面向感性设计的数据挖掘模型与应用

论文摘要

感性设计现已得到学术界和工业界的广泛关注。感性设计旨在在设计元素中融合顾客的感性需求，从而使顾客在感性上达到满意。感性设计的主要挑战源于从顾客的主观印象（感性）到感性设计元素的映射。本文意图重新利用交易记录中的知识，为感性设计决策中的映射过程提供支持。关联规则挖掘是数据挖掘的主要技术之一，它有助于发现感性映射的有趣模式。本文构建了一个感性挖掘系统，挖掘顾客对现存设计的感性印象中隐藏的有价值的信息。然后，根据对顾客期望的实现程度，评估每条规则的推断效应。本文采用联合分析法度量每条规则的期望效用和实际效用，并将它们标准化。基于推断效应，我们可以进一步提炼出有用的规则，以强化整个系统的有效性。本文详细阐述了感性挖掘系统的结构和实施问题，并将其应用于长途托运卡车车厢内部的感性设计中。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究动机
• 1.3 研究目的和范围
• 1.4 论文的组织结构
• 第二章 相关理论及文献综述
• 2.1 “感性设计”的提出
• 2.1.1 未来产品的顾客需求
• 2.1.2 “感性设计”的提出
• 2.2 感性设计的理论背景
• 2.2.1 诺曼的情感设计理论
• 2.2.2 卡诺模型
• 2.3 什么是感性
• 2.3.1 基本概念
• 2.3.2 感性认识
• 2.3.3 “感性”是人的本性
• 2.3.4 感性的层次性
• 2.3.5 感性与感性设计
• 2.4 感性工学理论体系
• 2.4.1 感性工学的历史
• 2.4.2 感性工学的概念
• 2.4.3 感性的度量方法
• 2.4.4 感性工学的分类
• 2.5 感性设计相关研究方法综述
• 第三章 感性设计的问题阐述
• 3.1 产品生态系统
• 3.2 感性设计的一般过程
• 3.2.1 顾客感性需求的获取
• 3.2.2 顾客感性需求的分析
• 3.2.3 顾客感性需求的实施
• 3.3 问题描述
• 第四章 感性挖掘模型
• 4.1 感性数据库构建
• 4.1.1 感性词汇的收集
• 4.1.2 感性工学词汇的确定
• 4.1.3 重要设计元素的确定
• 4.1.4 构建交易数据库
• 4.2 感性挖掘
• 4.2.1 关联规则挖掘
• 4.2.2 Apriori 算法
• 4.3 优度评估
• 4.4 规则提炼与陈述
• 第五章 基于推断效应的关联规则提炼方法
• 5.1 背景知识——联合分析法
• 5.1.1 联合分析法的基本思想
• 5.1.2 联合分析法的基本假定
• 5.1.3 联合分析法的主要步骤
• 5.1.4 联合分析法的软件化过程
• 5.2 关联规则的优度评估
• 5.2.1 优度评估的角度
• 5.2.2 细分市场水平的优度评估
• 5.3 原始的优度评估方法
• 5.3.1 优度指数（goodeness index）
• 5.3.2 实际效用和期望效用的计算方法
• 5.4 原始优度评估方法的缺点
• 5.4.1 关于优度指数
• 5.4.2 关于实际效用和期望效用的计算方法
• 5.5 新的优度评估方法的提出
• 5.5.1 对实际效用和期望效用原始计算方法的改进
• 5.5.2 新的优度评估方法的提出
• 5.5.3 推断效应
• 第六章 应用案例分析
• 6.1 原始数据的获取
• 6.1.1 沃尔沃公司简介
• 6.1.2 数据的来源
• 6.2 交易数据的构建
• 6.2.1 感性工学词汇和重要设计元素的确定
• 6.2.2 交易数据库的构建
• 6.3 关联规则挖掘
• 6.3.1 “search for”的设置
• 6.3.2 “search by”的设置
• 6.3.3 “Filter out”的设置
• 6.3.4 其它参数的设置
• 6.3.5 关联规则挖掘
• 6.4 优度评估
• 6.4.1 感性工学词汇的分值效用
• 6.4.2 设计元素的分值效用
• 6.4.3 各个分值效用数值的无量纲化
• 6.4.4 规则的推断效用
• 6.5 规则的提炼
• 第七章 结论
• 7.1 结论
• 7.2 贡献
• 7.3 局限性和未来的工作
• 参考文献
• 致谢