基于贝叶斯网络的品牌风格语言知识建模方法

徐 江 王海贤 张克俊

1.东南大学，南京，210089 2.浙江大学，杭州，310027

0 引言

随着情感消费浪潮的来临，产品风格成为企业提升品牌竞争力的决定性因素，它融入技术、商业和文化等要素，满足消费者对产品功用、审美情趣及交互体验等方面的精神文化诉求。近年来，已有不少国内外学者从形状文法、情感意象、不确定推理等角度对它展开广泛而深入的研究：文献［1－2］从视觉认知角度，建构了基于隐性与显性语义转换的品牌识别模型，创造性地提出了用于提取造型特征的设计模式分析法（design format analysis，DFA）；文献［3］结合文法表达和几何设计进行研究并取得了诸多成果；文献［4］采用粗糙集来挖掘感性意象关联知识；文献［5］利用多类别支持向量机分类模型来建立情感反应与造型特征间的关联；文献［6］根据产品族的工业设计原理，在汽车造型特征提取、衍生推理等风格演化与工程设计的对比分析、造型语义以及品牌造型基因表达模型等方面获得了重要进展。上述文献多集中在对语义维度、认知建模及其造型几何计算的研究，而如何结合语法维度来探讨品牌风格造型语言规则表示还有待深入研究。有鉴于此，本文运用贝叶斯网络不确定推理及其对概念模块化表征的优势，以品牌意象认知与造型特征的映射关系为基础，构建具有一般推理能力的品牌造型语言模型，为不同领域风格认知与计算、情感信息处理及造型设计知识发现等领域研究提供新思路与新方法。

1 品牌风格语言描述

1.1 品牌意象与造型语言的映射描述

在产品购买和使用过程中，消费者总是趋于以不同形容词汇来表达其对不同品牌造型的偏好与感受，这些主观认知反应与形态、功能、情感及价值等有关，被称之为品牌意象。在此，本文结合造型特性与品牌演化脉络，提出品牌意象与造型语言映射描述模型（图1）。模型中，品牌风格的造型语义及语法共同组成了不断演化发展的造型语言体系，其中造型语义主要是指点、线、面、色彩、材质、细部处理、装饰特性等几何形态要素；造型语法则是指造型要素局部及其与整体的组织和布局关系，是风格语言中可复制的模式关系［7］（图1）。

图1 品牌意象认知映射描述

1.2 基于设计模式分析的造型语义提取

品牌风格在历时性与共时性发展脉络中进化革新，存在诸多类似于生物进化的设计规律和模式。本文以此为基础，提出一种改进的设计模式分 析 法 （improved design format analysis，IDFA），该方法在现有感性意象调查系统 （kansei image survey system，KISS）基 础上［8］，借助专家访谈和问卷调查，以量化评估方式提取具有强识别性的品牌造型语义，其步骤如下。

（1）广泛选取和搜集不同代系的品牌风格造型样本与意象词汇，运用KISS系统提取代表性样本集S和意象词汇集I：

结合专家访谈和问卷调查提取造型语义，定义语义集为

第i项造型语义取值为

（2）以语义F及样本S分别为行向量和列向量建立IDFA矩阵（图2）：

图2 IDFA矩阵

（3）开展意象认知实验，分析Fi在Si中的出现率，并据识别程度予以评分，如表现为强识别性，则给予评分值3；如表现出弱识别性，则评分

为1；如一般则评分为2。

（4）记强识别系数为

据强识别系数高低排序，取得分高于给定阀值的造型语义，即得典型造型语义集E：

其中，d为大于1的常数，本文中取值为1。

2 基于贝叶斯网络的品牌风格语言知识获取

基于贝叶斯网络的品牌风格造型语言知识获取框架如图3所示。以意象词汇与造型语言关系描述为基础，开展品牌意象认知评价实验，并获取认知评价数据；再通过贝叶斯评分函数和搜索算法开展学习，求取意象词汇和造型语义间概率关系；最后以模块化思想建立造型语言网络模型，挖掘潜在意象词汇关联，提取造型语法层级组织，进而以概率分布来表征意象词汇与造型语义关联知识。

图3 品牌风格语言推理框架

2.1 贝叶斯网络理论

贝叶斯网络以概率论和图论为基础，提供一种解决工程中不确定性和复杂性问题的方法，它利用条件概率来表示网络中父节点和子节点对上变量间的影响程度及相互关系，能较好地处理不完备数据集问题。该网络蕴含了所有变量的联合分布，一组变量U的联合分布可通过条件概率形式表现［9］，故贝叶斯网推理问题的核心是计算（后验）条件概率分布：

其中，Pai表示Xi的父节点，在贝叶斯网络中，当父节点给定时Xi与其他节点都是独立的，可以得到公式：

因此，贝叶斯网络确定父节点的过程与寻求变量间条件独立关系的过程是相对应的。

2.2 基于贝叶斯推理的品牌风格语言网络建构

根据贝叶斯网络的有向图模块化概念［10］，从意象认知评价数据中确定网络节点数，学习并寻找与数据集拟合最佳的网络，建立自然、直观的品牌风格语言网络。考虑到品牌意象认知实验中风格样本的规模，本研究结合禁忌搜索算法，采取基于最小描述长度（minimum description length，MDL）［10－11］评分函数进行网络结构搜索，求解全局最优结构。该网络结构描述长度表示为

其中，G为网络结构，P为条件概率分布，D 为给定意象认知评价数据集。在B中定义X为节点集合，每个节点xi（xi∈X）可表示为网络中的造型语义属性或意象词汇属性，A＝（xi，xj）表示节点间的有向弧。DLstru（G），DLtab（P），DLdata（D｜B）分别表示结构编码长度、条件概率表编码长度以及数据集编码长度，其基本原理就是求出使得总描述长度DL最小的网络模型。由于需选择分值低的网络结构，因此将DL值变换为禁忌搜索中个体的适应度：

其中，fmax取一较大常数。从适应值定义可以得出，若网络中出现环，则适应度为0。经过上述数据处理过程，建立品牌风格语言网络B＝（G，P）。

2.3 基于网络划分的品牌风格语言知识表征

结合属性集一致性条件独立的特点，将全网络的联合概率分解为若干因子式，即B分解为相对独立且属性潜在关联的子网络。依拓扑结构关系（图4），有向图节点代表问题域中的属性，即意象词汇（I）与造型语义（E）；边表示节点间的概率依赖关系。 假设各非相邻节点间相互独立，则可定义某一节点为中间节点，并将其与子节点、父节点及节点间的相互关联共同组建具有推理功能的子网络。在此，通过节点间概率依赖关系来划分和定义意象词汇网络（U）、造型语法网络（V）及映射关联网络（W）。

U为造型语义E间概率推理关系的有向图，可描述完形认知造型语法知识，表征为

V为意象词汇I间概率推理关系有向图，可描述意象词汇关联知识，表征为

图4 造型语言网络B

W 为E与I的概率推理关系有向图，可描述意象词汇与造型语义间关联知识，表征为

显然

式中，distinct（）表示不重复。

3 实例分析

本文以Benz品牌汽车前脸造型为例来推理求解品牌风格造型语言建模问题。

3.1 数据处理及网络构建

首先，通过KISS系统来选取代表性样本和意象词汇，该系统采用多元尺度法、聚类分析法、主成分等数据分析方法开展实验调查及数据处理。广泛选取不同年代及系列的Benz品牌车型样本30个，从相关杂志和媒体搜集用于描述该品牌意象词汇60个，以10名有经验的汽车设计师为受测对象，利用系统调查功能挑选适于描述该品牌汽车前脸造型的意象词汇11个，即：流线的、硬朗的、动感的、高科技的、稳重的、舒适的、高级的、豪华的、精致的、个性的、典雅的。将上述30个样本导入到系统，系统多维尺度分析模块将自动提取S。

其次，运用形态分析法获取造型语义，即格栅、前车灯、雾灯、引擎盖棱线、进气孔、Logo共6类39种（图5）。利用IDFA矩阵提取典型造型语义集E，针对代表性样本进行品牌意象认知评价（图6），即对各造型语义予以“强”、“弱”和“一般”的3阶识别评分，获得26种典型造型语义属性（图7）。

再次，以5阶尺度进行汽车品牌意象认知实验，由意象词汇I、典型造型语义E及实验结果，建立数据矩阵 Mc×d，Mc×d为144行17列，其中行c＝mq。其中，m为代表性样本数；q为受测者数，q＝16；r为造型语义数，r＝6；i为意象词汇数，且i＝11，从而d＝r＋i。

图5 造型语义形态

图6 典型造型语义提取

最后，以矩阵Mc×d作为训练数据，根据3.2中利用基于最小描述长度评分函数的禁忌搜索来获取贝叶斯网络的结构，即与样本数据匹配程度最高的贝叶斯网络，如图8所示。

3.2 风格语言知识获取

图7 Benz品牌造型语义

图8 Benz品牌风格语言网络

3.2.1 意象词汇关联

由G中划分出子网络V来抽取内隐意象词汇关联，表达多维品牌意象认知结构［12］。V 网络中，“流线的”、“简约的”、“动感的”词汇联系紧密，构成造型语言的美学维度，在此维度内集中对造型要素的视觉、听觉以及触觉等多通道的意象认知；“精致的”、“稳重的”、“舒适的”、“高科技的”词汇构成了意象认知空间中的功能维度，主要反映产品的功能使用、操作效用等特性；而“豪华的”、“传统的”、“典雅的”词汇则成为体现品牌价值认知的象征维度，它与品牌所处的社会及文化环境等相关。

3.2.2 造型语法特性

Warell［1］基于完形心理学来阐释造型风格语言的层次组织效应，即造型语义在语法规则引导下有序构建美的视觉形态性。同理，本文从造型语法网络U来解析Benz品牌造型语法特性。

（1）格栅与Logo、前车灯与雾灯分别组合成“低级完形”（图9），这些元素在局部特征辨识上易引起注意，如格栅线条齐向Logo中心汇聚的态势、车头灯及雾灯的形态互为呼应。

图9 低级完形

（2）由造型语义关联性来看，车灯与格栅成为网络U中的核心元素，在布局关系上遵循共同排布模式，即前车灯分列于水箱罩左右，与格栅重心处于同一水平线上。而车灯与格栅造型的“亲疏关系”会因引擎盖棱线的变化而有不同，如图10a中车灯内侧线条几乎与格栅线、引擎盖棱线完全重合，形成 “消隐”的视觉效应。而图10b中车灯内侧线条与格栅间则为引擎盖棱线预留空间。在此，可视车灯、格栅以及引擎盖棱线共同组成Benz品牌前脸造型的“中级完形”。

图10 中级完形

（3）如图11所示，在保险杠上方，引擎盖棱线、格栅侧边线与车灯内侧线在视觉上“不约而同”表现上升与汇聚的视觉张力，这种“张力场”一直延伸和集中到A柱前；同时格栅作为过渡性特征，与雾灯、进气口形成了大小不一、形态近似的倒梯形特征族，这种呼应的布局关系增强了造型的凝聚力和整体感。同时，格栅、车头灯以及引擎盖3种语义与其他语义属性关联度较高，它们与Logo、雾灯及进气口共同组成前脸造型的“高级完形”。

进一步地，从网络概率分布来分析造型语言特性（图12）：

（1）当格栅为较疏间隔的横线，且趋于五边形状F14时，Logo位置和形状属性多为F42，即为大圆形，引擎盖棱线趋于用立体感强的双折线F23、车头灯则多用分离的“子母”式F33，进气口和雾灯分别为F53和F62，塑造具有“流线、现代和动感”意象的造型语言。

图11 高级完形

图12 造型语言网络概率分布（1）

（2）当格栅横线采用较密间隔，长宽比例也略大的F11时（图13），Logo造型趋于用小圆形F43，引擎盖棱线趋于用简约的弧线形F21、车头灯趋于采用一体式F31、雾灯采用较保守的圆形F61，而进气口形状则相对无明显倾向性，从而塑造出“大气和沉稳”意象的造型语言。

3.2.3 映射推理关系

如前所述，意象词汇I与造型语义E间的映射推理关系由网络W 来表征。以“运动的”意象为例（图14），为增强前脸造型的动感，宜采用线条间隔疏的格栅F12、引擎盖曲面F21、车头灯F35、Logo F42及进气口F53与雾灯F61等，上述语义特征能提升“豪华的”认知效应，但同时也会弱化“传统的”意象认知。所以，从全局来看，设计师应多方把握和权衡造型语义对不同意象的利弊影响。另外，“科技的”、“豪华的”、“动感的”、“稳重的”意象与造型语义存在更直接的关联，因而能更直接地代表品牌风格意象认知。

总之，代表Benz品牌汽车前脸造型语言可概括为：造型语义注重强识别语义属性的延续和重用，语义间通过统一、呼应、汇聚等语法关系构建由低到高、由简到繁的视觉完形，集中诠释独特持久的品牌意象，从而塑造出该品牌强吸引力、高附加值、高情感性的品牌文化。

图13 造型语言网络概率分布（2）

图14 映射推理概率关系

4 结束语

本文结合贝叶斯网络模块化概念，创新性地将品牌风格造型语言建模问题转化为一般概率关系的知识推理和表示问题。在品牌意象与造型语言认知模型基础上，运用贝叶斯评分函数及搜索算法建立风格造型语言网络，再描述其中的概率依赖关系，从而提取多维的品牌风格语言知识。该方法可适应于求解风格认知与计算、情感信息处理等诸多的不确定问题，后续工作将在意象词汇和造型语义的实验分析，以及与粗糙集、回归分析等不同推理方法可靠性比较方面，进一步予以分析和完善。

［1］Warell A.Design Syntactics：a Functional Approach to Visual Product Form－theory，Models and Methods［D］.Gothenburg：Chalmers University of Technology，2002.

［2］Karjalainen T M.When is a Car Like a Drink？Metaphor as a Means to Distilling Brand and Product Identity［J］.Design Management Journal，2001，12（1）：66－71.

［3］Orsborn S，Cagan J，Pawlicki R，et al.Cross－over Vehicles：Defining and Combining Vehicle Classes Using Shape Grammars［J］.Artificial Intelligence for Engineering Design，Analysis and Manufacturing，2006，20（3）：217－246.

［4］Nishino T，Nagamachi M，Tanaka H.Variable Precision Bayesian Rough Set Model and Its Application to Human Evaluation Data［C］／／Rough Sets，Fuzzy Sets，Data Mining and Granular Computing.Berlin：Springer，2005：294－303.

［5］Yang C，Shieh M.A Support Vector Regression Based Prediction Model of Affective Responses for Product Form Design［J］.Computers ＆ Industrial Engineering，2010，59（4）：682－689.

［6］张文泉.汽车品牌造型基因研究［D］.长沙：湖南大学，2004.

［7］Chen K，Owen Charles L.Form Language and Style Description［J］.Design Studies，1997，18（3）：249－274.

［8］毛礼辉.基于网络的感性意象调查系统研究与开发［D］.杭州：浙江大学，2006.

［9］曹雪亚.基于贝叶斯网络的本体不确定性推理研究［D］.长春：东北师范大学，2009.

［10］Lam W，Bacchus F.Learning Bayesian Belief Networks：an Approach Based on the MDL Principle［J］.Computational Intelligence，1994，10（3）：269－293.

［11］Glover F.Tabu Search－part［J］.ORSA Journal on Computing，1989，1（3）：190－206.

［12］Steffen D.Desgin Semantics of Innorvation，Product Language as a Reflection on Technical Innovation and Socio－cultural Change［C］／／Design Semiotics in Use Conference.Helsinki，2007：68－75.