CN112085404A - 一种感性工学产品样本筛选方法 - Google Patents
一种感性工学产品样本筛选方法 Download PDFInfo
- Publication number
- CN112085404A CN112085404A CN202010981449.6A CN202010981449A CN112085404A CN 112085404 A CN112085404 A CN 112085404A CN 202010981449 A CN202010981449 A CN 202010981449A CN 112085404 A CN112085404 A CN 112085404A
- Authority
- CN
- China
- Prior art keywords
- product
- sample
- similarity
- samples
- screening
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012216 screening Methods 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 18
- 238000011835 investigation Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000000052 comparative effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000012938 design process Methods 0.000 abstract description 3
- 230000002996 emotional effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种感性工学产品样本筛选方法，包括：确定产品设计目标，搜集产品样本和感性词汇；给产品样本赋予若干个特征属性指标来描述产品样本的特征；采用Jaccard相似系数的计算方法对产品样本进行筛选；通过问卷调查的方法判断得到的产品样本之间的相似程度；将各个相似系数进行一次平均运算，得到最终的样本相似度统计；将所有样本划分为几类，然后再从每一类中挑选出一个产品样本代表用于进一步分析。本发明利用Jaccard相似系数和调查法相结合的方式来筛选样本，在满足使用者情感需求的前提下能做到科学有效，使筛选后的产品样本准确可靠，方便筛选后的设计过程，提高设计效率，改进了传统感性工学在筛选样本过程中存在的模糊性、不明确性问题。
Description
技术领域
本发明属于样本筛选的技术领域，尤其涉及一种感性工学产品样本筛选方法。
背景技术
基于感性工学方法进行产品设计，在确定产品设计目标后，需要通过文献、书籍、杂志、产品说明书、企业官方网站等途径大量搜集产品样本和感性词汇，然后筛选并归纳，减少数量，选取具有代表性的产品样本与感性词汇，提高设计效率。
当前普遍使用的产品样本与感性词汇筛选方法有如下：
(1)焦点小组法：焦点小组法是一种由主持人组织引导，研究成员各抒己见的调查者访谈法。优点：可以实时掌握研究者与成员的互动情况，并可以再更深入的访谈。研究者可获得如表情、肢体行为等较深层的动机。缺点：主持人的角色须经训练才能完成，否则可能出现较大误差。研究成员讨论的气氛、速度、配合度都较难控制，会直接影响调查的最终结果。
(2)问卷调查法：问卷法调查是指研究者用这种控制式的测量对所研究的问题进行度量，从而搜集到可靠的资料的一种方法。优点：能够突破时空限制，在广阔范围内对众多调查对象同时进行调查；节省人力、物力和财力。缺点：缺乏弹性，很难作深入的定性调查；回复率，有效率低。
(3)专家评估法：专家评估法也称专家调查法，专家评估法是以专家为索取未来信息的对象，组织专家运用专业方面的知识和经验，通过直观的归纳，对预测对象过去和现在的状况、发展变化过程进行综合分析与研究优点：能紧密结合目标的具体情况进行评价，具有较强的针对性。缺点：主要依靠评标专家的知识和经验进行判断，评标的主观性有余，客观性不足。
目前感性工学在产品设计中已成为体系，大部分研究者在利用感性工学具体研究方法指导产品设计时，对产品样本和感性词汇的筛选过程十分含糊，不能精准的选择样本，将影响后续的实验结果和分析，有可能造成最终结论的偏差。
专利CN110414681A公开了一种感性工学产品知识库建立方法，其步骤是：对用户需求进行认知、获取与表达，获取产品背景知识及基本情况，从中提取与产品相关的感性词汇，通过调查问卷得到最终与产品相关的感性词汇后，之后再进行下一步设计。在该方案中，产品样本的筛选仅仅采用调查问卷的方法，被测试者的主观性太强，容易忽视产品的属性特征，对后续的设计结果会有较大影响。
发明内容
基于以上现有技术的不足，本发明所解决的技术问题在于提供一种感性工学产品样本筛选方法，利用Jaccard相似系数和调查法相结合的方法来筛选产品样本，在收集到产品样本后，通过设定指标并计算找出相似度高的样本，剔除形态相似的样本，最终确定具有代表性的样本。
为了解决上述技术问题，本发明提供一种感性工学产品样本筛选方法，包括以下步骤：
步骤1：确定产品设计目标，搜集产品样本和感性词汇；
步骤2：给产品样本赋予若干个特征属性指标来描述产品样本的特征；
步骤3：采用Jaccard相似系数的计算方法对产品样本进行筛选，得出最具代表性的产品样本；
步骤4：通过问卷调查的方法判断步骤1得到的产品样本之间的相似程度；
步骤5：将步骤3和步骤4得到的各个相似系数进行一次平均运算，得到最终的样本相似度统计；
步骤6：将所有样本划分为几类，然后再从每一类中挑选出一个产品样本代表用于进一步分析。
进一步的，所述步骤2中，样本中含有符合特征属性指标的记为1；反之，记为0；根据属性指标与产品样本的匹配情况得到产品样本的属性指标表。
进一步的，所述步骤3中，Jaccard相似系数的公式为：
式中，M00：A，B对应位置属性值同时为0的属性个数；A和B为两个比较对象，均有n个二元属性；
M01：A属性值为0且B对应位置属性值为1的属性个数；
M10：A属性值为1且B对应位置属性值为0的属性个数；
M11：A，B对应位置属性值同时为1的属性个数；
通过上述Jaccard相似系数计算公式可以得到样本X1与样本X2的相似度，以此类推，再继续进行X1与X3，X1与X4的相似度计算，直到得出Xn-1与Xn的相似度结果，得到样本相似度统计表。
进一步的，所述步骤4中，当被调查者认为两组产品样本“不相似”，记为0；“比较不相似”，记为0.2；“比较相似”，记为0.4；“相似”，记为0.6；“非常相似：记为0.8；产品样本自身的相似度为1，得到所有产品样本的相似度统计表；对N个被调查者进行了相似度评分调研，得到了N组相似系数，再对各个相似系数做平均运算，整理得到样本相似度统计表。
其中，Jaccard index：Jaccard相似系数(Jaccard similarity coefficient)，用于比较有限样本集之间的相似性与差异性。样本相似度和其样本集合的Jaccard相似系数的值成正比，Jaccard系数值越大，样本相似度越高。
分位数：即分位点，将全部数据按大小顺序排列后，处于各等分位置的变量值。如果将全部数据分成两部分，则此时分位数中位数；如果分成四等分，即为四分位数；八等分即为八分位数。根据实际情况，决定使用的分位数。
感性工学：感性工学是一种以用户为导向的关键技术，是一种将人在看到或使用产品的过程中所产生的情感意象通过量化分析并转译成产品设计要素的设计方法。感性工学的一般流程：确定设计目标、确定感性词汇与产品样本、感性测量实验与量化分析、设计实现。
由上，本发明在现有感性工学的研究方法中，提出一种在产品样本筛选的过程中，利用Jaccard相似系数和调查法相结合的方式来筛选样本，方法简单易实现，在既满足使用者情感需求的前提下又能做到科学有效，使筛选后的产品样本更准确可靠，方便筛选后的设计过程，提高设计效率；改进了传统感性工学在筛选样本过程中存在的模糊性、不明确性问题。本发明在现有技术的基础上，利用Jaccard相似系数和调查法相结合的方法来筛选产品样本，即在收集到产品样本后，通过设定指标并计算找出相似度高的样本，剔除形态相似的样本，最终确定具有代表性的样本。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明的感性工学产品样本筛选方法的流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
具有代表性的产品样本是感性工学研究的基础，产品样本的选择与筛选是进行感性工学设计成功的关键。
本发明的感性工学产品样本筛选方法具体为：
一、在确定产品设计目标后，需要通过文献、书籍、杂志、产品说明书、网络等途径搜集大量产品样本和感性词汇。
二、为了提高设计的严谨性和准确度，首先给产品样本赋予若干个特征属性指标来描述产品样本的特征。样本中含有符合特征属性指标的记为1；反之，记为0。根据属性指标与产品样本的匹配情况可以得到产品样本的属性指标表(表1)。
表1产品样本属性指标评分表
三、由于产品样本种类繁多，其中存在的重复样本会对后续设计过程及最终的结果产生偏差和影响，因此采用Jaccard相似系数的计算方法对产品样本进行筛选，以得出最具代表性的产品样本。Jaccard相似系数法可以对收集到的产品样本对赋予的属性指标进行相似度的计算，通过计算得到近似度高的样本，将形态类似或重复率高的样本从产品样本中剔除。
Jaccard相似系数公式为：给定两个集合A和B，Jaccard系数定义为A与B交集的大小与A与B并集的大小的比值：
在判断非对称二元属性的相似性时，给定两个比较对象A和B。A和B中均有n个二元属性，即每个属性的取值为0或1，符合赋予产品样本的属性中的某个属性，记为1；反之，记为0。此时Jaccard系数公式可以调整为：
式中，M00：A，B对应位置属性值同时为0的属性个数；
M01：A属性值为0且B对应位置属性值为1的属性个数；
M10：A属性值为1且B对应位置属性值为0的属性个数；
M11：A，B对应位置属性值同时为1的属性个数；
通过上述Jaccard相似系数计算公式可以得到样本X1与样本X2的相似度，以此类推，再继续进行X1与X3，X1与X4的相似度计算，直到得出Xn-1与Xn的相似度结果，得到样本相似度统计表(表2)。数字越大，说明进行比较的两种样本的指标相同的越多，则形态越相似。(表中Rij代表样本Xi与Xj的相似度)。
表2样本相似度统计表
四、在进行Jaccard相似系数法对产品样本进行筛选后，通过问卷调查法的方式再次将步骤一得到的样本中的任意2个产品样本，请被调查者进行“不相似”、“比较不相似”、“比较相似”、“相似”、“非常相似”5个等级的比较。之后反复进行此过程，直到所有的产品样本分组都进行过比较。通过问卷调查的方法可以判断产品样本之间的相似程度。具体方法为，当被调查者认为两组产品样本“不相似”，记为0；“比较不相似”，记为0.2；“比较相似”，记为0.4；“相似”，记为0.6；“非常相似：记为0.8；产品样本自身的相似度为1，这样便得到了所有产品样本的相似度统计表。运用前面提到的调研方法对N个被调查者进行了相似度评分调研，得到了N组相似系数，再对各个相似系数做平均运算。整理得到样本相似度统计表(表3)。(表中Qij代表样本Xi与Xj的相似度)。
表3样本相似度统计表
五、对表2和表3相似度表内的各个相似系数再进行一次平均运算，得到最终的样本相似度统计表。既客观的考虑了通过Jaccard相似系数公式得到的相似度结果又加入了被调查者的感性认知，使通过筛选得到的数据更有参考价值。
六、为了方便后续的产品样本造型提取和分析，需要将形态相似的样本删除，采用找分位数的方法，将全部数据按从大到小顺序排列后，找处于各等分位的数值。这样可以将外观相似的产品样本归为一类，将所有样本划分为几类，然后再从每一类中挑选出一个产品样本代表用于进一步分析，这样的流程可以使得后续分析更省时高效，从而使得产品样本的筛选更规范化。为了高效地筛选感性词汇，也可采用上述调查问卷方法进行筛选，将同组内相似性较高的词汇进行合并，从而得到具有代表性的词汇。
本发明通过数学算法和调查法相结合的方法来筛选样本，选出具有代表性且恰当的产品样本和感性词汇，实现规范化筛选样本，保证后续的实验结果更加准确。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。
Claims (4)
1.一种感性工学产品样本筛选方法，其特征在于，包括以下步骤：
步骤1：确定产品设计目标，搜集产品样本和感性词汇；
步骤2：给产品样本赋予若干个特征属性指标来描述产品样本的特征；
步骤3：采用Jaccard相似系数的计算方法对产品样本进行筛选，得出最具代表性的产品样本；
步骤4：通过问卷调查的方法判断步骤1得到的产品样本之间的相似程度；
步骤5：将步骤3和步骤4得到的各个相似系数进行一次平均运算，得到最终的样本相似度统计；
步骤6：将所有样本划分为几类，然后再从每一类中挑选出一个产品样本代表用于进一步分析。
2.如权利要求1所述的感性工学产品样本筛选方法，其特征在于，所述步骤2中，样本中含有符合特征属性指标的记为1；反之，记为0；根据属性指标与产品样本的匹配情况得到产品样本的属性指标表。
3.如权利要求1所述的感性工学产品样本筛选方法，其特征在于，所述步骤3中，Jaccard相似系数的公式为：
式中，M00：A，B对应位置属性值同时为0的属性个数；A和B为两个比较对象，均有n个二元属性；
M01：A属性值为0且B对应位置属性值为1的属性个数；
M10：A属性值为1且B对应位置属性值为0的属性个数；
M11：A，B对应位置属性值同时为1的属性个数；
通过上述Jaccard相似系数计算公式可以得到样本X1与样本X2的相似度，以此类推，再继续进行X1与X3，X1与X4的相似度计算，直到得出Xn-1与Xn的相似度结果，得到样本相似度统计表。
4.如权利要求1所述的感性工学产品样本筛选方法，其特征在于，所述步骤4中，当被调查者认为两组产品样本“不相似”，记为0；“比较不相似”，记为0.2；“比较相似”，记为0.4；“相似”，记为0.6；“非常相似：记为0.8；产品样本自身的相似度为1，得到所有产品样本的相似度统计表；对N个被调查者进行了相似度评分调研，得到了N组相似系数，再对各个相似系数做平均运算，整理得到样本相似度统计表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010981449.6A CN112085404A (zh) | 2020-09-17 | 2020-09-17 | 一种感性工学产品样本筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010981449.6A CN112085404A (zh) | 2020-09-17 | 2020-09-17 | 一种感性工学产品样本筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112085404A true CN112085404A (zh) | 2020-12-15 |
Family
ID=73736610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010981449.6A Pending CN112085404A (zh) | 2020-09-17 | 2020-09-17 | 一种感性工学产品样本筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085404A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372043A (zh) * | 2016-09-07 | 2017-02-01 | 福建师范大学 | 一种基于改进的Jaccard系数确定文档相似度的方法 |
| CN106503917A (zh) * | 2016-10-31 | 2017-03-15 | 浙江大学 | 产品外观和感性特征关系模型的建立方法和反馈系统 |
| CN109684641A (zh) * | 2018-12-26 | 2019-04-26 | 广东工业大学 | 一种数据提取装置、方法、电子设备和存储介质 |
| CN110414681A (zh) * | 2019-07-31 | 2019-11-05 | 河海大学常州校区 | 一种感性工学产品知识库建立方法 |
-
2020
- 2020-09-17 CN CN202010981449.6A patent/CN112085404A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372043A (zh) * | 2016-09-07 | 2017-02-01 | 福建师范大学 | 一种基于改进的Jaccard系数确定文档相似度的方法 |
| CN106503917A (zh) * | 2016-10-31 | 2017-03-15 | 浙江大学 | 产品外观和感性特征关系模型的建立方法和反馈系统 |
| CN109684641A (zh) * | 2018-12-26 | 2019-04-26 | 广东工业大学 | 一种数据提取装置、方法、电子设备和存储介质 |
| CN110414681A (zh) * | 2019-07-31 | 2019-11-05 | 河海大学常州校区 | 一种感性工学产品知识库建立方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李小慧: "基于Jaccard项目类别相似性的个性化推荐算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 3, pages 3 - 4 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Selvi | Qualitative content analysis | |
| Schudde | Heterogeneous effects in education: The promise and challenge of incorporating intersectionality into quantitative methodological approaches | |
| CN107368700A (zh) | 基于计算云平台的微生物多样性交互分析系统及其方法 | |
| US20170076203A1 (en) | Computer-implemented system and method for generating document training sets | |
| KR101248831B1 (ko) | 맞춤형 진로 설계 및 로드맵 제공 시스템 | |
| CN107704996B (zh) | 一种基于情感分析的教师评价系统 | |
| JP2017504883A (ja) | オーディオキューに基づくモデル駆動型の候補者のソート | |
| CN104680453A (zh) | 基于学生属性的课程推荐方法及系统 | |
| CN111881172B (zh) | 一种基于答题统计特征的题目推荐系统 | |
| CN106960248B (zh) | 一种基于数据驱动预测用户问题的方法及装置 | |
| Shingari et al. | A review of applications of data mining techniques for prediction of students’ performance in higher education | |
| CN111415131A (zh) | 一种基于自然语言处理技术的大数据人才简历分析方法 | |
| Dubin et al. | Human-computer system design of entrepreneurship education based on artificial intelligence and image feature retrieval | |
| CN113972009A (zh) | 一种基于临床检验医学大数据的医学检验咨询系统 | |
| Porter et al. | Learning about learning: patterns of sharing of research knowledge among Education, Border, and Cognitive Science fields | |
| Chen et al. | Intrachoice dynamics shape social decisions | |
| Faghihi et al. | Validation of Dimensions and Component of Risk Culture: Using Fuzzy Delphi Method | |
| CN112085404A (zh) | 一种感性工学产品样本筛选方法 | |
| CN115935081A (zh) | 一种基于用户画像和内容协同过滤的专家推荐方法 | |
| Olejniczak et al. | The rhythms of scholarly publication: suggestions to enhance bibliometric comparisons across disciplines | |
| Buntins et al. | Methodological approaches to evidence synthesis in educational technology: A tertiary systematic mapping review | |
| Shidaganti et al. | Summarization of student feedback using sentiment analysis: Case study | |
| Triantafyllou et al. | V-GRAFFER, a system for Visual GRoup AFFect recognition, part I: Foundations | |
| Anand et al. | Sentiment Analysis of Social Network for Information Professionals: A Case Study of LisLinks Discussion Forum | |
| Sabilirrasyad et al. | Sentiment Analysis of Twitter Discussions on Rafael Alun: Multinomial Naïve Bayes and Decision Tree Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201215 |