楊梅，王怡妍，李雪瑞，侯幸剛

用戶集群驅(qū)動(dòng)的適老化產(chǎn)品優(yōu)化策略研究

楊梅，王怡妍，李雪瑞，侯幸剛

（山東科技大學(xué) 藝術(shù)學(xué)院，山東 青島 266590）

為解決用戶訴求表述模糊所導(dǎo)致的需求獲取不足、設(shè)計(jì)決策復(fù)雜難定等問題對(duì)適老化產(chǎn)品及應(yīng)用服務(wù)推廣的阻礙，最大程度提升用戶體驗(yàn)滿意度，提出一種用戶集群評(píng)價(jià)驅(qū)動(dòng)的短周期、高效率的感性設(shè)計(jì)方法。引入評(píng)價(jià)信息對(duì)目標(biāo)用戶集群的需求進(jìn)行精準(zhǔn)而真實(shí)地深層挖掘，結(jié)合TextRank算法量化感性描述文本，構(gòu)建評(píng)價(jià)指標(biāo)體系；充分借助猶豫模糊決策算法構(gòu)建方案評(píng)價(jià)模型（I-HFCJM），計(jì)算各產(chǎn)品評(píng)價(jià)指標(biāo)得分函數(shù)值對(duì)樣本產(chǎn)品優(yōu)劣予以可視化分析，以現(xiàn)有產(chǎn)品的可借鑒點(diǎn)與注意問題為依據(jù)指導(dǎo)產(chǎn)品改進(jìn)設(shè)計(jì)。以老年家用制氧機(jī)改進(jìn)設(shè)計(jì)為例，計(jì)算改進(jìn)方案同樣本產(chǎn)品的綜合權(quán)重并進(jìn)行優(yōu)劣排序，驗(yàn)證了該方法的有效性，為老年家用制氧機(jī)及其他適老化產(chǎn)品設(shè)計(jì)開發(fā)提供了改進(jìn)策略。

產(chǎn)品設(shè)計(jì)；用戶集群；TextRank；猶豫模糊決策算法；I-HFCJM模型

近年來，我國(guó)老年群體基數(shù)逐漸增大，“銀發(fā)經(jīng)濟(jì)”逐漸升溫，老年用戶的產(chǎn)品選購(gòu)行為愈發(fā)傾向于綜合考慮產(chǎn)品各方面特性是否滿足自身訴求[1-2]，智能養(yǎng)老終端設(shè)備的適老化升級(jí)壓力加劇，且該使用群體對(duì)產(chǎn)品訴求的表述具有模糊性、動(dòng)態(tài)性和不確定性，對(duì)產(chǎn)品研發(fā)的引導(dǎo)性較弱，傳統(tǒng)用戶需求推演式智慧養(yǎng)老研發(fā)設(shè)計(jì)難以堅(jiān)持問題導(dǎo)向、目標(biāo)導(dǎo)向。因此亟須整合多方資源，推動(dòng)養(yǎng)老服務(wù)智慧化升級(jí)。

1 理論基礎(chǔ)

針對(duì)訴求模糊問題，科特勒·菲利普等[3]提出用戶集群理論，將屬性域[4]相同或相似的一組用戶集合，從該角度出發(fā)，更好地挖掘用戶的深層次需求。目前，需求挖掘方面以感性工學(xué)為代表的改進(jìn)方法最為盛行，通過將用戶感性意象推演融入產(chǎn)品研發(fā)，對(duì)上述問題予以極大解決。但考慮到傳統(tǒng)感性工學(xué)的應(yīng)用存在強(qiáng)主觀性、弱時(shí)效性、數(shù)據(jù)樣本有限等弊端，目前有學(xué)者致力于從客戶評(píng)論中提取用戶需求，典型文本挖掘方法對(duì)比見表1。

表1 典型文本挖掘方法對(duì)比

Tab.1 Comparison of typical text mining methods

本文選用TextRank算法對(duì)產(chǎn)品評(píng)論文本進(jìn)行數(shù)據(jù)清洗，提取重要詞匯作為詞圖節(jié)點(diǎn)，迭代計(jì)算各節(jié)點(diǎn)的Rank值并排序，將所得關(guān)鍵詞應(yīng)用于網(wǎng)絡(luò)評(píng)價(jià)文本中生成關(guān)鍵字和摘要，有效挖掘隱含其中的精準(zhǔn)而真實(shí)的目標(biāo)用戶集群的訴求。

用戶的多元化訴求決定了產(chǎn)品設(shè)計(jì)決策的復(fù)雜性[11-12]，依據(jù)評(píng)價(jià)指標(biāo)體系產(chǎn)出互補(bǔ)判斷矩陣是提高提取信息與產(chǎn)品特征映射擬合程度的關(guān)鍵。截至目前，猶豫模糊互補(bǔ)判斷矩陣（Hesitant Fuzzy Complementary Judgement Matix，HFCJM）[13-17]因?qū)δ：畔⒌挠行幚硪殉蔀槊枥L復(fù)雜選擇評(píng)價(jià)問題不確定性的有效工具，可以為每個(gè)待評(píng)價(jià)對(duì)象收集多個(gè)可能的評(píng)價(jià)值，以避免評(píng)價(jià)數(shù)據(jù)的丟失。

在復(fù)雜樣本評(píng)價(jià)的過程中，依據(jù)TextRank算法構(gòu)建評(píng)價(jià)指標(biāo)體系及其權(quán)重歸判在一定范疇內(nèi)突破了專家自身判斷的主觀局限性，以及樣本群的客觀復(fù)雜性對(duì)評(píng)價(jià)決策的限制，但判斷矩陣一致性調(diào)整仍為評(píng)價(jià)決策可靠性的重、難點(diǎn)。已有相關(guān)學(xué)者對(duì)此進(jìn)行了相關(guān)研究工作。Zhu等[18]開發(fā)兩種猶豫的模糊偏好關(guān)系轉(zhuǎn)換回歸方法，以專家給定的HFCIM為基礎(chǔ)，分別設(shè)計(jì)優(yōu)化模型和一致性改進(jìn)算法來計(jì)算評(píng)價(jià)對(duì)象的優(yōu)先權(quán)向量，并結(jié)合實(shí)例驗(yàn)證了所提出方法的實(shí)用性和優(yōu)越性。Wu等[19]基于加性一致性提出兩種優(yōu)化模型，對(duì)不完整猶豫的模糊語(yǔ)言偏好關(guān)系信息的補(bǔ)全，或?qū)С鲞\(yùn)用判斷矩陣排序權(quán)重生成的優(yōu)先級(jí)向量。Wu等[20]在具有乘法偏好關(guān)系的小組決策中，引入了個(gè)體一致性指數(shù)和群體共識(shí)指數(shù)的概念構(gòu)成對(duì)比較矩陣，以獲得有意義且可靠的解決方案。Zhang等[21]引入一種基于HFCJM的決策支持系統(tǒng)模型，對(duì)其一致性調(diào)整算法、共識(shí)性達(dá)成模型和備選方案排序過程展開系列研究，從區(qū)間模糊偏好關(guān)系中獲得優(yōu)先級(jí)的目標(biāo)規(guī)劃模型并確定了評(píng)價(jià)對(duì)象的排序結(jié)果。甘昕艷等[22]對(duì)HFCJM冪等性的不足加以改進(jìn)構(gòu)造出直覺模糊加權(quán)平均算子進(jìn)行應(yīng)用。因此，本文依據(jù)文獻(xiàn)[22]研究了HFCJM的一致性改進(jìn)算法和決策模型，通過完全乘性一致改造后的I-HFCJM決策模型使最終決策效果更具可靠性。

針對(duì)目前用戶訴求表述及判斷矩陣一致性等方面存在的不足，本文通過TextRank算法量化感性的文本描述構(gòu)建評(píng)價(jià)指標(biāo)體系，用以規(guī)避目標(biāo)用戶集群調(diào)研中所表現(xiàn)的偏好與真實(shí)偏好的偏差問題，借助改造后的I–HFCJM決策模型和計(jì)算機(jī)技術(shù)計(jì)算各產(chǎn)品評(píng)價(jià)指標(biāo)排序，得到用戶評(píng)價(jià)綜合權(quán)重，進(jìn)而推演出最為合理高效的產(chǎn)品改進(jìn)設(shè)計(jì)，使產(chǎn)品設(shè)計(jì)再現(xiàn)用戶的真實(shí)訴求。

2 研究框架

本文提出一種用戶集群驅(qū)動(dòng)的產(chǎn)品優(yōu)化策略，具體流程見圖1。從產(chǎn)品樣本及其評(píng)價(jià)信息獲取和預(yù)處理入手，對(duì)用戶訴求進(jìn)行深層次挖掘；從中量化提取關(guān)鍵詞匯構(gòu)建評(píng)價(jià)指標(biāo)體系，應(yīng)用于完全乘性一致改造后的I-HFCJM決策模型；對(duì)產(chǎn)品樣本各評(píng)價(jià)指標(biāo)及評(píng)價(jià)綜合權(quán)重進(jìn)行計(jì)算，從而實(shí)現(xiàn)產(chǎn)品優(yōu)劣的可視化分析，以此作為產(chǎn)品改進(jìn)設(shè)計(jì)依據(jù)。

3 構(gòu)建評(píng)價(jià)指標(biāo)體系

3.1 評(píng)價(jià)信息獲取

選擇評(píng)分較高、評(píng)論數(shù)較多的醫(yī)療型老年制氧機(jī)作為樣本，使用Scrapy網(wǎng)絡(luò)爬蟲，在檢查目標(biāo)網(wǎng)站、查找與數(shù)據(jù)爬取有關(guān)服務(wù)條款的基礎(chǔ)上，于公開的數(shù)據(jù)來源中獲取并篩選目標(biāo)用戶集群所對(duì)應(yīng)的評(píng)論文本，以外形數(shù)據(jù)相近為標(biāo)準(zhǔn)區(qū)分樣本類別，將評(píng)論數(shù)較多的臺(tái)式制氧機(jī)產(chǎn)品作為分析樣本，共計(jì)51個(gè)。

評(píng)價(jià)準(zhǔn)則選取分類

1）使用Scrapy網(wǎng)絡(luò)爬蟲爬取相關(guān)評(píng)論文本，使用Python中Jieba分詞器依據(jù)TextRank算法[9-10]對(duì)評(píng)論文本進(jìn)行分詞，對(duì)明顯不屬于目標(biāo)用戶集群的評(píng)論予以清洗，將所得的文本進(jìn)行分割、分詞、詞性標(biāo)注及停用詞剔除，依據(jù)所需設(shè)置保留下來的名詞、動(dòng)詞、形容詞等指定詞數(shù)量閾值，量化提取重要詞匯作為關(guān)鍵詞圖節(jié)點(diǎn)，通過共現(xiàn)關(guān)系（Co-occurrence）來構(gòu)造節(jié)點(diǎn)間的邊，給節(jié)點(diǎn)指定任意初值，迭代傳播節(jié)點(diǎn)之間的權(quán)重，直到收斂，迭代公式如下。

圖1 用戶集群驅(qū)動(dòng)的適老化產(chǎn)品優(yōu)化策略框架

表2 代表意象詞匯及其權(quán)重（部分）

Tab.2 Representing image vocabulary and its weight (partial)

轉(zhuǎn)用Word2vec工具訓(xùn)練文本詞向量，將上述數(shù)據(jù)作為原始數(shù)據(jù)保存到新的txt中，詞向量維度默認(rèn)設(shè)定為100，部分輸出結(jié)果見表3。

表3 詞向量輸出及關(guān)聯(lián)度（部分）

Tab.3 Word vector output and degree of relevance (partial)

將表3中51個(gè)樣本的代表意象詞匯及其權(quán)重?cái)?shù)據(jù)作為原始數(shù)據(jù)，為使數(shù)據(jù)變量之間的關(guān)系更加清晰，將原始數(shù)據(jù)中許多相關(guān)性很高的變量轉(zhuǎn)化成彼此相互獨(dú)立或不相關(guān)的變量，選出比原始數(shù)據(jù)個(gè)數(shù)少，能解釋大部分?jǐn)?shù)據(jù)中變量的幾個(gè)新變量，用以解釋產(chǎn)品的綜合性指標(biāo)。本文選用主成分分析（PCA）提取各關(guān)鍵詞的詞向量值并進(jìn)行降維，得到相應(yīng)的維向量，既滿足數(shù)據(jù)的降維又能包括原始數(shù)據(jù)的大部分信息，對(duì)原始數(shù)據(jù)壓縮精簡(jiǎn)的同時(shí)可有效保留詞向量間共性關(guān)鍵信息。碎石圖分析結(jié)果見圖2，在維度4時(shí)，根據(jù)各主成分對(duì)數(shù)據(jù)變異的解釋程度繪制的陡坡趨于平緩；且維度4后累計(jì)方差貢獻(xiàn)率達(dá)到了73.798%，見表4。因此，應(yīng)用上述公式進(jìn)一步降維至維度4后得到的關(guān)鍵詞及其權(quán)重見表5。

圖2 碎石圖

表4 總方差解釋（部分）

Tab.4 Total variance interpretation (part)

表5 需求關(guān)鍵詞及其權(quán)重（部分）

Tab.5 Demand keywords and their weights (partial)

考慮到本文目標(biāo)用戶集群為老年用戶的特殊性，采集到的部分文本為家屬代為描述，對(duì)提取結(jié)果造成干擾。因此本文依據(jù)表5所得高權(quán)重詞匯對(duì)老年用戶進(jìn)行訪問驗(yàn)證，將訪問內(nèi)容作為驗(yàn)證語(yǔ)料，部分驗(yàn)證語(yǔ)料見圖3，重新代入TextRank算法，對(duì)需求關(guān)鍵詞進(jìn)行再提取。結(jié)合領(lǐng)域?qū)＜抑R(shí)與主流領(lǐng)域文獻(xiàn)[23-24]中實(shí)體類別定義，將調(diào)整后的需求關(guān)鍵詞加以分組匯總，見表6。

3.3 評(píng)價(jià)指標(biāo)體系建立

邀請(qǐng)專家對(duì)需求關(guān)鍵詞匯編撰歸類，構(gòu)建老年制氧機(jī)產(chǎn)品的評(píng)價(jià)指標(biāo)體系（見表7），并將指標(biāo)對(duì)應(yīng)關(guān)鍵詞權(quán)重進(jìn)行歸一化處理[25]作為指標(biāo)權(quán)重，為后期決策模型對(duì)現(xiàn)有產(chǎn)品評(píng)價(jià)分析及產(chǎn)品改進(jìn)提供理論依據(jù)。

圖3 驗(yàn)證語(yǔ)料（部分）

表6 驗(yàn)證后需求關(guān)鍵詞及其分屬類別

Tab.6 After verification, the required keywords and their entity classification

表7 老年制氧機(jī)產(chǎn)品的評(píng)價(jià)指標(biāo)體系

Tab.7 Evaluation index system of oxygen generator products for the elderly

續(xù)表7

4 I–HFCJM決策模型構(gòu)建

在實(shí)際的產(chǎn)品評(píng)價(jià)決策過程中，很多評(píng)價(jià)指標(biāo)概念內(nèi)涵是明確的，但外延是模糊的，專家審判時(shí)的猶豫術(shù)語(yǔ)不足以表達(dá)評(píng)價(jià)信息，因此以準(zhǔn)確數(shù)形式給出的決策信息存在一定局限，猶豫模糊決策法（Hesitating Fuzzy Decision Method）已成為一種很有實(shí)用價(jià)值的工具。對(duì)傳統(tǒng)猶豫模糊決策模型進(jìn)行完全乘性一致的改進(jìn)，并引入滿足冪等性的猶豫模糊加權(quán)平均（I–HFWA）算子對(duì)所得I–HFCJM模型加以完善，用于計(jì)算各產(chǎn)品評(píng)價(jià)指標(biāo)得分函數(shù)值及綜合權(quán)重，進(jìn)而推演出最為合理高效的產(chǎn)品改進(jìn)設(shè)計(jì)，使得產(chǎn)品設(shè)計(jì)再現(xiàn)用戶的真實(shí)訴求。具體流程見圖4。

圖4 基于猶豫模糊算法的方案評(píng)價(jià)模型I–HFCJM

4.1 I–HFCJM決策模型要素

I–HFCJM是在猶豫模糊互補(bǔ)判斷矩陣（Hesitant Fuzzij Complementarij Judgement Matrix，HFCJM）[13-17]的基礎(chǔ)上，引入改進(jìn)的猶豫模糊加權(quán)平均（I–HFWA）算子[22]，構(gòu)建I–HFCJM模型對(duì)原有模型冪等性等不足加以改進(jìn)，進(jìn)一步優(yōu)化最終決策結(jié)果的合理性與可靠性。

4.1.1 互補(bǔ)判斷矩陣

4.1.2 I–HFCJM模型乘性一致性檢驗(yàn)

受研究對(duì)象的客觀復(fù)雜性及專家判斷的主觀局限性影響，HFCJM越來越重視對(duì)模糊信息的處理，判斷矩陣的一致性高低直接影響到最終的排序結(jié)果是否能夠真實(shí)的反應(yīng)客觀實(shí)際情況。

4.1.3 基于I-HFWA算子的綜合猶豫模糊元融合

4.2 基于HFCJM的方案評(píng)價(jià)模型

保證結(jié)果合理性與可靠性的前提下，基于猶豫模糊決策算法構(gòu)造方案評(píng)價(jià)模型，見圖4。

為便于復(fù)雜評(píng)價(jià)問題的高效處理，借助Matlab程序?qū)ι鲜鏊惴ㄓ枰詫?shí)現(xiàn)，操作界面見圖5，輸出各指標(biāo)得分函數(shù)值，對(duì)樣本產(chǎn)品優(yōu)劣進(jìn)行可視化分析，指導(dǎo)產(chǎn)品后期改進(jìn)；輸出融合后的綜合猶豫模糊元值，用于計(jì)算各產(chǎn)品的用戶評(píng)價(jià)綜合權(quán)重并排序，對(duì)改進(jìn)方案有效性進(jìn)行檢驗(yàn)。

圖5 I-HFCJM評(píng)價(jià)模型的應(yīng)用界面

5 實(shí)例研究

5.1 同種產(chǎn)品樣本選取與預(yù)處理

為讓老年用戶集群真正享用到數(shù)字化、智能化時(shí)代帶來的便捷康養(yǎng)服務(wù)，選取兼具保健功能與醫(yī)療功能、市場(chǎng)潛力巨大的老年家用制氧機(jī)產(chǎn)品為樣本?；谟脩艏豪碚摚瑢⒒加泻粑膊⌒枰L(zhǎng)期進(jìn)行家庭氧療，且經(jīng)歷了傳統(tǒng)產(chǎn)品至數(shù)字產(chǎn)品轉(zhuǎn)變的50歲以上的老年患者定為目標(biāo)用戶集群。運(yùn)用Scrapy網(wǎng)絡(luò)爬蟲爬取有關(guān)制氧機(jī)的感性評(píng)價(jià)文本，基于Textrank算法從制氧機(jī)相關(guān)評(píng)價(jià)中挖掘該目標(biāo)用戶集群顯性和隱性需求，并構(gòu)建評(píng)價(jià)指標(biāo)體系，見表7。

5.2 評(píng)價(jià)結(jié)果計(jì)算

為指導(dǎo)產(chǎn)品改進(jìn)方向，將所得判斷矩陣帶入上述程序?qū)?款產(chǎn)品各評(píng)價(jià)指標(biāo)C排序，步驟如下。

表8 一級(jí)指標(biāo)得分函數(shù)值

Tab.8 First-level indicator score function value

5.3 指導(dǎo)設(shè)計(jì)

依據(jù)上表中一級(jí)指標(biāo)得分函數(shù)最值找出對(duì)應(yīng)的熱門制氧機(jī)產(chǎn)品樣本，繼續(xù)對(duì)該產(chǎn)品樣本的二級(jí)指標(biāo)同理進(jìn)行評(píng)估計(jì)算，結(jié)合TextRank算法提取該產(chǎn)品對(duì)應(yīng)指標(biāo)下的關(guān)鍵詞匯，據(jù)此對(duì)產(chǎn)品樣本優(yōu)劣進(jìn)行可視化分析，見表9—10。

結(jié)合表9—10對(duì)產(chǎn)品樣本優(yōu)劣的可視化分析，總結(jié)美學(xué)性、交互性、功能性及社會(huì)性指標(biāo)下設(shè)計(jì)的可注意點(diǎn)和可借鑒點(diǎn)對(duì)可借鑒點(diǎn)，予以傳承、可注意點(diǎn)予以改進(jìn)，以此作為制氧機(jī)產(chǎn)品改進(jìn)的方案指導(dǎo)，見表11，生成改進(jìn)方案即各指標(biāo)優(yōu)化結(jié)果，見圖6。

5.4 評(píng)價(jià)反證

表9 產(chǎn)品改進(jìn)方案可借鑒點(diǎn)分析

Tab.9 Analysis of Reference Points for Product Improvement Programs

表10 產(chǎn)品改進(jìn)方案可注意點(diǎn)分析

Tab.10 Product improvement plan can be noticed analysis

表11 設(shè)計(jì)方案指導(dǎo)

Tab.11 Design guidance

圖6 產(chǎn)品改進(jìn)效果

為證實(shí)該模型對(duì)產(chǎn)品方案指導(dǎo)的可行性與有效性，運(yùn)用目前較為成熟的TOPSIS評(píng)價(jià)法[26]，借助軟件SPSS 25進(jìn)行輔助計(jì)算對(duì)評(píng)價(jià)結(jié)果予以驗(yàn)證，評(píng)價(jià)流程見圖7。

將已有評(píng)價(jià)判斷矩陣信息代入輔助軟件SPSS 25，計(jì)算結(jié)果見表12。

圖7 TOPSIS主要計(jì)算步驟

表12 TOPSIS評(píng)價(jià)計(jì)算結(jié)果

Tab.12 Evaluation and calculation results of TOPSIS method

綜合以上算法分析過程和表12的結(jié)果分析可知，雖然借助于TOPSIS評(píng)價(jià)法與本文構(gòu)造的I–HFCJM評(píng)價(jià)模型得到的最佳產(chǎn)品一致，驗(yàn)證了本文構(gòu)建產(chǎn)品優(yōu)化模型的可行性。但對(duì)6種產(chǎn)品的得分排序略有差異。深入分析可知，I–HFCJM評(píng)價(jià)模型相對(duì)于TOPSIS法受異常值的影響更少，在面臨復(fù)雜樣本評(píng)價(jià)時(shí)思路明晰、數(shù)據(jù)信息損失少、工作量較少等優(yōu)勢(shì)是TOPSIS法所不具備的，兩種方法的對(duì)比結(jié)果見表13。

表13 評(píng)價(jià)方法對(duì)比結(jié)果分析

Tab.13 Evaluation method comparison result analysis

6 結(jié)語(yǔ)

本文提出適老化背景下基于用戶集群驅(qū)動(dòng)的產(chǎn)品優(yōu)化策略研究。通過結(jié)合目前已有的Scrapy網(wǎng)絡(luò)爬蟲技術(shù)和TextRank算法，系統(tǒng)、層次、合理的量化構(gòu)建一套用戶集群驅(qū)動(dòng)的產(chǎn)品評(píng)價(jià)指標(biāo)體系。該方法以精準(zhǔn)而真實(shí)地深層挖掘目標(biāo)用戶集群的需求為出發(fā)點(diǎn)，通過引入基于猶豫模糊決策算法的方案評(píng)價(jià)模型（I–HFCJM）建立模糊評(píng)價(jià)機(jī)制，聚類匯總現(xiàn)有產(chǎn)品優(yōu)缺點(diǎn)，以指導(dǎo)產(chǎn)品方案改進(jìn)。經(jīng)實(shí)例驗(yàn)證，通過本文構(gòu)建的優(yōu)化策略應(yīng)用于組內(nèi)項(xiàng)目生成的改進(jìn)方案，一舉成為綜合評(píng)價(jià)最優(yōu)產(chǎn)品的成功率約有87.35%，對(duì)提高提取信息與產(chǎn)品特征的映射擬合程度具有一定意義，為提升適老化產(chǎn)品使用滿意度、建立一種用戶集群驅(qū)動(dòng)的短周期、高效率的感性設(shè)計(jì)模式提供技術(shù)支撐。

目前應(yīng)用于適老化背景下的用戶集群驅(qū)動(dòng)產(chǎn)品優(yōu)化策略研究，主要集中于對(duì)現(xiàn)有產(chǎn)品的問題改進(jìn)，未來有待深入研究數(shù)據(jù)在深度與寬度上，并進(jìn)一步提高關(guān)鍵詞匯識(shí)別精度、深化提取信息與產(chǎn)品特征的映射擬合程度，構(gòu)建數(shù)據(jù)庫(kù)進(jìn)行研究改進(jìn)，為從目標(biāo)用戶集群的意象描述中，生成用戶所言不明的新需求產(chǎn)品奠定前期基礎(chǔ)，為感性意象智能設(shè)計(jì)應(yīng)用于適老化產(chǎn)品提供理論和方法參考。

[1] 竇金花, 齊若璇. 基于情境分析的適老化智能家居產(chǎn)品語(yǔ)音用戶界面設(shè)計(jì)策略研究[J]. 包裝工程, 2021, 42(16): 202-210.

DOU Jin-hua, QI Ruo-xuan. Elderly-Adaptability Voice User Interface Design Strategy of Smart Home Products Based on Context Analysis[J]. Packaging Engineering, 2021, 42(16): 202-210.

[2] 楊梅, 叢揚(yáng)帆, 李雪瑞. 融合FAHP和TOPSIS的適老化產(chǎn)品綜合評(píng)價(jià)與優(yōu)選方法——以老年智能手環(huán)為例[J]. 圖學(xué)學(xué)報(bào), 2020, 41(3): 469-479.

YANG Mei, CONG Yang-fan, LI Xue-rui. Comprehensive Evaluation and Optimization Method of Products for the Elderly Based on FAHP and TOPSIS—A Case Study on the Smart Bracelet for the Elderly[J]. Journal of Graphics, 2020, 41(3): 469-479.

[3] PENALOZA L, TOULOUSE N, VISCONTI M L. Marketing Management[M]. London: Taylor and Francis: 2019-07-30.

[4] 蘇建寧, 唐釗山, 景楠, 等. 面向用戶集群的產(chǎn)品設(shè)計(jì)方法研究[J]. 機(jī)械設(shè)計(jì), 2019, 36(4): 119-123.

SU Jian-ning, TANG Zhao-shan, JING Nan, et al. Research on Product Design Method for User Cluster[J]. Journal of Machine Design, 2019, 36(4): 119-123.

[5] ZHOU Ya-jian, DENG Ding-peng, CHI Jun-hui. A Short Text Classification Algorithm Based on Semantic Extension[J]. Chinese Journal of Electronics, 2021, 30(1): 153-159.

[6] 張明西, 樂水波, 李學(xué)民, 等. 文本配圖系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 包裝工程, 2020, 41(19): 252-258.

ZHANG Ming-xi, LE Shui-bo, LI Xue-min, et al. Design and Implementation of Picture Matching System for Text[J]. Packaging Engineering, 2020, 41(19): 252- 258.

[7] 姬建睿, 孫春華, 劉業(yè)政. 基于多重迭代合并策略的論壇版塊關(guān)注點(diǎn)識(shí)別研究[J]. 情報(bào)理論與實(shí)踐, 2021, 44(7): 118-124.

JI Jian-rui,SUN Chun-hua,LIU Ye-zheng. Recognizing Focuses in Sub-Forum Based on Multi-Iteration Combined Strategy[J]. Information Studies: Theory & Application, 2021, 44(7): 118-124.

[8] HE Zai-xing, WU Meng-tian, ZHAO Xin-yue, et al. Representative Null Space LDA for Discriminative Dimensionality Reduction[J]. Pattern Recognition, 2021, 111: 107664.

[9] 林麗, 張?jiān)汽d, 牛亞峰, 等. 基于網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)的產(chǎn)品感性意象無偏差設(shè)計(jì)方法[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2020, 50(1): 26-32.

LIN Li, ZHANG Yun-kun, NIU Ya-feng, et al. Unbiased Design Method for Product Kansei Image Design Based on Network Evaluation Data[J]. Journal of Southeast University (Natural Science Edition), 2020, 50(1): 26-32.

[10] 黃海濤. Python 3破冰人工智能從入門到實(shí)戰(zhàn)[M]. 北京: 人民郵電出版社, 2019.

HUANG Hai-tao. Python ice-breaking Artificial Intelligence: From Beginner to Actual Combat[M]. Beijing: Posts & Telecom Press, 2019.

[11] 李雪瑞, 侯幸剛, 楊梅, 等. 數(shù)字孿生驅(qū)動(dòng)的工業(yè)產(chǎn)品CMF設(shè)計(jì)服務(wù)模型構(gòu)建與應(yīng)用[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2021, 27(2): 307-327.

LI Xue-rui, HOU Xing-gang, YANG Mei, et al. Construction and Application of CMF Design Service Model for Industrial Products Driven by Digital Twins[J]. Computer Integrated Manufacturing Systems, 2021, 27(2): 307-327.

[12] 楊延璞, 陳登凱, 成沛瑤. 工業(yè)設(shè)計(jì)決策問題研究[J]. 包裝工程, 2020, 41(22): 1-6.

YANG Yan-pu, CHEN Deng-kai, CHENG Pei-yao. Decision-Making Problems of Industrial Design[J]. Packaging Engineering, 2020, 41(22): 1-6.

[13] 徐澤水, 潘玲, 廖虎昌. 基于MACBETH方法的猶豫模糊語(yǔ)言多準(zhǔn)則決策方法[J]. 控制與決策, 2017, 32(7): 1266-1272.

XU Ze-shui, PAN Ling, LIAO Hu-chang. Multi-Criteria Decision Making Method of Hesitant Fuzzy Linguistic Term Set Based on Improved MACBETH Method[J]. Control and Decision, 2017, 32(7): 1266-1272.

[14] 廖虎昌. 復(fù)雜模糊多屬性決策理論與方法[M]. 北京: 科學(xué)出版社, 2016.

LIAO Hu-chang. Theory and Method of Complex Multi- attribute Decision Making[M]. Beijing: Science Press, 2016.

[15] 王應(yīng)明, 闕翠平, 藍(lán)以信. 基于前景理論的猶豫模糊TOPSIS多屬性決策方法[J]. 控制與決策, 2017, 32(5): 864-870.

WANG Ying-ming, QUE Cui-ping, LAN Yi-xin. Hesitant Fuzzy TOPSIS Multi-Attribute Decision Method Based on Prospect Theory[J]. Control and Decision, 2017, 32(5): 864-870.

[16] 阮傳揚(yáng), 楊建輝, 韓莉娜, 等. 考慮可信度和屬性優(yōu)先級(jí)的猶豫模糊決策方法[J]. 運(yùn)籌與管理, 2016, 25(3): 125-131.

RUAN Chuan-yang, YANG Jian-hui, HAN Li-na, et al. Hesitant Fuzzy Decision Making Method with Confidence Levels and Preference Relations on Attributes[J]. Operations Research and Management Science, 2016, 25(3): 125-131.

[17] 許昌林, 沈菊紅. 一種新的直覺模糊集距離及其在決策中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用研究, 2020, 37(12): 3627- 3634.

XU Chang-lin, SHEN Ju-hong. New Distance between Intuitionistic Fuzzy Sets and Its Applications in Decision-Making[J]. Application Research of Computers, 2020, 37(12): 3627-3634.

[18] ZHU Bin, XU Ze-shui. Regression Methods for Hesitant Fuzzy Preference Relations[J]. Technological and Economic Development of Economy, 2013, 19(sup1): S214- S227.

[19] WU Peng, LI Hong-yan, ZHOU Li-gang, et al. Consistency Analysis and Priority Weights of Multiplicative Trapezoidal Fuzzy Preference Relations Based on Mu-ltiplicative Consistency and Logarithmic Least Square Model[J]. Journal of Intelligent & Fuzzy Systems, 2019, 37(6): 8317-8334.

[20] WU Zhi-bin, XU Jiu-ping. A Consistency and Consensus Based Decision Support Model for Group Decision Making with Multiplicative Preference Relations[J]. Decision Support Systems, 2012, 52(3): 757-767.

[21] ZHANG Hui-min. A Goal Programming Model of Obtaining the Priority Weights from an Interval Preference Relation[J]. Information Sciences, 2016, 354: 197-210.

[22] 甘昕艷, 高翔. 基于猶豫模糊決策算法的云制造系統(tǒng)選擇研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2021, 57(2): 134-142.

GAN Xin-yan, GAO Xiang. Research on Cloud Manufacturing System Selection Based on Hesitant Fuzzy Decision Making Algorithm[J]. Computer Engineering and Applications, 2021, 57(2): 134-142.

[23] SU Zhao-jing, YU Sui-huai, CHU Jian-jie, et al. A Novel Architecture: Using Convolutional Neural Networks for Kansei Attributes Automatic Evaluation and Labeling[J]. Advanced Engineering Informatics, 2020, 44: 101055.

[24] 黎蘭平, 郭修遠(yuǎn). 自動(dòng)駕駛汽車車外人機(jī)交互界面設(shè)計(jì)研究[J]. 包裝工程, 2020, 41(2): 57-64.

LI Lan-ping, GUO Xiu-yuan. EHMI Design for Automated Vehicles[J]. Packaging Engineering, 2020, 41(2): 57-64.

[25] 李雪瑞, 侯幸剛, 楊梅, 等. 基于多層次灰色綜合評(píng)價(jià)法的工業(yè)設(shè)計(jì)方案優(yōu)選決策模型及其應(yīng)用[J]. 圖學(xué)學(xué)報(bào), 2021, 42(4): 670-679.

LI Xue-rui, HOU Xing-gang, YANG Mei, et al. The Optimal Decision-Making Model of Industrial Design Scheme Based on Multi-Level Grey Comprehensive Evaluation Method and Its Application[J]. Journal of Graphics, 2021, 42(4): 670-679.

[26] 何勁濤, 陳登凱, 余隋懷. 旅游文化創(chuàng)意產(chǎn)品多文化意象色彩設(shè)計(jì)評(píng)價(jià)方法[J]. 機(jī)械科學(xué)與技術(shù), 2021, 40(1): 92-100.

HE Jin-tao, CHEN Deng-kai, YU Sui-huai. Multi- Cultural Image Color Design Evaluation Methods for Creative Products of Tourism Culture[J]. Mechanical Science and Technology for Aerospace Engineering, 2021, 40(1): 92-100.

Optimizing Strategies for Aging Products Driven by User Clusters

YANG Mei, WANG Yi-yan, LI Xue-rui, HOU Xing-gang

(School of Arts, Shandong University of Science and Technology, Shandong Qingdao 266590, China)

This paper aims to solve the problem of demand caused by vague user appeal expressions and of the complexity of its design decision complexity to adapt to the adaptive product and application service promotion, and the user experience satisfaction is improved to a large extent. This paper proposes an inductive design method for user cluster evaluation drivers with short period of time and high efficiency. First, this essay excavates the needs of the target user cluster from the evaluation information, and combines the TextRank algorithm to describe the text to build up the evaluation index system; furthermore, this thesis makes full use of hesitative fuzzy decision-making algorithm to evaluate the evaluation model (I-HFCJM ), calculate each product evaluation index score function value for sample products, visualization analysis, and guide the product improvement design through existing products. This paper uses the elderly household oxygen generator improvement design as an example, by calculating the comprehensive weight of the improvement plan and the sample product, and sorting, the effectiveness of this method is verified, providing the improved strategy for design and development of the older household oxygen generator and other suitable age production products.

product design; user evaluation; TextRank; hesitant fuzzy decision-making algorithm; I-HFCJM

TB472

A

1001-3563(2022)16-0177-12

10.19554/j.cnki.1001-3563.2022.16.020

2022–03–20

山東省專業(yè)學(xué)位研究生教學(xué)案例庫(kù)建設(shè)項(xiàng)目（SDYAL20058）；山東省2018年研究生導(dǎo)師指導(dǎo)能力提升項(xiàng)目（SDYY18082）；齊魯鄉(xiāng)村文化旅游平臺(tái)化服務(wù)體系研究（21DWYJ13）

楊梅（1973—），女，教授，碩士，主要研究方向?yàn)楣I(yè)設(shè)計(jì)及其理論。

王怡妍（1997—），女，碩士生，主攻工業(yè)設(shè)計(jì)及其理論。

責(zé)任編輯：陳作