一种多维度产品设计知识推送框架与构建方法

摘要

本发明提出一种多维度产品设计知识推送框架与构建方法。步骤1.根据企业产品设计需求建立以知识推送为中心的维度特征及维度特征相似关联表；步骤2.根据维度特征相似关联表建立基于多维度特征的混合用户模型；步骤3.利用用户的行为数据集对知识进行初步过滤；步骤4.在满足触发推送的时机后，将步骤3得到的初步过滤后的知识传递给各个维度特征的推送子引擎，利用步骤2建立的混合用户模型分别运算出各维度特征的推送结果；步骤5.将步骤4得到的推送结果进行融合后展示给当前用户；步骤6.若用户触发推送结束事件，本次推送运算停止；用户结束一次知识推送使用前，每当有行为产生，则重复步骤3至6。

说明书

技术领域

本发明属于计算机应用技术领域，具体涉及一种多维度产品设计知识推送 框架与构建方法。

背景技术

在日益激烈的市场竞争中，从事产品设计的知识密集型企业在运营过程中 迅速积累起构成核心竞争力的大量知识网络。知识管理的实施使知识存量逐渐 增大，知识来源趋于丰富；但面对大量的知识时，用户不能有效即时地获取所 需知识的问题逐渐暴露。

如何有效地针对设计人员，实现知识的传递和推送服务，以期在企业达到 知识的共享、知识的再创造，已成为迫切需要解决的问题。同一集团下的不同 企业，以及市场变化不断加快下的不同时期同一企业，其业务流程可能完全不 同，这导致其知识结构不同，使用知识的场景与需求也不同。因此针对不同的 外部变化，构建自适应的多维度知识推送框架以满足员工多变的知识需求是很 有必要的。

目前作为解决当前企业“知识海洋”中难以获取所需知识问题的根本途径 的推送技术，其各方面的研究格外火热。多维度是推送技术发展的趋势之一， 也是各种算法非常重要的突破点。但就当前而言，国内外鲜有学者对面向产品 设计多维度知识推送的框架进行研究。现有基于规则的方法能带来较好的结 果，但需要用户定制操作过多，实施困难；协同过滤技术具有较高的自动化程 度、对数据结构要求低以及能带来较高的准确率，却会遭受稀疏性与冷启动等 问题。

当前对知识推送的研究仅限于推送过程的本身，包括如何表示知识及分 类，如何减小预测评分的误差等等。对推送多维度的构建以及后续全部运算过 程作为一个整体考虑的并不多。概括来说，现有的技术描述的推送过程往往是 在已有系统日志的情况下，对数据进行各种方式的挖掘，推送时考虑的主要问 题是如何产生精度更高的推送。其实在记录系统行为日志之前应该根据推送系 统的特定属性建立多维度的行为日志记录方式，然后再考虑如何用精确的算法 产生推送。现有的推送技术缺陷就在于未能将多维度的因素提前考虑并建立到 推送系统行为记录中，使得精确而复杂的推送算法在粗糙的数据上运行，导致 推送算法与数据的失调，影响知识推送系统的优势的发挥。

现有的推送方法和理论的不够完善将导致：

1)统计运算单一化。在单一维度下，行为数据由于未进行多维度分解导 致数量极为庞大且存在较多噪声数据。即使使用聚类分类算法，也只是在数据 源上进行隐形地估计，使运算繁杂耗时；由于来源单一，最终推送的结果未能 考虑产品设计时知识需求的多维度特性，导致效果不佳。

2)稀疏性与冷启动。常见影响推送质量的有稀疏性与冷启动问题。在传 统框架下，用户的行为会显得十分稀疏，协同过滤等算法的效果大大降低，称 为稀疏性问题。而新进入的用户和知识因为行为较少而难以被关联，导致这些 用户很难接收到有效推送的知识，这些知识也很难被推送给用户，这种现象就 是冷启动。稀疏性与冷启动问题容易导致推送质量降低，使推送系统进入恶性 循环。

3)多维度方法不够完善。以往有学者提出过多维度的知识推送，但没有 从维度的建立选择方法到最后多维度的融合提出完整的一套框架与方法，以致 于难以真正实施多维度的知识推送。

4)难以持续性地改进。传统的行为日志记录的信息过少，行为背后的意 义难以被有效挖掘，甚至造成错误解读。根据“无用输入，无用输出”原则 (GIGO)，不考虑行为的多维度特性容易造成无效改进，影响推送算法自适应 地提升。

发明内容

本发明的目的是为了克服已有技术的缺陷，为了解决设计人员获取知识能 力不足的问题，提出一种多维度产品设计知识推送框架与构建方法。

本发明方法是通过下述技术方案实现的：

一种多维度产品设计知识推送框架与构建方法，包括以下步骤：

步骤1、根据企业产品设计需求建立以知识推送为中心的维度特征及维度 特征相似关联表；

步骤2、根据维度特征相似关联表建立基于多维度特征的混合用户模型；

步骤3、利用用户的行为数据集对知识进行初步过滤；

步骤4、在满足触发推送的时机后，将步骤3得到的初步过滤后的知识传 递给各个维度特征的推送子引擎，利用步骤2建立的混合用户模型分别运算出 各维度特征的推送结果；

步骤5、将步骤4得到的推送结果进行融合后展示给当前用户；

步骤6、若用户触发推送结束事件，本次推送运算停止；用户结束一次知 识推送使用前，每当有行为产生，则重复步骤3至6；

自此，就完成了多维度知识推送框架与系统构建的过程。

本发明的创新点和所达到的效果主要体现在以下几个方面：

(1)多维度的建立使推送计算时有了更多的依据，增强了对噪声数据的处 理能力，提高了用户模型的质量；

(2)易于给出推送的解释，使推送过程透明化，利于用户使用推送的内容 以及检查系统问题；

(3)能较好地克服稀疏性，数据少量时由于多维度的解读而使得推送计算 没有结果的情形大幅减少；

(4)较好地克服了冷启动问题，新加入的用户仅仅是用户这一维度数据较 少，但很难出现多个维度同时都是新数据的情况；新加入的知识由于 分类维度的存在将有不小的机会推送给愿意接受新知识的用户，从而 本框架从本身一定程度克服了单维度存在的冷启动问题；

(5)提出了一套完善的多维度方法，使得多维度切实可行，真正发挥出多 个维度的优势；

(6)推送计算时运算量小，且推送内容实时更新，具备优良的新颖性；

(7)能通过学习自适应地满足用户多维度的知识需求，增强企业员工获取 知识的能力。

整个框架与构建方法可以指导企业在进行知识管理时推送系统的构建过 程，从而增强员工的知识传递与获取能力，保证企业在市场竞争中的优势。

附图说明

图1为本发明多维度产品设计知识推送框架与构建方法流程图；

图2为本发明具体实施方式中知识推送结果展示形象示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的一种多维度产品设计知识推送框架与构建方法，具体按照以下步 骤实施：

步骤1、根据企业产品设计需求梳理并建立以知识推送为中心的维度特征 及维度特征相似关联表。

定义1维度是整个知识推送系统中涉及到的具体对象或事物，主要有用 户、角色、任务、设计对象、时间、地点、使用软件、知识等。定义维度为

维度＝{用户,角色,任务,设计对象,时间,地点,使用软件,知识,…}

定义2维度特征是隶属于维度且用于表征某维度的属性。维度特征是对维 度具体化的扩展，每个维度下可能有一个或多个维度特征。本系统的主要方法 均基于维度特征展开。本框架里主要的维度特征有：用户个人、用户角色、设 计任务、设计任务分类、设计对象、设计对象各属性、行为时间、地点、使用 软件集合、知识、知识多种分类等。

维度特征＝{用户个人,用户角色,设计任务,设计任务分类,设计对象,设 计对象属性1,设计对象属性2,…,设计对象属性N,行为时间,地点,使用软件集 合,知识,知识分类1,知识分类…,知识分类M等}

步骤1.1、梳理并确定以知识推送为中心的多个维度。可以根据企业具体 需求对默认维度内容进行调整。

步骤1.2、根据维度梳理出与知识推送相关的维度特征。可以根据企业具 体需求对默认维度特征内容进行调整。

步骤1.3、根据维度特征建立以知识推送为中心的维度特征相似关联表， 每个维度特征都可以建立本特征内关于其他某一特征的相似表，这两个特征的 关联关系记录在此表中，主要表达各维度特征间建立相似度的必要性，以及相 似度的建立方式，为空则没有相似关联关系。如列“设计对象”与行“设计对 象属性1(设计对象用途与使用范围)”的相似关系为“具有”，表示设计对象 拥有一个关于用途与使用范围的相似度表。具体每个相似度表的建立见步骤 2.2。

步骤1.4、根据维度特征相似关联表，选择需要的维度特征集，为其中每 个维度特征建立多维度相似运算，形成相应的推送子引擎。推送子引擎使用的 相似度须符合步骤1.3维度特征相似关联表，输入知识的方式须符合步骤3初 步过滤的结果，输出须符合定义6中的推送结果的规范，以上是推送框架对子 引擎的约束。在此约束上可根据需要任意重新构建或更改推送子引擎。

定义3多维度相似运算是对于当前的某一特征，通过两种方式之一产生推 送的运算。1)先按该维度特征的取其最相似的N₁个值，然后再取与这些值最 相似的N₂个值，如此重复X次后，把与这些特征关联最强并最新的知识集附上 推送解释，作为推送结果；2)先获取与该维度特征的值关联最强并最新的知 识，取其最相似的N条知识，然后再取与这些知识最相似的M₁个知识，如此重 复X次后，把得到的知识集附上推送解释，作为推送结果。用户、特征、知识 各自的相似度可以有多种，因此同一维度的特征可以有多个推送子引擎。通过 A/B测试分流技术和用户行为反馈，使用人工神经网络学习优化N、M、…、X 的值。

步骤2、根据维度信息建立基于多维度特征的混合用户模型。

步骤2.1、每当记录一条有效行为，将产生这个行为中涉及的所有维度特 征均记录到日志上。若已有相似度表则跳过步骤2.2，直接进入步骤2.3。

定义4行为是用户在推送系统中所有行为信息的集合。主要包括收藏、分 享、关注、拖动滚动条等，是刻画用户模型的最原始数据来源。则定义行为为

行为＝{收藏,评论,评分,分享,拖动滚动条,点击链接,点击按钮…}

定义5有效行为是满足认定某行为具有代表性的条件的行为。常见的条件 如浏览时间、评论分数、拖动滚动条次数等。则定义有效行为为

有效行为＝{A|A∈行为,属性(A)∈有效行为条件集}

步骤2.2、按照步骤1.3建立的维度特征相似关联表建立二维相似度表。 每个相似度表的行列均为维度特征相似关联表的列的类型(如第十三行第一列 的值“有效行为的”的列“用户个人”)，相似表中的值为该类型的两值的相似 度。

步骤2.3、更新相似度。对未用于更新相似度的有效行为记录日志，每当 维度特征相似关联表的行的类型(如知识)的同一值的行为记录，且对应列类 型(如用户个人)为不同值，则对应列的不同值之间的增加一定的相似度。通 常共同出现的行为记录越多，行列类型的值的流行度越低，相似度越高，可根 据具体的维度特征适当修改或选用不同的相似度计算函数。增加前可根据时间 进行一定衰减。

步骤2.4、将用于更新完各相似度的有效行为记录日志进行标记，以后将 不会再用于更新。

步骤3、利用用户的行为数据集对知识进行初步过滤。具体按照以下步骤 实施：

步骤3.1、确定推送的备选知识集；

步骤3.2、去除其中用户已明确标记不想推送的知识；

步骤3.3、根据用户设置选择排除用户一定时间范围内曾产生过行为的知 识；

步骤3.4、根据用户设置选择排除某属性满足/不满足某条件的知识。

步骤4、在满足触发推送的时机后，将步骤3得到的知识传递给各个维度 特征的推送子引擎，分别运算出各维度特征的推送结果。具体按照以下步骤实 施：

步骤4.1、选定需要推送的时机，比如初步设计产品、试制修改产品、随 意浏览时；

步骤4.2、获取当前正处于的维度特征，将步骤3过滤后的知识备选集传 递给各个维度特征的推送子引擎，通过多维度相似运算得到推送结果；

定义6推送结果是由推送的知识内容、推送水平以及推送解释构成的一个 完整的对象。其中每一个中间计算的推送结果的推送水平必须与某一推送解释 关联。只有最后展示的推送结果允许同类型的推送解释的推送水平进行合并。

定义7推送解释是向用户解释为何推送此结果中知识内容的简短语句，如 根据用户的角色相似度找到的用户，其参考并认可的知识解释可以写为“与您 角色相似的用户XXX曾参考了该知识”。

定义8推送水平是某一条知识在某一推送解释方面被推送出的重要程度。

步骤5、将推送结果进行融合后展示给当前用户。具体按照以下步骤实施：

步骤5.1、遍历推送结果中每一个推送解释的推送水平，分别对同一类型 的推送解释的水平求取平均值；

步骤5.2、将各个推送解释的水平除以步骤5.1中计算出的该类型的平均 值，再乘上设定该维度特征的权重。权重可通过评价反馈学习优化。

步骤5.3、将各子引擎得出的推送结果按照知识的ID进行合并,同时加和 各知识ID下的推送水平得出总推送水平；

步骤5.4、按总推送水平降序排序后截取前一定数量的推送结果作为最终 推送结果；

步骤5.5、对于最终推送每一推送结果内，按各解释的推送水平进行降序 排序后截取前一定数量的解释保留，返回前台展示给用户。图2所示为本实施 例提供的知识推送系统的知识推送结果最终展示的形象示意图。

步骤6、若用户触发推送结束事件，本次推送运算停止；用户结束一次知 识推送使用前，每当有行为产生，则重复步骤3至6。

步骤2至6的整理流程图如图1所示。为节省计算资源，步骤2通常与其 他步骤分离开在空闲时进行。

自此，就完成了/实现了多维度知识推送框架与系统构建的过程。