蘇兆婧 ，余隋懷 ，初建杰 ，于明玖，宮 靜，黃悅欣

(西北工業(yè)大學(xué) 工業(yè)設(shè)計與人機工效工信部重點實驗室，陜西 西安 710072)

0 引言

服務(wù)化和信息化是當前設(shè)計制造業(yè)發(fā)展的兩大趨勢[1-2]，云設(shè)計服務(wù)平臺在為用戶帶來大量服務(wù)的同時，也產(chǎn)生了服務(wù)與用戶需求的匹配問題：對于一些來自于傳統(tǒng)行業(yè)的用戶來說，讓其清楚地描述需求并不是一件容易的事情。用戶只會為設(shè)計師提供一個他們心中的“美好愿景”，或簡單實現(xiàn)方法。對于設(shè)計師而言，這種單純依靠對用戶提交材料進行需求提取與分析的方法，顯然不能對所有需求進行精確定位。因此，如何獲取用戶潛在需求，利用平臺中的海量資源和服務(wù)，為用戶提供所需的滿意設(shè)計服務(wù)，是目前云設(shè)計制造平臺亟待解決的關(guān)鍵問題。

目前，國內(nèi)外學(xué)者對需求驅(qū)動的設(shè)計特征識別進行了卓有成效的研究，宮華萍等[3]提出一種結(jié)合層次分析法、逼近理想解排序多屬性決策法和猶豫二元語義變量的改進質(zhì)量功能展開(Quality Function Deployment, QFD)模型，以評價用戶需求與質(zhì)量特性的關(guān)系。張付英等[4]集成層次性分析法和卡諾模型提出了面向產(chǎn)品可持續(xù)設(shè)計的關(guān)鍵模塊識別方法。WU等[5]將模糊Kano模型與模糊層次分析法(Fuzzy Analytic Hierarchy Process, FAHP)相結(jié)合，用于在產(chǎn)品設(shè)計過程中確定用戶吸引力因素的優(yōu)先級。PEDERSEN等[6]使用田口質(zhì)量損失函數(shù)提供一種早期需求獲取方式，將獲得的量化用戶需求信息轉(zhuǎn)化為對設(shè)計團隊有用的信息。LIVERANI等[7]將QFD和六西格瑪(Design For Six Sigma, DFSS)應(yīng)用于多功能風(fēng)扇的創(chuàng)新設(shè)計中，用于識別在增材設(shè)計中與客戶需求有關(guān)的技術(shù)響應(yīng)。

隨著近年計算機技術(shù)的蓬勃發(fā)展，也出現(xiàn)了一些從客戶評論中提取用戶需求的模型，如李玉博[8]利用文本挖掘技術(shù)中基于詞頻-逆文本頻率(Term Frequency-Inverse Document Frequency，TF-IDF)算法抽取用戶在線評論的關(guān)鍵詞，對采集到的用戶需求信息進行識別和表達，以實現(xiàn)用戶需求信息向產(chǎn)品功能特征的轉(zhuǎn)化。ANH等[9]利用TextRank算法，從在線客戶評論中提取用戶需求，并將其表示為適合設(shè)計師的形式。用戶自然語言描述的文本信息通常不可避免地存在一些不規(guī)范的描述或歧義，為進一步精確提取自然語言描述中所包含的有用信息，文獻[10]利用雙向長短時記憶(Bi-directional Long Short-Term Memory，Bi-LSTM)神經(jīng)網(wǎng)絡(luò)層的輸出，即每一個標簽的預(yù)測分值作為條件隨機場(Conditional Random Fields，CRF)建立有監(jiān)督的命名實體識別(Named Entity Recognition，NER)模型，從而快速并較為準確地對自然語言描述中的特定領(lǐng)域信息進行提取，對用戶文本的智能化分析與挖掘起著重要作用。

綜上所述，需求驅(qū)動的設(shè)計特征識別技術(shù)大致分為兩大類：針對特定產(chǎn)品的用戶需求獲取方式[11-12]和利用計算機技術(shù)從文本信息中挖掘產(chǎn)品用戶需求的方式[13-15]。當今世界已處于知識經(jīng)濟時代，全球以電子方式存儲的數(shù)據(jù)信息正在飛速增長，傳統(tǒng)需求獲取方式例如QFD和DFSS[16]雖然能夠提供較為精準的結(jié)果，但其時效性不足，無法對這些數(shù)據(jù)進行及時、有效的分析處理。近年，利用自然語言處理(Natural Language Processing，NLP)技術(shù)從產(chǎn)品評論中挖掘信息引起了人們的廣泛關(guān)注?；赥F-IDF和TextRank等無監(jiān)督的文本挖掘算法雖然能夠自動地從文本中進行關(guān)鍵詞提取，但由于其未經(jīng)算法訓(xùn)練，提取出的結(jié)果包含過多噪聲，因此需要人工二次處理。有監(jiān)督的NER訓(xùn)練模型能夠較好地解決這一問題。目前，許多學(xué)者在生物、醫(yī)學(xué)領(lǐng)域命名實體識別領(lǐng)域展開了一些研究[17-19]，設(shè)計領(lǐng)域命名實體的識別尚未得到關(guān)注。

眾多云設(shè)計交易平臺、電商平臺等提供了龐大的語料庫，為設(shè)計領(lǐng)域中文NER提供了龐大的數(shù)據(jù)支持。因此，本研究嘗試通過建立中文NER模型來對用戶最為關(guān)注的設(shè)計特征進行自動識別，這也是NER任務(wù)在設(shè)計領(lǐng)域的第一次嘗試。在龐大的語料庫支撐下，經(jīng)算法訓(xùn)練，能夠在用戶提交的非結(jié)構(gòu)化文本數(shù)據(jù)中自動為設(shè)計師捕獲有效設(shè)計信息。同時，由于特征選擇算法能夠從高維數(shù)據(jù)中識別關(guān)鍵特征，本研究利用智能算法構(gòu)建產(chǎn)品隱性設(shè)計特征發(fā)現(xiàn)系統(tǒng)，從而避免在產(chǎn)品設(shè)計過程中的重心偏置、關(guān)鍵設(shè)計特征遺漏等現(xiàn)象。

1 問題描述與模型構(gòu)建

顯性產(chǎn)品設(shè)計特征是指用戶易于察覺、易于表述的最為明顯的關(guān)鍵設(shè)計特征。本研究從用戶反饋和產(chǎn)品描述出發(fā)，以基于轉(zhuǎn)換器的雙向編碼表征(Bidirectional Encoder Representations from Transformers，BERT)預(yù)訓(xùn)練語言模型[20]為基礎(chǔ)，建立softmax輸出層，通過訓(xùn)練特定領(lǐng)域中文NER模型，實現(xiàn)從用戶非結(jié)構(gòu)化文本中為設(shè)計師自動獲取簡潔、具體的顯性產(chǎn)品設(shè)計特征的目的。

隱性產(chǎn)品設(shè)計特征是指用戶不易察覺，但對其最終滿意度產(chǎn)生一定影響的產(chǎn)品關(guān)鍵設(shè)計特征。針對設(shè)計特征高維度、設(shè)計特征之間冗余性強的特點，提出一種知識遷移思想，本研究將特征選擇算法隨機Lasso[21]引入問題研究中，構(gòu)造產(chǎn)品關(guān)鍵隱性設(shè)計特征識別模型。

1.1 基于BERT的顯性設(shè)計特征識別方法

1.1.1 BERT網(wǎng)絡(luò)架構(gòu)

BERT是一種基于微調(diào)的多層雙向Transformer編碼器，由多個Transformer層疊加組成[20]。不同于以往基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的Seq2Seq模型框架，Transformer在編碼器和解碼器中大量使用了多頭自注意力機制(Multi-headed self-attention)，同時借鑒了殘差網(wǎng)絡(luò)[22]結(jié)構(gòu)，將輸入值與輸出值相結(jié)合，如圖1所示[23]。多頭自注意力機制計算如式(1)～式(3)所示：

(1)

MultiHead(Q,K,V)=Concat(head1,head2,…,headh)Wo，

(2)

(3)

1.1.2 輸入特征處理

BERT的輸入是一個線性序列，支持單句文本和句對文本，句首用符號[CLS]表示，句尾用符號[SEP]表示，如果是句對，句子之間添加符號[SEP]，如圖2所示。輸入特征由詞嵌入(token embedding)、段嵌入(segment embedding)和位置嵌入(position embedding)三部分組成，分別表示單詞信息、句子信息和位置信息。

1.1.3 預(yù)訓(xùn)練

BERT采用遮蔽語言模型(Masked Language Model, MLM)和“下一句預(yù)測”(Next Sentence Prediction, NSP)兩種策略，以用于模型預(yù)訓(xùn)練。MLM是指在訓(xùn)練時從輸入語料上隨機遮蔽掉一些單詞，然后通過上下文預(yù)測該單詞。相比傳統(tǒng)從左到右的語言模型只能單向預(yù)測目標函數(shù)，MLM可以從任意方向預(yù)測被掩蓋的單詞，從而可以預(yù)訓(xùn)練深度雙向Transformer。在確定要遮蔽掉的單詞之后，80%的時候會直接替換為[Mask]，10%的時候?qū)⑵涮鎿Q為其他任意單詞，10%的時候會保留原始樣貌。

NSP的任務(wù)是判斷句子B是否是句子A的下文。若是，則輸出“是下一句”，否則輸出“不是下一句”。訓(xùn)練數(shù)據(jù)的生成方式是從平行語料庫中隨機抽取連續(xù)的兩句話，其中50%的句子對中，句子B是句子A的下文，即符合上下句關(guān)系，另外50%的句子B是隨機從預(yù)料中提取的，它們不符合上下句關(guān)系。該關(guān)系保存在圖2中的[CLS]符號中。

1.1.4 任務(wù)微調(diào)

在海量單預(yù)料上訓(xùn)練完BERT之后，便可以將其應(yīng)用到NLP的各個任務(wù)中，只需在BERT的基礎(chǔ)上添加一個輸出層便可完成對特定任務(wù)的微調(diào)。對于本研究中的NER任務(wù)，判斷一個句子中的單詞是不是產(chǎn)品名稱、產(chǎn)品結(jié)構(gòu)、功能屬性、外觀屬性或是非命名實體，系統(tǒng)接收標記好的文本序列，在每個時間片輸出一個概率，最后通過Softmax預(yù)測單詞或短語的實體類別。

1.1.5 評價指標

對NER系統(tǒng)的發(fā)展來說，系統(tǒng)的全面評估必不可少，許多系統(tǒng)被要求根據(jù)其標注文本的能力來對系統(tǒng)進行排序。實驗評價指標體系由準確率(Precision)、召回率(Recall)以及綜合評價指標F1值(F1Measure)構(gòu)成[24]。

1.2 基于隨機Lasso的隱性設(shè)計特征識別方法

隨機Lasso算法突破了Lasso算法的一個重要局限：它只能選擇一組高度相關(guān)的重要變量中的一個或幾個，其他系數(shù)都壓縮為0。隨機Lasso算法最終選出高度相關(guān)變量中的大部分，甚至全部。利用隨機Lasso進行特征選擇主要分為兩步，在每個步驟中，Bootstrap法產(chǎn)生的每一個Bootstrap 樣本能夠產(chǎn)生與從相同分布中生成的數(shù)據(jù)集相類似的擾動，具體地：

(1)計算所有系數(shù)的重要性度量

步驟1利用Bootstrap方法，從原始訓(xùn)練數(shù)據(jù)集中有放回地抽取B個樣本量為n的樣本。

步驟3依照式(4)計算特征Xi的重要性度量Ij，其中j∈{1,2,…,p}，Cj為特征Xi在B個Bootstrap樣本中被選取的次數(shù)。

(4)

(2)特征選擇

步驟4與步驟1相同，從原始訓(xùn)練數(shù)據(jù)集中有放回地抽取B個樣本量為n的Bootstrap樣本。

(5)

2 實驗驗證

本研究基于Python編程語言，分兩個模塊進行:①設(shè)計領(lǐng)域中文NER模塊，即產(chǎn)品顯性設(shè)計特征識別模塊，以Pytorch作為深度學(xué)習(xí)框架；②特征選擇模塊，即產(chǎn)品隱性設(shè)計特征識別模塊，該模塊運用機器學(xué)習(xí)庫Scikit-learn編程實現(xiàn)。

2.1 數(shù)據(jù)準備及其預(yù)處理

無論是對于深度學(xué)習(xí)任務(wù)還是機器學(xué)習(xí)任務(wù)，實驗數(shù)據(jù)集準備是其基礎(chǔ)條件[25]。

2.1.1 工業(yè)設(shè)計NER語料庫構(gòu)建

在工業(yè)設(shè)計領(lǐng)域NER語料庫的構(gòu)建過程中，使用了輕量級爬蟲框架Scrapy，在某電商網(wǎng)站上爬取銷量在前的熱門產(chǎn)品評論。利用Scrapy框架爬取產(chǎn)品評論的整體流程如圖3所示。

Scrapy框架包括引擎、調(diào)度器、下載器、爬蟲、項目管道、下載器中間件、爬蟲中間件、調(diào)度中間件。其中：引擎用來控制整個系統(tǒng)的數(shù)據(jù)處理流程，并進行事務(wù)處理的觸發(fā)；調(diào)度器用來接收引擎發(fā)來的請求，壓入隊列中，并在引擎再次請求的時候返回；下載器用于下載網(wǎng)頁內(nèi)容，并將網(wǎng)頁內(nèi)容返回給爬蟲(Spider)；爬蟲用于從特定網(wǎng)頁中提取自己需要的信息；項目管道負責(zé)數(shù)據(jù)的存儲和過濾；下載器中間件位于Scrapy引擎和下載器之間的框架，處理Scrapy引擎與下載器之間的請求及響應(yīng)；爬蟲中間件介于Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的響應(yīng)輸入和請求輸出；調(diào)度中間件介于Scrapy引擎和爬蟲之間的框架，用于處理蜘蛛的響應(yīng)輸入和請求輸出。

本實驗以4種產(chǎn)品為例，爬取并初步構(gòu)建產(chǎn)品領(lǐng)域中文NER語料庫共243 958字，將其中的209 079字劃分為訓(xùn)練集，18 453字劃分為驗證集，16 426字為測試集，部分原始語料如圖4所示，語料庫基本信息如表1所示。

表1 產(chǎn)品領(lǐng)域命名實體識別語料庫基本信息

根據(jù)對語料庫的初步觀察和分析，結(jié)合領(lǐng)域?qū)＜抑R以及主流領(lǐng)域文獻[26-27]中名實體類別的數(shù)目。本文定義了以下5種產(chǎn)品領(lǐng)域命名實體類別：產(chǎn)品名稱、產(chǎn)品結(jié)構(gòu)、功能屬性、外觀屬性以及非命名實體。實體分類及示例如表2所示。

表2 產(chǎn)品領(lǐng)域命名實體分類

語料庫的標注問題是NER任務(wù)需要解決的第一個問題。需要對一個序列的每一個元素標注一個標簽。一般來說，一個序列指的是一個句子，而一個元素指的是句子中的一個詞。目前較為流行的方法有BIO、BIOES、BMES等，本研究采用BIO標注方法，即將每個元素標注為“B-X”、“I-X”或者“O”。其中：“B-X”表示該元素所在的片段屬于X類型并且該元素在該片段的開頭，“I-X”表示該元素所在的片段屬于X類型并且該元素在該片段的中間位置，“O”表示不屬于任何類型。本研究采用的標簽集如表3所示。

表3 標簽集

所有語料均由人工獨立標注完成，工作量大，耗時較久，因此數(shù)據(jù)規(guī)模并不是很大。在標注過程中，借助了一款輕量級文本標注工具：YEDDA[28]的幫助來加快標注速度，語料標注過程如圖5所示。

通過編寫腳本進行語料格式轉(zhuǎn)換，標注后以及最終得到語料數(shù)據(jù)集的具體形式如圖6所示。表4詳細記錄了Design-NER數(shù)據(jù)集的詳細信息。

表4 Design-NER數(shù)據(jù)集

2.1.2 產(chǎn)品設(shè)計特征數(shù)據(jù)集構(gòu)建

為有效識別設(shè)計師和用戶不易察覺，但影響產(chǎn)品用戶滿意度的關(guān)鍵隱性設(shè)計特征，避免在產(chǎn)品設(shè)計過程中的重心偏置、關(guān)鍵設(shè)計特征遺漏等現(xiàn)象。本研究以吹風(fēng)機產(chǎn)品為例，構(gòu)建其產(chǎn)品設(shè)計特征數(shù)據(jù)集，特征選擇數(shù)據(jù)集共涉及23款熱門產(chǎn)品的29個設(shè)計特征，部分產(chǎn)品及其特征如表5所示。

如表5所示，搜集到的數(shù)據(jù)存在部分缺失現(xiàn)象，且數(shù)據(jù)類型存在非數(shù)值型變量。在機器學(xué)習(xí)和數(shù)據(jù)挖掘中所得到的數(shù)據(jù)，幾乎不可能是完美的，很多特征對建模來說意義非凡，因此，經(jīng)常出現(xiàn)重要的特征缺失值很多，但又不能直接舍棄特征字段的情況。此外，大多數(shù)算法只能夠處理數(shù)值型數(shù)據(jù)，不能處理文字，故需將數(shù)據(jù)進行編碼，即將文字型轉(zhuǎn)換為數(shù)值型變量。將數(shù)據(jù)格式轉(zhuǎn)換為CSV格式后，需要對獲得的數(shù)據(jù)進行多步預(yù)處理操作，預(yù)處理步驟如圖7所示。

表5 產(chǎn)品設(shè)計特征數(shù)據(jù)集

本研究使用眾數(shù)來填補過熱保護變量，使用均值填補重量和電源線長兩項變量。此外，在機器學(xué)習(xí)中，大多數(shù)算法只能處理數(shù)值型數(shù)據(jù)，因此，必須對數(shù)據(jù)進行編碼，即將文字型數(shù)據(jù)轉(zhuǎn)換為數(shù)值型。數(shù)據(jù)集中智能功能、按鈕排布方式等屬于名義變量，不同變量取值間相互獨立，不存在數(shù)值關(guān)系，不能計算，故無法簡單地將其按照有序變量的[0,1]編碼方式對其進行編碼，即有智能功能編碼為0，無智能功能編碼為1。諸如此類的名義變量，只有使用獨熱(One-Hot)編碼，將特征轉(zhuǎn)換為啞變量的方式來處理，才能盡量向算法傳達最準確的信息，如圖8所示。

2.2 實驗過程及結(jié)果驗證

2.2.1 基于BERT的設(shè)計領(lǐng)域命名實體識別

進行模型訓(xùn)練時，需根據(jù)實際要求將訓(xùn)練集、驗證集、測試集數(shù)據(jù)分別放入指定位置，并在數(shù)據(jù)集配置文件中加入個人數(shù)據(jù)集描述配置。實驗開發(fā)環(huán)境為Ubuntu16.04，基于Titan X GPU進行模型訓(xùn)練。綜合考慮樣本數(shù)量和硬件情況，同時為了防止模型過擬合，采用了早期停止訓(xùn)練策略，在進行多次參數(shù)調(diào)整后，網(wǎng)絡(luò)參數(shù)確定如表6所示。

表6 網(wǎng)絡(luò)參數(shù)設(shè)置

迭代11次后，模型在驗證集中的F1分數(shù)已經(jīng)3次沒有呈現(xiàn)上升趨勢，同時在驗證集上的loss值為0.02，即達到訓(xùn)練終止條件。此時，在訓(xùn)練集、驗證集、測試集上均可以實現(xiàn)較好的性能，其精確率、召回率、F1分數(shù)如表7所示。

表7 實驗結(jié)果

模型在線測試的結(jié)果如圖9所示。由圖可知，該模型能夠在云服務(wù)平臺訂單量較大，用戶語言較繁瑣時自動地從非結(jié)構(gòu)化語言文本中識別出用戶的顯性設(shè)計需求，實時地轉(zhuǎn)換為產(chǎn)品類別、結(jié)構(gòu)、功能屬性、外觀和材質(zhì)等設(shè)計語言，進一步提升需求與服務(wù)的匹配效率。

2.2.2 基于隨機Lasso的產(chǎn)品關(guān)鍵隱性設(shè)計特征識別

對于產(chǎn)品關(guān)鍵隱性設(shè)計特征識別模塊，本研究提出一種知識遷移思想，利用網(wǎng)絡(luò)平臺海量數(shù)據(jù)來識別用戶不易察覺但能夠?qū)ζ錆M意度產(chǎn)生一定影響的產(chǎn)品設(shè)計特征，該模塊實驗軟件配置如表8所示。

表8 實驗軟件配置

綜合考慮評價得分與銷量，將標簽定義為Label=10[Score-int(Score)]+1e-5salesvolume，經(jīng)特征選擇算法隨機Lasso運算，得到各設(shè)計特征及其重要度權(quán)重如表9所示。

表9 特征及其重要度權(quán)重

由表9可知，在本研究所采用的吹風(fēng)機示例中，影響其銷量及用戶滿意度的關(guān)鍵產(chǎn)品設(shè)計特征為：產(chǎn)品高度、有無智能功能、造型簡約度、有無水離子功能等。由此可見，普通用戶所能表達的信息量有限，在這種情況下，運用知識遷移思想，對其需求進一步補充尤為重要。在當前大數(shù)據(jù)環(huán)境下，利用智能算法構(gòu)建產(chǎn)品關(guān)鍵隱性設(shè)計特征發(fā)現(xiàn)系統(tǒng)，考慮設(shè)計特征的先后主次、設(shè)計成本和效率的問題，有助于設(shè)計人員在設(shè)計過程中關(guān)注關(guān)鍵設(shè)計參數(shù)和信息，并根據(jù)它們與產(chǎn)品功能、用戶滿意度的密切關(guān)系，快速獲得設(shè)計方案。

3 討論

為檢驗BERT 模型對傳統(tǒng)詞向量表示方法的提升效果，基于原始數(shù)據(jù)集進行Bi-LSTM+CRF與BERT模型的對比實驗，實驗結(jié)果如表10所示?？梢钥闯?，對比無遷移的Bi-LSTM+CRF模型，使用BERT 預(yù)訓(xùn)練模型進行知識遷移的方法，F(xiàn)1值整體提高了2.93%。該模型將自然語言編碼成字嵌入、詞嵌入和位置嵌入，同時輸入基于Transformer結(jié)構(gòu)構(gòu)造的雙向編碼器網(wǎng)絡(luò)，充分考慮上下文信息對實體的影響，能夠滿足產(chǎn)品領(lǐng)域命名實體識別任務(wù)的一般需求。

表10 對比實驗結(jié)果

同時，采用Lasso算法構(gòu)建產(chǎn)品關(guān)鍵隱性設(shè)計特征識別模型，在相同參數(shù)取值下，重要度權(quán)重除產(chǎn)品最大功率，產(chǎn)品長度、寬度、重量、造型簡約度、價格外，其余系數(shù)均被壓縮為零。相較于Lasso算法，所提方法能夠為設(shè)計者提供更為詳細的產(chǎn)品設(shè)計特征重要度權(quán)重參數(shù)。因此，能夠在設(shè)計過程中根據(jù)成本等客觀條件的限制靈活考慮設(shè)計特征的數(shù)量及其重要度。在客觀條件允許的情況下，盡可能地減小設(shè)計結(jié)果與用戶滿意之間的偏差。

此外，本研究也存在一定的局限性與可提升空間。作為基于智能算法構(gòu)建的產(chǎn)品關(guān)鍵設(shè)計特征識別系統(tǒng)的第一次探索性嘗試，受人力等資源的限制，本研究僅以代表性家電產(chǎn)品為例進行挖掘。經(jīng)實驗證明，本文所提研究方法可行。因此，在人力、財力、時間等條件充裕的情況下，盡可能地增加研究樣本數(shù)量使其涵蓋更為廣泛的產(chǎn)品種類能夠使本文的研究更具說服力，這同時也是后續(xù)研究的關(guān)注點之一。

4 結(jié)束語

本文提出一種基于BERT和隨機Lasso的產(chǎn)品關(guān)鍵設(shè)計特征識別方法。以特定領(lǐng)域命名實體識別任務(wù)的形式實現(xiàn)了產(chǎn)品關(guān)鍵顯性設(shè)計特征的自動獲取，這將推動自然語言處理技術(shù)在處理設(shè)計領(lǐng)域文本的發(fā)展，實現(xiàn)機器代替設(shè)計師從用戶反饋數(shù)據(jù)中抽取關(guān)鍵設(shè)計特征的工作。同時，提出知識遷移思想，借助大數(shù)據(jù)的優(yōu)勢，利用智能算法構(gòu)建產(chǎn)品關(guān)鍵隱性設(shè)計特征發(fā)現(xiàn)系統(tǒng)，為今后的研究提供了新思路。未來將考慮增加研究樣本數(shù)量，使其能夠涵蓋更為廣泛的產(chǎn)品種類，以及知識抽取的其他兩個方面：實體關(guān)系抽取(Relation Extraction，RE)和屬性抽取(Attribute Extraction，AE)。