CN113434659A - 一种在协同设计过程中隐性冲突感知方法 - Google Patents

Abstract

本发明涉及一种在协同设计过程中隐性冲突感知方法，包括以下步骤：过滤在线协同设计平台上的设计师网络评论内容，得到设计师评论文本数据集；依据设计师评论文本数据集，构建语义图结构模型；通过语义相似度算法，获取设计师领域知识图谱；隐性冲突感知：将候选集中不满足边检测的节点移除，然后对目标图剪枝，抽取出只与候选集合相关的目标子图，之后在这个子图上进行验证操作；同构验证排序阶段：在目标子图中验证候选集中的结果是否满足边标签同构，从而获得最终的结果集。

Description

一种在协同设计过程中隐性冲突感知方法

技术领域

本发明涉及产品协同设计领域，尤其涉及一种在协同设计过程中隐性冲突感知方法。

背景技术

随着产品自主研发技术发展，使得在线协同设计平台中设计师交互智力资源不断丰富，由于协同设计是多功能小组参与到一个项目的设计过程中,各小组之间存在着大量相互制约、相互影响的关系,而且它们对产品开发的考虑角度、评价标准、领域知识不尽相同,必然导致协同设计过程中冲突的产生^【1】[1]。因此,在产品开发过程中,冲突是不可避免的,从某种意义上来说,协同设计的过程就是一个冲突产生和消解的过程。冲突问题在协同设计过程中起着重要的作用,它的存在有利有弊,一方面冲突的存在势必造成设计的不协调,甚至搁浅,导致设计成本增加等；另一方面,冲突是一个良好或革新的设计的开始,随着冲突的不断解决,一个更优的设计也随之产生^【1】[2]。然而目前冲突研究集中在冲突消解过程，使得设计过程需要回溯反馈，并且消解效果欠佳，本发明提出在产品设计过程中，基于在线设计平台设计师发表的评论提前感知隐性冲突，从而预测知识冲突，给冲突消解提供新的思路。

传统的以特征词为核心的提取算法，特征项稀疏单调且没有考虑语义结构，无法有效表示设计师评论特征^【1】[3]，导致针对设计师评论文本的各种数据挖掘应用的效果理想，难以满足应用要求。因此近些年来，研究人员开始对文本的图结构表示模型进行探讨研究^【1】[4]，该模型有利于将特征词与语义信息结合起来，更加真实的表示文本信息。在一定程度上有效考虑了特征词的次序关系，但模型的邻接关系限制过严，实际效果提升有限。

信息化时代的快速发展，发布到设计平台上的设计师生成内容越来越多，这些大规模数据描述了设计师设计过程中产生的各种思路想法^【1】[6]，同时反映了这些事物间的相关关系。面对网页中出现的海量链接开放数据，如何从中快速形成需要的信息面临着考验，在这样的大规模数据背景下，提出了知识图谱^【1】[7](Knowledge Graph)，一种用于表示和管理知识的方法。它是2012年5月由Google公司提出的，主要是为了提高搜索的效率和搜索质量。它将结果的相关信息以结构化的概括摘要方式返回，这种高效的方式^【1】[8]将用户带到了信息获取的制高点。构建的知识图谱具有数据规模大、语义关系丰富、信息及时、易扩充、质量和覆盖率较高等优势，这使得知识图谱在自然语言处理、信息检索、知识问答、推荐系统等研究方面有着广泛的应用。

现有技术中至少存在以下缺点和不足：

(1)目前研究主要关注设计师决策后的冲突消解策略，难以实现对冲突问题回溯，增加设计成本和设计周期，无法在设计过程中预防设计冲突发生；

(2)由于设计师发表的评论碎片化且不受限制等特点，文本词相似度无法准确获取设计师设计意图，更不能实现与设计产品对象相关联映射；

(3)关于图相似度计算，目前研究忽略了文本的语义相关度，并且过滤阶段的计算效率差，无法实现子图的验证环节。

本发明基于知识图谱构建设计师领域知识图谱，从而更快更精确获取设计师间领域知识差异，感知设计过程的隐性冲突。

参考文献

[1]李祥,袁国华,周雄辉,等.基于集成的协同设计冲突消解系统研究[J].计算机集成制造系统-CIMS,2000,6(004):61-64.

[2]Falquet G,Jiang C.Conflict Resolution in the Collaborative Designof Terminological Knowledge Bases[C]//Proceedings of the 12th EuropeanWorkshop on Knowledge Acquisition,Modeling and Management.Springer-Verlag,2000.

[3]Elnahrawy E M.Log-based chat room monitoring using textcategorization:A comparative study[J].Acta Press,2002.

[4]Roach T J.The Twitter Opportunity[J].CEMENT 101,2010,113(11):p.40.

[5]Choudhary B,Bhattacharyya P.Text clustering using semantics[C]//International world wide web conferenceWWW2002.CSE Department IndianInstitute of Technology,Bombay India.bhoopesh@cse.iitb.ac.in；CSE DepartmentIndian Institute of Technology,Bombay India pb@cse.iitb.ac.in；,2002.

[6]殷风景.面向网络舆情监控的热点话题发现技术研究[D].国防科学技术大学.

[7]于静,刘燕兵,张宇,等.大规模图数据匹配技术综述[J].计算机研究与发展,2015,52(002):391-409.

[8]陈柏良.面向中文知识图谱的数据重组与应用[D].上海交通大学.

发明内容

本发明提供了一种在协同设计过程中隐性冲突感知方法，本发明通过对在线协同设计平台上进行数据挖掘与过滤技术得到设计师评论文本，借助斯坦福句法(StanfordDependency Parser)分析提取文本的依存句法关系，从而将文本语义信息考虑进来，提出了新的基于图结构模型的评论文本特征提取与表示方法，构建设计师语义图结构模型。将产品对象设计知识图谱与设计师语义图结构模型进行相似度计算，得到设计师领域知识图谱。最后，通过将设计小组中多设计师的知识图谱进行相似度排序，感知设计过程中的隐性冲突，提高设计效率。本发明的技术方案如下：

一种在协同设计过程中隐性冲突感知方法，包括以下步骤：

(1)过滤在线协同设计平台上的设计师网络评论内容，得到设计师评论文本数据集。

(2)依据设计师评论文本数据集，构建语义图结构模型G＝(V,E,W)；

(3)通过语义相似度算法，获取设计师领域知识图谱Q＝(V,E,W)，设设计师语义图结构模型为G_a＝(V_a,E_a,W_a)，产品对象知识图谱为G_b＝(V_b,E_b,W_b)，方法如下：

第一步：设计师语义图结构模型与产品对象知识图谱中点相似度计算：对于设计师语义图结构模型G_a＝(V_a,E_a,W_a)和产品对象知识图谱G_b＝(V_b,E_b,W_b),将设计师语义图结构模型与产品对象知识图谱中名词节点分别表示为只含有节点特征值的集合T_a和T_b,从而将设计师语义图结构模型与产品对象知识图谱G_a和G_b的节点相似度Sim(V_a,V_b)转换为集合T_a和T_b的相似度计算；

第二步：设计师语义图结构模型与产品对象知识图谱中边相似度计算：对于设计师语义图结构模型G_a＝(V_a,E_a,W_a)和产品对象知识图谱G_b＝(V_b,E_b,W_b)，设计师语义图结构模型与产品对象知识图谱的边向量空间集合为E_a和E_b，即有边相似度：

第三步：通过设计师语义图结构模型与产品对象知识图谱进行整体相似度计算：对于设计师语义图结构模型G_a＝(V_a,E_a,W_a)和产品对象知识图谱G_b＝(V_b,E_b,W_b)，两者的整体相似度Sim(G_a,G_b)为

其中θ为大于0的控制阈值，α≤1，为节点相似度和边相似度的调节参数，结合前两步的相似度结果，返回相似度排序高的产品对象特征保留做为该设计师领域知识图谱Q＝(V,E,W)；

(4)隐性冲突感知，方法如下：

第一步：过滤阶段

将所得到的多设计师领域知识图谱Q_n＝(V,E,W)的不匹配节点提前过滤掉，再利用节点的本体信息来度量两个节点的类型相似性，选定每个查询节点的候选集；利用查询节点的邻居信息计算查询节点和其候选节点的结构相似度，将结构相似度与给定阈值的比较继续选择候选节点，最终获得的候选集C(Q)；

第二步：剪枝阶段

将候选集C(Q)候选集中不满足边检测的节点移除，然后对目标图剪枝，抽取出只与候选集合相关的目标子图，之后在这个子图上进行验证操作；

第三步：同构验证排序阶段

在目标子图中验证候选集中的结果是否满足边标签同构，从而获得最终的结果集，方法如下：结合节点的类型相似度和结构相似度总和，给每个候选集打分后排序，获得最终的结果集R(Q)，此部分结果构成隐性冲突；

优选地，步骤(2)中，依据设计师评论文本数据集，构建语义图结构模型G＝(V,E,W),方法如下

第一步：对设计师评论文本数据集进行特征提取，经过分词、依存句法分析、特征词过滤后，获取设计师评论文本数据集的特征词序列与依存关系序列，即文本的特征词与其权值集合V，以及依存关系与其权值集合E；

第二步：将特征词与其权重映射为图结构模型的节点与节点权重，将依存关系与其权值映射为图结构模型的边与边权值，表示为语义图结构模型G＝(V,E,W)。

优选地，θ取0.25。

本发明提供的技术方案的有益效果是：

1、本发明考虑产品设计过程中设计师领域知识的差异性以及产品特征，在设计过程中感知隐性冲突，将冲突问题在设计决策前暴露出来，加快了设计过程中设计迭代，减缓了设计回溯的困难性，有效实现设计过程中知识冲突的消解，从而提高设计过程管控效率，缩短产品协同设计周期；

2、传统对文本特征提取的研究大都基于字符串，在特征项权重构造时也大部分从词频、词频增长率、特征词共现关系等方面考虑，没有引入文本的上下文语义以及特征词之间的依存关系等因素，本发明采用设计师文本的图结构表示模型，该模型有利于将特征词与语义信息结合起来，更加真实的反应设计师文本内涵，更快从网络数据端自适应形成设计师语义图结构模型；

3、在文本相似度计算方面，发现传统的向量空间模型与余弦相似性相结合策略无法有效计算图谱间相似度，考虑设计师评论文本特征稀疏且特征维度变化范围过大，本发明在计算文本的图模型相似度时，应用同义词词林的名词相似度计算算法以及杰卡德相似度计算策略，对改善特征稀疏问题起到了较好效果。

附图说明

图1是本发明所述方法的框架示意图；

图2是本发明设计师语义图结构模型示意图；

图3是本发明基于知识图谱隐性冲突感知过程图；

图4是本发明过滤阶段流程图；

图5是本发明技术案例图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

鉴于现有设计过程中隐性冲突感知方法的局限性，本发明提出采用大数据的分析方法，借助于在线设计平台设计师评论进行深入剖析，考虑到网络评论中设计观点要素具有复杂性和模糊性的特点，不易进行量化，建立完整的设计师语义图结构模型。通过与产品知识图谱进行整体相似度计算，以及多设计师知识图谱相似度计算，感知设计师间隐性冲突，从而提高对设计过程的监控，加快设计迭代，具体实施方式如下：

(1)过滤在线协同设计平台上的设计师网络评论内容，得到设计师评论文本数据集；其中，上述过滤的具体数据为：

对于论文实验使用的设计平台输入数据，一般格式繁杂多样，具有很强的噪声干扰，不能直接作为实验的输入数据，需要对采集的信息进行加工处理，使数据格式化、规整化，为后续的数据特征提取与分析奠定基础。因此，本发明的数据格式化、规整化包括过滤无用信息以及分词之后对部分特征词的过滤。

原始文本有很多杂质信息，如URL、表情符号、特殊字符等与语义无关的信息。“@用户”是大量存在的一种消息形式，用于定向向某个用户发送提醒消息，基本上与设计师意图无关，需要过滤去除。大量的表情符号和URL链接也经常被使用，如“^_”、“…”、“www.”等字符也应该过滤掉，否则会对后续的特征词提取与句法分析造成严重噪声干扰。

(2)依据设计师评论文本数据集，构建设计师语义图结构模型G＝(V,E,W),方法如下：

第一步：对设计师评论文本数据集进行特征提取：经过分词、依存句法分析、特征词过滤后，获取设计师评论文本数据集的特征词序列与依存关系序列，即文本的特征词与其权值集合V_d＝{[v₁,w₁],[v₂,w₂],…,[v_n,w_n]}，以及依存关系与其权值集合E_d＝{[e_1,2,w_1,2],[e_1,3,w_1,3],…,[e_m-1,m,w_m-1,m]}；具体方法如下：

1)特征词过滤主要包括停用词过滤、词性过滤。停用词使用广泛、出现频率高以及无实际意义，其组成主要是一些虚词，包括介词、副词、语气词等，例如中文的“的”、“了”、“与”或者英文的“a”、“the”等。因此，在搜索引擎与文本挖掘中，都需要作去除停用词的处理，以便降低信息维度，减少停用词带来的噪声干扰。

2)使用分词工具(论文使用中科院ICTCLAS分词工具)分词后，同时也可获得特征词的词性信息。根据语言的特点，可以将对句子语义贡献很小的一些词性过滤掉，这类词性主要有形容词、副词、方位词等诸多词性，并且数量巨大。词性过滤是指过滤除名词、动词以外的其它词性的词，留下对文本语义表达起核心作用的名词与动词等实词。

3)本发明采用Stanford Parser版本为3.4.1，是目前最新版本，可以高效地支持中文句法分析。通常一个Stanford Parser系统有四个部分组成：java类库包、训练模板、输入文件以及输出文件。其中java类库包主要有stanford-parser.jar；训练模板有Factored类型和PCFG类型两种；输入文件为分词后的文本文件，并且是以单个句子为基本处理单位的；输出文件为成分句法树文件或者依存句法树文件。

第二步：将特征词与其权重映射为图结构模型的结点与结点权重，将依存关系与其权值映射为图结构模型的边与边权值，表示为图结构模型G＝(V,E,W)；主要分为两个步骤：

1)获取初步图结构模型

将特征词作为文本的结点特征，统计其词频作为特征词的权值。将句子各成分之间的依存关系作为文本的边特征，边权值由依存关系频率和类型确定，常见的依存关系类型对边权值的重要程度结果，如表1所示。

表1依存关系类型与其权重因子对照表

在获取到文本特征后，将其特征词与边映射到图模型中，具体过程为将特征词与其权重映射为图结构模型的结点与结点权重，将依存关系与其权值映射为图结构模型的边与边权值，这样就可以将特征表示为图结构模模型，例如：“某品牌汽车笨重的车身谈操控就有点，低速的时候方向盘非常轻，在急转弯的时候侧倾原因不明”,如图2图模型结构示意图。

2)基于语义的图结构模型优化与调整

①结点权值调整：在初步构建的图结构模型中，结点权值仅考虑了词频因素，对于结点的其它信息却未涉及，不能很好的突出主题信息。因此在结点权值调整阶段，引入了两条权值调整规则：命名实体与依存句法中心词规则。

②边权值调整：在创建图结构模型时，边权值定义只与依存关系的频率和类型有关，并未考虑与之关联的结点因素，因此为了突出中心语义信息，在边权值调整时引入与边相关的结点信息，使之更好的表达文本的语义信息。

(3)通过语义相似度算法，获取设计师领域知识图谱Q＝(V,E,W)，方法如下：；

产品知识图谱采用自上而下的构建方法，首先搭建出产品知识图谱的模式层，然后在模式层的约束下填充数据层，最终形成结构化的产品知识图谱。在计算文本相似度时对图结构模型适当转化，将结点集合和边集合看作两个向量空间模型，然后分别计算结点相似度和边相似度，最后通过复合加权得到最终的图模型相似度。

第一步：设计师语义图结构模型与产品对象知识图谱中点相似度计算：

鉴于汽车产品知识图谱技术已相对成熟，本发明应用已有某品牌汽车知识图谱G_b进行相似度计算。对于图结构模型G_a＝(V_a,E_a,W_a)和G_b＝(V_b,E_b,W_b),将设计师语义图结构模型与产品对象知识图谱中名词节点分别表示为只含有结点特征值的集合T_a＝{t_a1,t_a2,…t_am}和T_b＝{t_b1,t_b2,…t_bm},由此可以将设计师语义图结构模型与产品对象知识图谱G_a和G_b的顶点相似度Sim(V_a,V_b)转换为集合T_a和T_b的相似度计算,结点相似度计算公式如下：

第二步：设计师语义图结构模型与产品对象知识图谱中边相似度计算：

对于图结构模型G_a＝(V_a,E_a,W_a)和G_b＝(V_b,E_b,W_b)，设计师语义图结构模型与产品对象知识图谱的边向量空间集合为E_a和E_b，则集合E_a和E_b的相似度：

第三步：设计师语义图结构模型与产品对象知识图谱中整体相似度计算：

在前两个步骤基础上，可以得到设计师语义图结构模型与产品对象知识图谱的整体相似度，并返回相似度排序的结果。设图结构模型G_a＝(V_a,E_a,W_a)和G_b＝(V_b,E_b,W_b)，则两者的整体相似度Sim(G_a,G_b)定义为：

其中θ为控制阈值(通常取经验值0.25)，α为结点相似度和边相似度的调节参数(取经验值0.5)，它们均满足0≤θ、α≤1.0。由公示可以看出，有效部分前者刻画了产品设计特征名词的相似度，两者共同出现的名词顶点越多，取值越接近1。后半部分刻画了边相似度，该公式可以确保只有当两个图结构模型结点相似度和边相似度都较高时，他们的整体相似度才能高。也就是设计师发表关于产品设计越具体时，他们的特征词及特征词依存关系都具有更高的相似度。并返回相似度排序高的结果保留即该设计师领域知识图谱Q＝(V,E,W)。

(4)隐性冲突感知，方法如下：

根据上述步骤可以快速得到设计过程中各设计师的知识领域知识图谱，冲突的发现往往在设计过程最终决策时才被发现，以及设计过程回溯效率低，导致设计周期过长，本发明提出在根据设计过程中设计师的领域知识图谱差异，预先感知隐性冲突流程如图3所示。

第一步：过滤阶段

首先利用IBS索引的节点基本签名来比较两个节点的本质类型是否相同，若两者不相同，则说明两个节点不是同一父类，不可能匹配，从而将不相同的目标节点过滤掉。之后再利用节点的本体信息来度量两个节点的类型相似性，相似度用simType(u,v)表示，得到每个查询节点的候选集；在该候选集基础上，利用节点的邻居信息计算查询节点和其候选节点的结构相似度，用simNeighbor(u,v)表示，将相似度值与给定阈值比较，若大于阈值则v为u的候选节点，否则不是，最终获得的候选集C(Q)如图4所示。

第二步：剪枝阶段

由于过滤阶段计算的候选集中并没有考虑边标签，可能存在误信息，本发明结合图中边标签的信息，提出一种边标签检测方法，将候选集中不满足边检测的节点移除。然后对目标图剪枝，抽取出只与候选集合相关的目标子图，之后在这个子图上进行验证操作。这个过程减少了验证的图规模，有利于提高查询效率。

第三步：同构验证排序阶段

在目标子图中验证候选集中的结果是否满足边标签同构，从而获得最终的结果集。由于设计过程更关注的是获得多设计师领域知识差异度高的结果，因此算法结合节点的标签相似度和结构相似度总和，给每个结果集打分后排序，获得最终的结果集R(Q)，此部分结果构成隐性冲突。

基于产品对象知识图谱、多设计师的领域知识图谱，可以将隐性冲突在设计过程中可以提前感知出来，具体实例如图5所示，在设计过程中对此提出以下技术改进方法：

通过构建设计师领域知识图谱可以有效感知设计师关注和侧重的产品信息，在设计师进行设计决策时，预先感知到设计过程隐性冲突，从而推送给设计师缺少相关产品知识信息，可以有效避免知识冲突等，提高协同效率。

本发明未尽事宜为公知技术。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种在协同设计过程中隐性冲突感知方法，包括以下步骤：

(1)过滤在线协同设计平台上的设计师网络评论内容，得到设计师评论文本数据集。

(2)依据设计师评论文本数据集，构建语义图结构模型G＝(V,E,W)；

(3)通过语义相似度算法，获取设计师领域知识图谱Q＝(V,E,W)，设设计师语义图结构模型为G_a＝(V_a,E_a,W_a)，产品对象知识图谱为G_b＝(V_b,E_b,W_b)，方法如下：

第一步：设计师语义图结构模型与产品对象知识图谱中点相似度计算：对于设计师语义图结构模型G_a＝(V_a,E_a,W_a)和产品对象知识图谱G_b＝(V_b,E_b,W_b),将设计师语义图结构模型与产品对象知识图谱中名词节点分别表示为只含有节点特征值的集合T_a和T_b,从而将设计师语义图结构模型与产品对象知识图谱G_a和G_b的节点相似度Sim(V_a,V_b)转换为集合T_a和T_b的相似度计算；

第二步：设计师语义图结构模型与产品对象知识图谱中边相似度计算：对于设计师语义图结构模型G_a＝(V_a,E_a,W_a)和产品对象知识图谱G_b＝(V_b,E_b,W_b)，设计师语义图结构模型与产品对象知识图谱的边向量空间集合为E_a和E_b，即有边相似度：

第三步：通过设计师语义图结构模型与产品对象知识图谱进行整体相似度计算：对于设计师语义图结构模型G_a＝(V_a,E_a,W_a)和产品对象知识图谱G_b＝(V_b,E_b,W_b)，两者的整体相似度Sim(G_a,G_b)为

其中θ为大于0的控制阈值，α≤1，为节点相似度和边相似度的调节参数，结合前两步的相似度结果，返回相似度排序高的产品对象特征保留做为该设计师领域知识图谱Q＝(V,E,W)；

(4)隐性冲突感知，方法如下：

第一步：过滤阶段

将所得到的多设计师领域知识图谱Q_n＝(V,E,W)的不匹配节点提前过滤掉，再利用节点的本体信息来度量两个节点的类型相似性，选定每个查询节点的候选集；利用查询节点的邻居信息计算查询节点和其候选节点的结构相似度，将结构相似度与给定阈值的比较继续选择候选节点，最终获得的候选集C(Q)；

第二步：剪枝阶段

将候选集C(Q)候选集中不满足边检测的节点移除，然后对目标图剪枝，抽取出只与候选集合相关的目标子图，之后在这个子图上进行验证操作；

第三步：同构验证排序阶段

在目标子图中验证候选集中的结果是否满足边标签同构，从而获得最终的结果集，方法如下：结合节点的类型相似度和结构相似度总和，给每个候选集打分后排序，获得最终的结果集R(Q)，此部分结果构成隐性冲突。

2.根据权利要求1所述的方法，其特征在于，步骤(2)中，依据设计师评论文本数据集，构建语义图结构模型G＝(V,E,W),方法如下

第一步：对设计师评论文本数据集进行特征提取，经过分词、依存句法分析、特征词过滤后，获取设计师评论文本数据集的特征词序列与依存关系序列，即文本的特征词与其权值集合V，以及依存关系与其权值集合E；

第二步：将特征词与其权重映射为图结构模型的节点与节点权重，将依存关系与其权值映射为图结构模型的边与边权值，表示为语义图结构模型G＝(V,E,W)。

3.根据权利要求1所述的方法，其特征在于，θ取0.25。

Images