本發(fā)明屬于產(chǎn)品分析技術(shù)領(lǐng)域，具體涉及一種基于多維感性信息語義層次關(guān)聯(lián)的產(chǎn)品分析方法。

背景技術(shù)：

面向用戶偏好的個性化產(chǎn)品(包括工業(yè)產(chǎn)品，金融產(chǎn)品等等)設(shè)計也成為企業(yè)吸引消費(fèi)者購買的關(guān)鍵。一些學(xué)者建立用戶情感需求模型，來實現(xiàn)設(shè)計早期階段融入用戶需求，如感性工學(xué)將用戶的感知信息通過數(shù)學(xué)量化處理來與產(chǎn)品的造型屬性結(jié)合。但是用戶對產(chǎn)品感知評價，并用語言描述對同一產(chǎn)品的感性需求除了模糊性和不確定性外，還呈現(xiàn)出“多維度、多層次、動態(tài)性”的特征。所以，單靠一種或者兩種感性詞匯表達(dá)是不能涵蓋用戶群體對產(chǎn)品的本質(zhì)需求，而且如果忽略了這些需求之間的關(guān)聯(lián)特性和動態(tài)發(fā)展特性，更是很難準(zhǔn)確實施用戶群體動態(tài)的感性需求信息與產(chǎn)品設(shè)計的綜合轉(zhuǎn)化。此外，在互聯(lián)網(wǎng)上檢索產(chǎn)品時，如何讓用戶快速檢索到與自己的個性特征相關(guān)的產(chǎn)品，提高檢索效率也急需解決。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于多維感性信息語義層次關(guān)聯(lián)的產(chǎn)品分析方法，能夠直觀地表達(dá)用戶對產(chǎn)品的多屬性動態(tài)的綜合感知需求，用于產(chǎn)品方案的分析與決策，并通過多維感性需求與用戶的個性化特征關(guān)聯(lián)，提高網(wǎng)上檢索效率，為后期基于語義檢索的產(chǎn)品個性化設(shè)計奠定基礎(chǔ)。

本發(fā)明所采用的技術(shù)方案是，一種基于多維感性信息語義層次關(guān)聯(lián)的產(chǎn)品分析方法，具體按照以下步驟實施：

步驟1，利用調(diào)研、統(tǒng)計的方法對眾多的感性需求語義詞匯進(jìn)行提取，初步提取用戶選擇頻數(shù)f≥x％的感性詞匯建立用戶對產(chǎn)品的感性需求信息方案集Y＝{Y₁,Y₂,…,Y_n}，x為產(chǎn)品設(shè)計開發(fā)人員指定數(shù)值，如指定x＝70，即選擇頻數(shù)f≥70％的感性詞匯建立用戶對產(chǎn)品的感性信息方案集；

步驟2，利用動態(tài)直覺模糊多屬性決策確立“需求Y_i，i＝1,2,…,n”的排序；

步驟3，選擇排序靠前的j個感性需求作為產(chǎn)品語義空間中的語義軸MR_j，當(dāng)j＝1時，為線性語義軸，語義軸為MR₁，構(gòu)成一維感性需求圖；當(dāng)j＝2時，語義軸MR₂、MR₁構(gòu)成二維感性需求圖，j＝3時，語義軸MR₃、MR₂及MR₁形成三維語義空間，當(dāng)j≥4時，以C_n³的組合方式確定多組三維語義空間；

步驟4，利用直覺模糊集的關(guān)聯(lián)測度計算用戶對產(chǎn)品感性信息集綜合作用到產(chǎn)品方案P_i后與步驟3中需求語義軸的關(guān)聯(lián)層次，確定該產(chǎn)品方案P_i在用戶需求“情感”語義空間中的位置；

步驟5，構(gòu)建面向用戶特征的多維感性需求模型，通過調(diào)查、統(tǒng)計的形式提取用戶U_i,(i＝1,2,…,n)的典型特征，并用兩對互補(bǔ)的形容詞組表達(dá)該典型特征，構(gòu)成“用戶群典型特征”語義空間；

步驟6，通過產(chǎn)品感知評價實驗，利用直覺模糊集的關(guān)聯(lián)測度計算用戶對產(chǎn)品方案P_i的j個感性需求形成的多維感性需求與用戶U_i,(i＝1,2,…,n)的典型特征的關(guān)聯(lián)性，并標(biāo)定其在步驟5構(gòu)建的“用戶群典型特征”語義空間中的位置；

步驟7，根據(jù)步驟2對產(chǎn)品的多維感性需求Y_i的排序，從中選擇排序最前的用戶感性需求作為選用產(chǎn)品著重考慮的首要需求FR；

步驟8，將首要需求FR劃分為n個層次，并將經(jīng)步驟6標(biāo)定后的產(chǎn)品方案P_i按照首要需求FR的層次在相應(yīng)“用戶群典型特征”語義空間內(nèi)進(jìn)行定位；

步驟9，將用戶U_i,(i＝1,2,…,n)進(jìn)行細(xì)分，確定出核心用戶，選擇核心用戶位于經(jīng)步驟8排好的產(chǎn)品方案P_i在“用戶群典型特征”語義空間中的區(qū)域，從中選擇首要需求FR層次中的第n層所對應(yīng)的產(chǎn)品方案P_i，作為做出最終產(chǎn)品設(shè)計決策，從而得出滿足核心用戶感性需求的產(chǎn)品方案為最終選擇的設(shè)計方案。

本發(fā)明的特點還在于，

具體算法實施步驟為：

步驟1，設(shè)用戶對產(chǎn)品的感性信息方案集Y＝{Y₁,Y₂,…,Y_n}；

G＝{G₁,G₂,…,G_m}為產(chǎn)品的屬性集，各屬性權(quán)重向量為w＝(w₁,w₂,…,w_m)^T，其中，

設(shè)t_k(k＝1,2,…,p)為時間參數(shù)，獲取用戶需求時的p個不同的時段，每個時段因?qū)Ξa(chǎn)品動態(tài)需求預(yù)測或決策的影響大小賦權(quán)重向量：

構(gòu)建t_k時段的直覺模糊決策矩陣D(t_k)＝(d_ij(t_k))_n×m，其中為用模糊矩陣表達(dá)的產(chǎn)品屬性值，表示t_k時段方案Y_i滿足產(chǎn)品屬性G_j的程度，表示t_k時段方案Y_i不滿足產(chǎn)品屬性G_j的程度，且表示方案Y_i對屬性G_j的不確定性程度，則

步驟2，將步驟1得到的直覺模糊決策矩陣D(t_k)通過DIFWA算子集成為綜合的直覺模糊決策矩陣：

步驟3，定義直覺模糊正理想點和負(fù)理想點分別為：

和

其中為m個最大的直覺模糊數(shù)，為m個最小的直覺模糊數(shù)，方案集Y_i＝(d_i1,d_i2,…,d_im)^T(i＝1,2,…,n)

步驟4，分別計算方案Y_i的直覺模糊正理想點與直覺模糊負(fù)理想點之間的距離：

其中d_ij＝(μ_ij,v_ij,π_ij)(i＝1,2,…,n；j＝1,2,…,m)；

步驟5.計算每個方案的貼近系數(shù)：

根據(jù)式(3)(4)，

步驟6，判斷貼近系數(shù)大小對所有方案Y_i(i＝1,2,…,n)進(jìn)行排序擇優(yōu)，c(Y_i)越大，則表明方案Y_i越為用戶所偏好的感知；

步驟7，把步驟6排序靠前的語義詞匯作為用戶對產(chǎn)品的優(yōu)先的、重要的感性需求信息提取出來作為多維感性需求語義空間中的語義軸MR_i；

步驟8，根據(jù)每個方案的貼近系數(shù)構(gòu)建方案Y_i的用戶特征關(guān)聯(lián)權(quán)重(Y_i,ω_i)。

設(shè)X＝{x₁,x₂,…,x_n}為一個有限集合，直覺模糊集為和則直覺模糊集A₁,A₂的關(guān)聯(lián)系數(shù)為：

其中

其中μ為隸屬度，v為非隸屬度；

計算直覺模糊集A₁,A₂的關(guān)聯(lián)系數(shù)時，如果考慮到產(chǎn)品元素x_i∈X的權(quán)重問題，公式(7)可推廣為

其中ω＝(ω₁,ω₂,…,ω_n)^T為x_i(i＝1,2,…,n)的權(quán)重向量，ω_i≥0(1,2,…,n)，且

當(dāng)ω＝(1/n,1/n,…,1/n)^T時，則為公式(7)；

步驟9，將步驟8計算得到所有方案Y_i與用戶特征的關(guān)聯(lián)系數(shù)的平均值作為產(chǎn)品方案對應(yīng)的目標(biāo)用戶群典型特征語義空間相對原點，得到所有方案Y_i的綜合感知所在的目標(biāo)用戶群典型特征語義空間位置；

步驟10，將步驟6中，感性需求排序最前的用戶感性需求作為選用產(chǎn)品著重考慮的“首要需求FR(First Request)”；

步驟11，將首要需求FR劃分為n個層次。

本發(fā)明的有益效果在于：利用語義關(guān)聯(lián)層次分析構(gòu)建多維感性需求模型的方法，通過用戶群體對產(chǎn)品的感知評價實驗，獲得多維感性需求信息，通過模糊算法對這些產(chǎn)品根據(jù)用戶的感性需求進(jìn)行語義關(guān)聯(lián)分析，實現(xiàn)面向用戶群體多維感知需求的產(chǎn)品聚類。利用用戶感性需求的層次分析，確立用戶群體的首要需求分層，通過關(guān)聯(lián)分析確立不同用戶典型特征下所對應(yīng)產(chǎn)品特征，構(gòu)建“面向用戶群體特征的、且基于首要需求層次關(guān)聯(lián)的產(chǎn)品設(shè)計決策模型”，該模型能夠描述用戶對產(chǎn)品感知評價的n維感性需求信息綜合映射到方案中，并確立該方案在用戶群典型特征語義空間中的位置。能夠直觀地表達(dá)用戶對產(chǎn)品的多屬性動態(tài)的綜合感知，讓用戶快速檢索到與自己的個性特征相關(guān)的產(chǎn)品，提高檢索效率，并為后期基于語義檢索的產(chǎn)品個性化設(shè)計奠定基礎(chǔ)。

附圖說明

圖1是二維感性需求語義關(guān)聯(lián)模型示意圖；

圖2是三維感性需求語義關(guān)聯(lián)表達(dá)模型示意圖；

圖3是產(chǎn)品方案在二維感性需求語義空間中的位置示意圖；

圖4是產(chǎn)品方案在三維感性需求語義空間中的位置示意圖；

圖5是用戶群典型特征語義空間示意圖；

圖6是面向用戶典型特征的產(chǎn)品多維感性需求模型示意圖；

圖7是基于首需求層次關(guān)聯(lián)的產(chǎn)品設(shè)計決策模型示意圖；

圖8是目標(biāo)用戶細(xì)分示意圖；

圖9是核心用戶群典型特征選取示意圖；

圖10是面向核心用戶首要需求層次的決策模型示意圖；

圖11是實施例1中研究對象方案集示意圖；

圖12是實施例1的產(chǎn)品方案的綜合感知所在的目標(biāo)用戶群典型特征語義空間位置示意圖；

圖13是實施例1的多維情感設(shè)計決策示意圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明進(jìn)行詳細(xì)說明。

本發(fā)明提供一種基于多維感性信息語義層次關(guān)聯(lián)的產(chǎn)品分析方法，實施步驟如下：

步驟1，對眾多的感性需求語義詞匯中，利用調(diào)研、統(tǒng)計的方法，初步提取用戶選擇頻數(shù)f≥x％的感性詞匯建立用戶對產(chǎn)品的感性需求信息方案集Y＝{Y₁,Y₂,…,Y_n}，x為產(chǎn)品設(shè)計開發(fā)人員指定數(shù)值，如指定x＝70，即選擇頻數(shù)f≥70％的感性詞匯建立用戶對產(chǎn)品的感性信息方案集；

步驟2，利用動態(tài)直覺模糊多屬性決策確立“需求Y_i，i＝1,2,…,n”的排序；

步驟3，選擇方案集中，排序靠前的感性需求作為產(chǎn)品語義空間中的語義軸MR_j，當(dāng)j＝1時，為線性語義軸，可用來定義或者量化一維感性需求。當(dāng)j＝2時，語義軸MR₂與軸MR₁構(gòu)成二維直觀的感性需求圖，如圖1所示，是目前常用的產(chǎn)品感性分析工具。j＝3時，語義軸MR₃與MR₂、MR₁形成三維語義空間，如圖2所示，將兩對語義MR₃與MR₂軸垂直相交，焦點和MR₁主軸垂直，構(gòu)成“三維感性需求語義關(guān)聯(lián)表達(dá)模型”；

當(dāng)j≥4時，可以通過多個三維語義空間代表用戶對產(chǎn)品的感性需求具有不同的偏好傾向。參照不同的需求語義，可以實現(xiàn)產(chǎn)品多樣化、系列化設(shè)計，即產(chǎn)生C_n³個語義空間以滿足用戶群的差異化需求。

步驟4，利用直覺模糊集的關(guān)聯(lián)測度計算用戶對產(chǎn)品感性信息集綜合反應(yīng)到產(chǎn)品方案P_i及其與需求語義軸的關(guān)聯(lián)層次，確定產(chǎn)品方案在用戶感性需求語義空間中的位置，如圖3、圖4所示，分別為產(chǎn)品在二維、三維感性需求語義空間中的位置。通過以上4個步驟，解決了用戶群體對產(chǎn)品多屬性的感性需求之間，通過語義層次關(guān)聯(lián)進(jìn)行聚類的問題。

步驟5，面向用戶特征的多維感性需求模型構(gòu)建。首先通過調(diào)查、統(tǒng)計的形式提取用戶U_i,(i＝1,2,…,n)的典型特征，并用兩對互補(bǔ)的形容詞組(i＝1，2)，構(gòu)成用戶群典型特征語義空間，如圖5所示。

步驟6，通過產(chǎn)品感知評價實驗，利用直覺模糊集的關(guān)聯(lián)測度計算用戶對產(chǎn)品方案P_i的n維感性需求的“綜合感知”與用戶群典型特征的關(guān)聯(lián)性，并標(biāo)定其在用戶群典型特征語義空間中的位置，如圖6所示的“面向用戶典型特征的產(chǎn)品多維感性需求模型”，該模型將用戶群對產(chǎn)品多維的感性信息映射到產(chǎn)品方案當(dāng)中；

步驟7，將步驟2中，利用動態(tài)直覺模糊多屬性決策確立的用戶對產(chǎn)品的感性需求排序中，選擇排序最前的用戶感性需求作為選用產(chǎn)品著重考慮的“首要需求FR(First Request)”；

步驟8，將首要需求FR劃分為n個層次。如當(dāng)n＝3時，可將首要需求劃分為“高、中、低”三個區(qū)間層次；當(dāng)n＝5時，可將首要需求劃分為“高、較高、中、較低、低”五個區(qū)間層次。為了提高“基于首要需求層次關(guān)聯(lián)的產(chǎn)品設(shè)計決策模型”的實用性，將三維的感性需求模型用一種直觀的二維形式表達(dá)用戶對產(chǎn)品的多維需求。例如選擇首要層次n＝3，將首要層次分為高中低三層，這樣就將圖6轉(zhuǎn)化為如圖7所示的“基于首需求層次關(guān)聯(lián)的產(chǎn)品設(shè)計決策模型”，這是一種比較直觀的、實用的表達(dá)方式。

步驟9，確立面向核心用戶首要需求層次的設(shè)計決策。將用戶群U_i劃分為核心用戶群、次級核心用戶群和非核心用戶群，通過調(diào)查統(tǒng)計，選擇兩對互補(bǔ)的形容詞組構(gòu)成用戶典型特征語義空間。首先選擇核心用戶群體的主要特征及其所在的用戶典型特征語義空間中區(qū)域，如圖8所示。在核心用戶群的確定的基礎(chǔ)上，結(jié)合首要需求層次的劃分，選擇首要層次中的“第n層”來做出最終產(chǎn)品設(shè)計決策。例如首要需求層次n＝3，分為高中低三層，選擇最終方案以“中、高”層次為主，假設(shè)產(chǎn)品核心用戶群位于“用戶群典型特征語義空間”中的右下方，那么圖7和圖9疊加，得出如圖10所示的線框區(qū)域內(nèi)的產(chǎn)品方案為最終選擇的設(shè)計方案決策。

具體算法實施步驟為：

步驟1，設(shè)用戶對產(chǎn)品的感性信息方案集Y＝{Y₁,Y₂,…,Y_n}；

G＝{G₁,G₂,…,G_m}為產(chǎn)品的屬性集，各屬性權(quán)重向量為w＝(w₁,w₂,…,w_m)^T，其中，

設(shè)t_k(k＝1,2,…,p)為時間參數(shù)，獲取用戶需求時的p個不同的時段，每個時段因?qū)Ξa(chǎn)品動態(tài)需求預(yù)測或決策的影響大小賦權(quán)重向量：

構(gòu)建t_k時段的直覺模糊決策矩陣D(t_k)＝(d_ij(t_k))_n×m，其中為用模糊矩陣表達(dá)的產(chǎn)品屬性值，表示t_k時段方案Y_i滿足產(chǎn)品屬性G_j的程度，表示t_k時段方案Y_i不滿足產(chǎn)品屬性G_j的程度，且表示方案Y_i對屬性G_j的不確定性程度，則

步驟2，將步驟1得到的直覺模糊決策矩陣D(t_k)通過DIFWA算子集成為綜合的直覺模糊決策矩陣：

步驟3，定義直覺模糊正理想點和負(fù)理想點分別為：

和

其中為m個最大的直覺模糊數(shù)，為m個最小的直覺模糊數(shù)，方案集Y_i＝(d_i1,d_i2,…,d_im)^T(i＝1,2,…,n)；

步驟4，分別計算方案Y_i的直覺模糊正理想點與直覺模糊負(fù)理想點之間的距離：

其中d_ij＝(μ_ij,v_ij,π_ij)(i＝1,2,…,n；j＝1,2,…,m)

步驟5，計算每個方案的貼近系數(shù)：

根據(jù)式(3)(4)，

步驟6，判斷貼近系數(shù)大小對所有方案Y_i(i＝1,2,…,n)進(jìn)行排序擇優(yōu)，c(Y_i)越大，則表明方案Y_i越為用戶所偏好的感知；

步驟7，把步驟6排序靠前的語義詞匯作為用戶對產(chǎn)品的優(yōu)先的、重要的感性需求信息提取出來作為多維感性需求語義空間中的語義軸MR_i；

步驟8，根據(jù)每個方案的貼近系數(shù)構(gòu)建方案Y_i的用戶特征關(guān)聯(lián)權(quán)重(Y_i,ω_i)。

設(shè)X＝{x₁,x₂,…,x_n}為一個有限集合，直覺模糊集為和則直覺模糊集A₁,A₂的關(guān)聯(lián)系數(shù)為：

其中

其中μ為隸屬度，v為非隸屬度；

計算直覺模糊集A₁,A₂的關(guān)聯(lián)系數(shù)時，如果考慮到產(chǎn)品元素x_i∈X的權(quán)重問題，公式(7)可推廣為

其中ω＝(ω₁,ω₂,…,ω_n)^T為x_i(i＝1,2,…,n)的權(quán)重向量，ω_i≥0(1,2,…,n)，且

當(dāng)ω＝(1/n,1/n,…,1/n)^T時，則為公式(7)。

步驟9，將步驟8計算得到所有方案Y_i與用戶特征的關(guān)聯(lián)系數(shù)的平均值作為產(chǎn)品方案對應(yīng)的目標(biāo)用戶群典型特征語義空間相對原點，得到所有方案Y_i的綜合感知所在的目標(biāo)用戶群典型特征語義空間位置；

步驟10，將步驟6中，感性需求排序最前的用戶感性需求作為選用產(chǎn)品著重考慮的“首要需求FR(First Request)”；

步驟11，將首要需求FR劃分為n個層次。

實施例1

以用戶對圖11所示的“立式騎乘電動車”、“一種靠人體自平衡削減車體慣性力的電動車”、“坐立兩用個人電動車”三款產(chǎn)品的功能及產(chǎn)品造型的風(fēng)格感知等綜合需求研究為例(從左到右，從上到下依次為Y₁,i＝1,2,…10)，確立目標(biāo)用戶傾向的產(chǎn)品設(shè)計特征，為產(chǎn)品后期設(shè)計優(yōu)化提供必要的數(shù)據(jù)支持和個性化設(shè)計決策依據(jù)。

首先，通過調(diào)研并統(tǒng)計后，確定該產(chǎn)品以12到45歲的人群圍目標(biāo)消費(fèi)群體，其中，以25歲到35歲的人群為核心人群，12歲到24歲以及36歲以上為次級目標(biāo)人群。根據(jù)統(tǒng)計結(jié)果將這些用戶人群的特征用“成熟——年輕，高調(diào)——低調(diào)”表示，在眾多的感性需求詞匯中，統(tǒng)計分析獲得他們對產(chǎn)品的感性需求信息為：(1)Y1——價值；(2)Y2——流行；(3)Y3——新穎；(4)Y4——舒適；(5)Y5——動感；(6)Y6——性別；(7)Y7——雅致?？紤]調(diào)研統(tǒng)計結(jié)果中用戶對產(chǎn)品評價屬性：(1)形態(tài)G1；(2)色彩G2；(3)功能G3這三個指標(biāo)綜合感知的情況下，對Y_i(i＝1,2,…,7)進(jìn)行評估。為了獲得較準(zhǔn)確的產(chǎn)品設(shè)計決策，產(chǎn)品在歷時一年的開發(fā)過程中，設(shè)計前經(jīng)過市場調(diào)研統(tǒng)計了用戶對產(chǎn)品的感性需求，設(shè)計后對一線銷售人員進(jìn)行了需求統(tǒng)計感性需求，以及在最終方案確定后，對設(shè)計師進(jìn)行調(diào)查統(tǒng)計，構(gòu)造直覺模糊決策矩陣D(t₁)、D(t₂)、D(t₃)，如表1-3所示：

表1

表2

表3

時間最近的需求對整體決策影響較大，所以，三次需求獲取時間段t_k(k＝1,2,3)的權(quán)重向量為ω(t)＝(1/6,2/6,3/6)^T。根據(jù)統(tǒng)計中一線銷售人員評價團(tuán)隊意見設(shè)屬性G₁、G₂、G₃的權(quán)重向量為w＝(0.3,0.4,0.3)^T。

利用DIFWA算子(2)式，把直覺模糊決策矩陣D(t₁)、D(t₂)、D(t₃)集成為綜合的直覺模糊決策矩陣，如表4所示：

表4

將直覺模糊理想點Y⁺、負(fù)理想點Y^-、語義集Y_i，(i＝1,2,3,4,5,6,7)分別表示為：

Y⁺＝((1,0,0),(1,0,0),(1,0,0))^T，Y^-＝((0,1,0),(0,1,0),(0,1,0))^T

Y₁＝((0.720,0.100,0.180),(0.889,0.000,0.111),(0.685,0.159,0.156))T

Y₂＝((0.619,0.229,0.152),(0.859,0.100,0.141),(0.536,0.347,0.117))T

Y₃＝((0.755,0.000,0.245),(0.637,0.159,0.204),(0.453,0.245,0.302))T

Y₄＝((0.409,0.262,0.329),(0.685,0.141,0.174),(0.698,0.200,0.102))T

Y₅＝((0.588,0.191,0.221),(0.654,0.195,0.151),(0.385,0.347,0.268))T

Y₆＝((0.594,0.245,0.161),(0.841,0.141,0.018),(0.435,0.363,0.202))T

Y₇＝((0.700,0.141,0.159),(0.859,0.126,0.015),(0.612,0.252,0.136))T

利用公式(6)計算每個感性信息的貼近系數(shù)：

c(Y₁)＝0.805,c(Y₂)＝0.692，c(Y₃)＝0.693，c(Y₄)＝0.660，c(Y₅)＝0.630，c(Y₆)＝0.682，c(Y₇)＝0.760

根據(jù)貼近系數(shù)對方案進(jìn)行排序得到：

Y₁＞Y₇＞Y₃＞Y₂＞Y₆＞Y₄＞Y₅

從而得到用戶綜合感知評價所偏向的感性需求信息順序為：

Y₁——價值，Y₇——雅致，Y₃——新穎，Y₂——流行，Y₆——性別，Y₄——舒適，Y₅——動感。

將用戶人群的特點定義為用戶歸屬集{成熟——年輕，高調(diào)——低調(diào)}，每對詞中，分值高的，則偏向成熟或者高調(diào)，分值低的則偏向年輕和低調(diào)。用戶需求特征集{價值，雅致，新穎，流行，性別，舒適，動感}。通過用戶進(jìn)行調(diào)研，得出他們對上述感性信息與歸屬集判定數(shù)據(jù)。這些描述用戶感性需求的數(shù)據(jù)的準(zhǔn)確性伴隨用戶采集量的增加而增加。

表5給出了歸屬集于感性需求信息的感知關(guān)聯(lián)數(shù)據(jù)：每一感性需求信息用參數(shù)對(μ,v)描述，即隸屬度μ和非隸屬度v。產(chǎn)品方案的集合為Y＝{Y₁,Y₂,…,Y₁₀}，每個方案的感知特征列于表6。根據(jù)每個感性信息的貼近系數(shù)c(Y_i)，研究設(shè)定這些感性需求與用戶特征的關(guān)聯(lián)權(quán)重(Y_i,ω_i)分別為：(Y₁，0.3)，(Y₇，0.2)，(Y₃，0.1)，(Y₂，0.1)，(Y₆，0.1)，(Y₄，0.1)，(Y₅，0.1)。

表5

表6

利用關(guān)聯(lián)側(cè)度(7)式，和感性需求與用戶特征的關(guān)聯(lián)權(quán)重(Y_i,ω_i)，計算方案Y_i(i＝1,2,3,4,5,6,7,8,9,10)作出診斷，具體結(jié)果如表7所示。

表7

通過計算10個方案的“高調(diào)關(guān)聯(lián)值”和“成熟關(guān)聯(lián)值”的平均值為(0.780，0.797)作為產(chǎn)品方案對應(yīng)的目標(biāo)用戶群典型特征(高調(diào)、成熟)語義空間相對原點，這樣得到產(chǎn)品方案的{價值，雅致，新穎，流行，性別，舒適，動感}綜合感知所在的目標(biāo)用戶群典型特征語義空間位置，如圖12所示。

由于用戶感知傾向的主需求為“價值”，所以選擇“價值”為主需求層次，并設(shè)為主需求軸，以“價值高低感”構(gòu)成產(chǎn)品感知意象的三維語義層次，在消費(fèi)群典型特征語義空間“成熟——年輕，高調(diào)——低調(diào)”的基礎(chǔ)上，將語義空間中對應(yīng)的方案按照前期“價值感”相對地分為“高等、中等、低等”三個等級，形成“價值高低層次分析圖”。

疊加“價值高低層次分析圖”，重新排布語義空間中設(shè)計方案。以表6產(chǎn)品感知特征數(shù)據(jù)中價值隸屬度μ的值來確定。μ＝[0.9，0.7]為高層次，μ＝[0.4，0.6]為中層次，μ＝[0.1，0.3]為低層次，按照上述方法完成“基于價值層次理性分析”的個人立式騎乘電動車“多維”情感設(shè)計決策，如圖13所示。選擇核心用戶群傾向的幾款車型，根據(jù)價值層次高低，選擇“價值感”相對為中高層次的方案作為選定方案，用于后期設(shè)計優(yōu)化。