點(diǎn)網(wǎng)絡(luò)，如圖3d所示。

3 產(chǎn)品設(shè)計(jì)知識(shí)動(dòng)態(tài)推送方法

3.1 基于設(shè)計(jì)人員行為分析的反饋方法

為實(shí)現(xiàn)設(shè)計(jì)知識(shí)的動(dòng)態(tài)推送，知識(shí)推送系統(tǒng)必須與設(shè)計(jì)人員進(jìn)行實(shí)時(shí)的交互反饋，以此推理出設(shè)計(jì)人員當(dāng)前所需要的設(shè)計(jì)知識(shí)并進(jìn)行推送。在設(shè)計(jì)知識(shí)使用過程中，設(shè)計(jì)人員的反饋行為主要有顯性反饋和隱性反饋兩種［22］。

顯性反饋即用戶對(duì)推送結(jié)果的主動(dòng)評(píng)價(jià)，但顯性反饋往往難以獲得，這是因?yàn)樵O(shè)計(jì)人員不愿在繁忙的設(shè)計(jì)工作中分散注意力來對(duì)設(shè)計(jì)知識(shí)進(jìn)行評(píng)價(jià)。

隱性反饋來源于設(shè)計(jì)人員對(duì)設(shè)計(jì)知識(shí)的使用行為，如瀏覽、搜索和收藏等，是對(duì)用戶需求的推理。獲得隱性反饋需要對(duì)用戶的行為數(shù)據(jù)進(jìn)行實(shí)時(shí)分析。

應(yīng)用激活擴(kuò)散模型實(shí)現(xiàn)動(dòng)態(tài)推送只需要獲取當(dāng)前知識(shí)對(duì)用戶的作用，判斷是否將對(duì)應(yīng)的知識(shí)節(jié)點(diǎn)激活，因此不需要復(fù)雜的評(píng)價(jià)方法。顯性反饋方面，參考社交網(wǎng)絡(luò)中流行的“點(diǎn)贊”行為，設(shè)定被設(shè)計(jì)人員“贊”的設(shè)計(jì)知識(shí)是設(shè)計(jì)人員認(rèn)為對(duì)當(dāng)前的設(shè)計(jì)任務(wù)有用，予以激活，而被設(shè)計(jì)人員“踩”的設(shè)計(jì)知識(shí)說明知識(shí)質(zhì)量低且無用。隱性反饋方面，取最具代表性的瀏覽時(shí)間和搜索行為兩種行為作為反饋。用戶瀏覽設(shè)計(jì)知識(shí)一般是通過標(biāo)題尋找所需要的備選知識(shí)，打開進(jìn)行泛讀。若設(shè)計(jì)知識(shí)與設(shè)計(jì)需求不相關(guān)，則關(guān)閉繼續(xù)瀏覽；若相關(guān)，則進(jìn)行一定時(shí)間的閱讀。分辨二者需要的設(shè)置時(shí)間閾值ts，判斷邏輯與式（1）相同。時(shí)間閾值對(duì)于不同的設(shè)計(jì)人員是不同的，需要對(duì)每個(gè)設(shè)計(jì)人員進(jìn)行知識(shí)瀏覽行為測(cè)試。給定設(shè)計(jì)任務(wù)與一定數(shù)量的設(shè)計(jì)知識(shí)，讓設(shè)計(jì)人員判斷其相關(guān)性，統(tǒng)計(jì)從打開文檔到做出判斷的時(shí)間間隔，取最大值作為時(shí)間閾值。結(jié)合顯性與隱性反饋的激活判斷邏輯式如式（11）所示：

式中s為代表設(shè)計(jì)人員顯性反饋的布爾值，s=1表示“贊”，s=0表示“踩”，其余變量含義與式（1）相同。

用戶的搜索行為具有強(qiáng)表征特性，當(dāng)用戶需要搜索時(shí)，說明當(dāng)前的設(shè)計(jì)知識(shí)已不滿足其需求，根據(jù)用戶對(duì)搜索結(jié)果的瀏覽行為分析來獲取用戶需求，激活相應(yīng)的知識(shí)節(jié)點(diǎn)。

3.2 單源與多源動(dòng)態(tài)推送模式

激活擴(kuò)散過程按照初始激活點(diǎn)的個(gè)數(shù)分為單源激活擴(kuò)散和多源激活擴(kuò)散，即單個(gè)節(jié)點(diǎn)激活或多個(gè)節(jié)點(diǎn)同時(shí)激活。因此，對(duì)于設(shè)計(jì)知識(shí)也可以采用兩種動(dòng)態(tài)推送模式：

（1）單源動(dòng)態(tài)推送模式 該模式下，在利用3.1節(jié)中描述的設(shè)計(jì)人員行為反饋方法獲得一個(gè)有效激活點(diǎn)后，即進(jìn)行激活擴(kuò)散過程，形成更新推送結(jié)果。在實(shí)際推送中，設(shè)計(jì)人員瀏覽的當(dāng)前設(shè)計(jì)知識(shí)達(dá)到時(shí)間閾值后即可在后臺(tái)計(jì)算形成新的結(jié)果集，從而保證最大的動(dòng)態(tài)性與實(shí)時(shí)性，并且不需要設(shè)計(jì)人員的額外操作。但在一次激活擴(kuò)散過程形成的推送結(jié)果集中可能會(huì)有多項(xiàng)設(shè)計(jì)人員需要的設(shè)計(jì)知識(shí)，若在設(shè)計(jì)人員瀏覽其中之一后就進(jìn)行新的激活擴(kuò)散過程，則可能無法推送出與原來相同的知識(shí)項(xiàng)。

（2）多源動(dòng)態(tài)推送模式 該模式為多個(gè)初始激活點(diǎn)同時(shí)進(jìn)行激活擴(kuò)散過程。在實(shí)際推送中有兩種方式：①設(shè)置一個(gè)更新選項(xiàng)讓設(shè)計(jì)人員手動(dòng)操作，以確認(rèn)當(dāng)前的推送結(jié)果已瀏覽完畢。在設(shè)計(jì)人員確認(rèn)后，再利用3.1節(jié)中的方法取得當(dāng)前推送中被用戶激活的知識(shí)節(jié)點(diǎn)，進(jìn)行多源激活擴(kuò)散過程并形成新的推送結(jié)果，從而保證推送效用的最大化，并使結(jié)果更加符合用戶需求，但需要設(shè)計(jì)人員進(jìn)行主動(dòng)更新操作。②類似于單源動(dòng)態(tài)推送過程，在獲得一個(gè)有效激活點(diǎn)后即進(jìn)行激活擴(kuò)散過程，但取當(dāng)前激活點(diǎn)與前一個(gè)或幾個(gè)歷史激活點(diǎn)同時(shí)進(jìn)行激活擴(kuò)散，形成多源動(dòng)態(tài)推送，從而在一定程度上兼顧動(dòng)態(tài)性與推送效果。

在實(shí)際的推送系統(tǒng)設(shè)計(jì)中可以根據(jù)用戶的特點(diǎn)靈活選用不同的推送模式。

3.3 產(chǎn)品設(shè)計(jì)知識(shí)動(dòng)態(tài)推送流程

結(jié)合變權(quán)分層激活擴(kuò)散模型和設(shè)計(jì)人員行為反饋，獲得設(shè)計(jì)知識(shí)的動(dòng)態(tài)推送流程如圖4所示，其主要步驟包括：①通過對(duì)知識(shí)使用日志的前處理、噪聲過濾、知識(shí)節(jié)點(diǎn)關(guān)系計(jì)算，形成設(shè)計(jì)知識(shí)節(jié)點(diǎn)關(guān)系網(wǎng)絡(luò)。②對(duì)設(shè)計(jì)任務(wù)進(jìn)行基于本體的分解與標(biāo)注，將設(shè)計(jì)任務(wù)本體關(guān)聯(lián)的設(shè)計(jì)知識(shí)按點(diǎn)擊率進(jìn)行排序，形成初始推送序列。③通過分析用戶對(duì)初始推送序列的瀏覽行為，獲得初始激活知識(shí)節(jié)點(diǎn)，進(jìn)行激活擴(kuò)散，得到相關(guān)設(shè)計(jì)知識(shí)并按照激活值排序推送給設(shè)計(jì)人員，再繼續(xù)分析設(shè)計(jì)人員的瀏覽行為、得到新的初始激活節(jié)點(diǎn)，如此動(dòng)態(tài)往復(fù)，直到設(shè)計(jì)人員完成設(shè)計(jì)任務(wù)，最后分析這一階段的設(shè)計(jì)知識(shí)使用情況，對(duì)關(guān)系權(quán)值進(jìn)行更新。

4 應(yīng)用實(shí)例

基于ASP.NET 技術(shù)體系，采用SQL Server2008R2數(shù)據(jù)庫(kù)，以數(shù)控機(jī)床設(shè)計(jì)資源共享平臺(tái)在機(jī)床企業(yè)應(yīng)用中所獲得的知識(shí)使用記錄為數(shù)據(jù)集，建立數(shù)控機(jī)床設(shè)計(jì)知識(shí)推送的原型系統(tǒng)。首先對(duì)平臺(tái)上的設(shè)計(jì)知識(shí)進(jìn)行本體標(biāo)注，并根據(jù)實(shí)際的知識(shí)使用情況確定式（2）中的參數(shù)。得到關(guān)系權(quán)值計(jì)算公式：

依據(jù)集聚關(guān)聯(lián)分析方法對(duì)知識(shí)使用記錄進(jìn)行分析，去除噪聲瀏覽，計(jì)算設(shè)計(jì)知識(shí)關(guān)系權(quán)值，建立設(shè)計(jì)知識(shí)關(guān)系庫(kù)。以數(shù)控機(jī)床主軸部件的設(shè)計(jì)任務(wù)為例，基于本體對(duì)主軸部件的設(shè)計(jì)任務(wù)進(jìn)行分解，得到如圖5所示的本體概念樹。

進(jìn)行設(shè)計(jì)知識(shí)動(dòng)態(tài)推送的主要步驟如下。

（1）取主軸部件的各領(lǐng)域本體對(duì)應(yīng)點(diǎn)擊率最高的設(shè)計(jì)知識(shí)形成初始推送序列，如圖6所示。

（2）進(jìn)行子任務(wù)“主軸軸承選配”，選擇瀏覽“主軸常用滾動(dòng)軸承類型”這條設(shè)計(jì)知識(shí)，如圖7所示。

將此設(shè)計(jì)知識(shí)作為初始激活節(jié)點(diǎn)，通過讀取設(shè)計(jì)知識(shí)關(guān)系庫(kù)與設(shè)計(jì)知識(shí)本體庫(kù)，獲得該知識(shí)相關(guān)設(shè)計(jì)知識(shí)的組織結(jié)構(gòu)圖、節(jié)點(diǎn)關(guān)系圖，如圖8和圖9所示，這里取其中一部分來說明推送過程。

（3）根據(jù)上面獲得的關(guān)系信息，依據(jù)2.3節(jié)中的激活擴(kuò)散過程進(jìn)行激活擴(kuò)散計(jì)算，擴(kuò)散終止條件為擴(kuò)散層級(jí)達(dá)到2。以“主軸常用滾動(dòng)軸承類型”對(duì)應(yīng)的節(jié)點(diǎn)K32為根節(jié)點(diǎn)，則與K32直接相關(guān)的知識(shí)節(jié)點(diǎn)有5個(gè)，由此構(gòu)成的知識(shí)節(jié)點(diǎn)關(guān)系矩陣如表2所示。

表2 知識(shí)節(jié)點(diǎn)關(guān)系矩陣

續(xù)表2

取層內(nèi)的衰減系數(shù)為0.3，則初始激活值為

利用式（9）和式（10）進(jìn)行規(guī)范化處理，得到

取激活閾值為0.75，則激活的知識(shí)節(jié)點(diǎn)為｛K05，K11，K25，K30｝。

重復(fù)上述過程，取層間衰減系數(shù)為0.9，得到所有與上層節(jié)點(diǎn)相關(guān)的節(jié)點(diǎn)｛K01，K26，K07，K06，K31，K02，K23，K04，K17，K19，K24｝的激活值為｛0.76，0.71，0.80，0.64，0.63，0.52，0.65，0.90，0.86，0.80，0.22｝，同樣取激活閾值為0.75，則該層激活的知識(shí)節(jié)點(diǎn)為｛K01，K07，K04，K17，K19｝。

（4）對(duì)所有的激活節(jié)點(diǎn)按激活值進(jìn)行排序，對(duì)應(yīng)的設(shè)計(jì)知識(shí)形成新的推送結(jié)果，如圖10所示。

從得到的推送結(jié)果可以看到，排在最前面的是與激活知識(shí)“主軸常用滾動(dòng)軸承類型”密切相關(guān)的產(chǎn)品設(shè)計(jì)知識(shí)“主軸軸承合理布置”、“主軸部件軸承選擇”、“滾動(dòng)軸承類型選擇”等，而“傳動(dòng)件位置的合理布局”因其與激活知識(shí)具有相同的領(lǐng)域“主軸部件傳動(dòng)方案”，具有一定的參考意義，但排在序列最后，符合設(shè)計(jì)人員的瀏覽習(xí)慣且滿足當(dāng)前的設(shè)計(jì)知識(shí)需求。繼續(xù)分析設(shè)計(jì)人員對(duì)推送結(jié)果的瀏覽行為，重復(fù)上述過程，直到完成設(shè)計(jì)任務(wù)。

5 結(jié)束語

精確、動(dòng)態(tài)的知識(shí)推送是面向產(chǎn)品設(shè)計(jì)的知識(shí)推送技術(shù)研究的目標(biāo)。本文提出了基于變權(quán)分層激活擴(kuò)散模型的設(shè)計(jì)知識(shí)動(dòng)態(tài)推送技術(shù)，主要工作與特點(diǎn)有：

（1）針對(duì)傳統(tǒng)的激活擴(kuò)散模型關(guān)系權(quán)值固定和知識(shí)組織能力差的缺陷，提出了面向設(shè)計(jì)知識(shí)推送的具有層次激活擴(kuò)散過程的變權(quán)分層激活擴(kuò)散模型。

（2）通過分析產(chǎn)品設(shè)計(jì)知識(shí)使用上的集聚特性，提出了針對(duì)知識(shí)使用日志在時(shí)間維度上的集聚關(guān)聯(lián)分析方法，獲得設(shè)計(jì)知識(shí)間的內(nèi)在聯(lián)系。

（3）通過對(duì)設(shè)計(jì)人員的知識(shí)使用行為的反饋分析，并結(jié)合激活擴(kuò)散模型，提出了單源與多源動(dòng)態(tài)推送模式，實(shí)現(xiàn)了跟隨設(shè)計(jì)人員知識(shí)活動(dòng)的動(dòng)態(tài)推送?；跀?shù)控機(jī)床設(shè)計(jì)資源共享平臺(tái)構(gòu)建知識(shí)推送原型系統(tǒng)，以數(shù)控機(jī)床設(shè)計(jì)中的知識(shí)活動(dòng)為例，對(duì)所提方法進(jìn)行了驗(yàn)證。

本文提出的推送方法為解決設(shè)計(jì)知識(shí)動(dòng)態(tài)推送問題提供了新的思路，但還有很多問題有待完善，如考慮設(shè)計(jì)人員知識(shí)背景的更加精確和個(gè)性化的推送方法，以及設(shè)計(jì)知識(shí)與知識(shí)節(jié)點(diǎn)的復(fù)雜映射關(guān)系的獲得等，這些是下一步值得研究的內(nèi)容。

［1］JI Xiang，GU Xinjian，DAI Feng，et al.Technology for product design knowledge push based on ontology and rough sets［J］.Computer Integrated Manufacturing Systems，2013，19（1）：7-20（in Chinese）.［吉 祥，顧新建，代 風(fēng)，等.基于本體和粗糙集的產(chǎn)品設(shè)計(jì)知識(shí)推送技術(shù)［J］.計(jì)算機(jī)集成制造系統(tǒng)，2013，19（1）：7-20.］

［2］NILASHI M，IBRAHIM O B，ITHNIN N.Multi-criteria collaborative filtering with high accuracy using higher order singular value decomposition and Neuro-Fuzzy system ［J］.Knowledge-Based Systems，2014，60（4）：82-101.

［3］YAN Junwei，HUANG Xun，LIU Min，et al.Personalized recommendation algorithm for user interest model based on ontology［J］.Computer Integrated Manufacturing Systems，2010，16（12）：2757-2762（in Chinese）.［嚴(yán)雋薇，黃 勛，劉敏，等.基于本體用戶興趣模型的個(gè)性化推薦算法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（12）：2757-2762.］

［4］BIRTOLO C，RONCA D.Advances in clustering collaborative filtering by means of fuzzy C-means and trust［J］.Expert Systems with Applications，2013，40（17）：6997-7009.

［5］LIANG T，YANG Y，CHEN D，et al.A semantic-expansion approach to personalized knowledge recommendation［J］.Decision Support Systems，2008，45（3）：401-412.

［6］HUANG Weidong，WANG Youyuan，XIE Qiang，et al.Research on management of design knowledge based on ontology in the integrated product development［J］.China Mechanical Engineering，2007，18（21）：2566-2569（in Chinese）.［黃衛(wèi)東，王有遠(yuǎn)，謝 強(qiáng)，等.基于本體的設(shè)計(jì)知識(shí)檢索研究［J］.中國(guó)機(jī)械工程，2007，18（21）：2566-2569.］

［7］FENG Yong，F(xiàn)AN Zhiping，F(xiàn)ENG Bo，et al.Construction of knowledge push system in customer service center of enterprise［J］.Computer Integrated Manufacturing Systems，2007，13（5）：1015-1020（in Chinese）.［馮 勇，樊治平，馮 博，等.企業(yè)客戶服務(wù)中心知識(shí)推送系統(tǒng)構(gòu)建研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2007，13（5）：1015-1020.］

［8］FANG Hui，TAN Jianrong，TAN Ying，et al.Manufacturing information active recommendation based on Web services［J］.Computer Integrated Manufacturing Systems，2008，14（11）：2253-2260（in Chinese）.［方 輝，譚建榮，譚 穎，等.基于Web的制造信息主動(dòng)推薦服務(wù)研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2008，14（11）：2253-2260.］

［9］LE Chengyi，DAI Feng，JI Xiang，et al.Domain knowledge actively pushing system driven by process［J］.Computer Integrated Manufacturing Systems，2010，16（12）：2720-2727（in Chinese）.［樂承毅，代 風(fēng)，吉 祥，等.基于流程驅(qū)動(dòng)的領(lǐng)域知識(shí)主動(dòng)推送研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（12）：2720-2727.］

［10］SHI Meihong，WANG Ting，CHEN Yongdang，et al.Knowledge push system based on business process and knowledge need［J］.Computer Integrated Manufacturing Systems，2011，17（4）：882-887（in Chinese）.［石美紅，王 婷，陳永當(dāng)，等.基于業(yè)務(wù)過程和知識(shí)需求的知識(shí)推送系統(tǒng)［J］.計(jì)算機(jī)集成制造系統(tǒng)，2011，17（4）：882-887.］

［11］WANG Shengfa，GU Xinjian，GUO Jianfeng，et al.Knowledge active push for product design［J］.Computer Integrated Manufacturing Systems，2007，13（2）：234-239（in Chinese）.［王生發(fā)，顧新建，郭劍鋒，等.面向產(chǎn)品設(shè)計(jì)的知識(shí)主動(dòng)推送研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2007，13（2）：234-239.］

［12］MOON S K，SIMPSON T W，KUMARA S R T.An agentbased recommender system for developing customized families of products［J］.Journal of Intelligent Manufacturing，2009，20（6）：649-659.

［13］XU Y，YIN G，NIE Y，et al.Research on an active knowledge push service based on collaborative intent capture［J］.Journal of Network and Computer Applications，2013，36（6）：14-18.

［14］COLLINS A M L.A spreading-activation theory of semantic processing［J］.Psychological Review，1975，82（6）：407-428.

［15］CRESTANI F.Application of spreading activation techniques in information retrieval［J］.Artificial Intelligence Review，1997，11（6）：453-482.

［16］BLANCO-FERNáNDEZ Y，LóPEZ-NORES M，GIL-SOLLA A，et al.Exploring synergies between content-based filtering and Spreading Activation techniques in knowledge-based recommender systems［J］.Information Sciences，2011，181（21）：4823-4846.

［17］HAWALAH A，F(xiàn)ASLI M.Utilizing contextual ontological user profiles for personalized recommendations［J］.Expert Systems with Applications，2014，41（10）：4777-4797.

［18］NEVES A R D M，CARVALHOá M G，RALHA C G.Agent-based architecture for context-aware and personalized event recommendation［J］.Expert Systems with Applications，2014，41（2）：563-573.

［19］PEARCE J，F(xiàn)ERRIER S.Evaluating the predictive performance of habitat models developed using logistic regression［J］.Ecological Modelling，2000，133（3）：225-245.

［20］MAY R M.Simple mathematical models with very complicated dynamics［J］.Nature，1976，261（5560）：459-467.

［21］TASHIRO T，MINAGAWA H，CHIBA M.Hierarchical logistic equation to describe the dynamical behavior of penetration rates［J］.Physica A：Statistical Mechanics and its Applications，2015，430：57-64.

［22］LIAO Kaiji，YE Donghai，XI Yunjiang.Research on personalized knowledge service model based on relevance feedback［J］.Library and Information Service，2010（8）：103-107（in Chinese）.［廖開際，葉東海，席運(yùn)江.基于相關(guān)反饋的個(gè)性化知識(shí)服務(wù)模型研究［J］.圖書情報(bào)工作，2010（8）：103-107.］