基于设计情境的制造知识主动推荐方法

王克勤，魏姣姣，李 靖，张新卫，同淑荣

（西北工业大学 设计管理研究所，西安 710072）

0 引言

产品设计是知识密集型活动[1]。为提升产品设计的可制造性，减少设计返工事件的发生，要求产品设计者在设计之初就考虑到，并能及时获取支持产品设计的制造知识。相关研究表明，以查询为主的知识获取途径，不仅费时费力，而且查询结果冗余度高[2,3]，严重影响了设计者的设计质量和效率。如何高效的为设计人员提供所需要的制造知识成为提升产品设计可制造性的关键问题。知识推荐技术能够在合适的时间，合适的地点，将合适的知识推荐给合适的人员，为解决该问题提供了新思路。

基于知识推荐方法，国内外学者进行了大量的研究。Moon等提出一种基于多Agent的设计知识推送方法，为其推送合适的设计知识[4]。Yan等提出一个从工程设计过程中获取知识的模型和方法，提取设计人员需求[5]。冯毅雄等提出基于特征语义分析的数控机床设计知识推送方法，获取符合设计人员需求的设计知识推送方案[6]。

但是，现有面向设计人员的知识推荐研究，对设计过程下游需要的制造知识考虑较少；在推荐方法实现中，主要考虑设计人员兴趣/日志等，很少涉及除此外的其它情境信息。同时，这些模型、方法或推荐系统均未从情境维度考虑设计人员当前的实际行为，且推荐的信息存在过载现象。研究表明，若将情境信息考虑到推荐系统或算法中，能够填补用户陈述偏好与实际行为之间的差异，削减信息过载的现象[7]；同时，情境信息对于信息筛选和提高推荐信息的质量有很大帮助[8]。采用情境感知技术能够快速捕捉到设计者在进行设计活动时所处的情境，并根据情境信息推断设计者的当前知识需求，在恰当的时机将恰当的知识或服务推荐给设计者[9]。

本文分析了设计情境要素及属性，构建设计情境要素交互模型，为全面获取设计情境信息打下基础。同时，提出一种基于设计情境的制造知识分类逐层过滤方法。该方法将设计情境信息融入各个判定模型，通过情境信息的过滤逐步确定设计人员当前需要的制造知识。与传统面向设计人员的知识推荐方法相比，基于设计情境的制造知识主动推荐方法从设计人员当前情境角度出发，考虑设计人员在设计过程下游需要的制造知识，提高了对设计人员制造知识需求识别的准确度，为面向设计人员的制造知识精确推送提供新思路。

1 设计情境构建

情境是可以用来描述实体状态的任何信息，其中实体可以是人，地点，或者与用户和应用程序之间交互相关的客体，包括用户与应用程序本身[10]。情境要素是能够清晰描述用户所处情境的任何信息。DEY认为情境包括四种类型的信息，即时间（time），地点（location），身份（identity），及活动（activity）[10]。Schilit将情境要素概括为位置，周围任何物体的标识，以及这些物体的变化[11]。顾君忠等围绕用户定义了情境谱系，将其分为五大类，计算情境，用户情境，物理情境，时间情境，及社会情境[12]。

根据现有分类来看，基于不同的研究内容，不同研究者给出的分类往往不同。但是，过少的情境要素类别可能造成用户需求识别不完整。而多维度、高精度的情境要素构成，则可能造成系统识别用户情境的效率下降[13]。因此，本文将情境要素划分为三类：用户情境，环境情境及任务情境。

1）用户情境：区分由用户的个性、能力、文化程度和习惯等方面所引起的对所需服务的差异；包括：用户基本信息、经验、专业背景等。

2）环境情境：包括物理情境，社交情境。物理情境用来说明实体所处的物理环境状态，如所处位置、天气、湿度等；社交情境则用来说明实体所处的社会环境和社交关系，包括文化背景、社会道德观及影响力等。

3）任务情境：用来描述用户当前正在从事的活动，及与完成活动相关软硬件状态。

结合设计人员在进行设计时所处的情境特征，认为设计情境是设计人员在从事与设计相关的活动时，用来描述其当前状态的任何信息。

设计情境(Design Context, DContext)由两部分构成：当前设计情境(DContext(C))和历史设计情境(DCcontext(H))；包括三个维度的16个情境要素；即：

DContext=DContext(C)+ DCcontext(H)，=< DCID，Designer，Professional background，Design experience，Operation record；Time，Location， Team，Role；Design process，Design goal，Design task，Design object，Design method，Design tool，Design activity，Networkstatus>。其中，DCID为设计情境的唯一标识，其他设计情境中各个要素的含义如表1所示。

表1 设计情境要素含义说明

设计情境各维度要素间都存在直接或间接的联系。综合考虑16个情境要素，以设计人员、设计活动要素为中心建立设计情境要素交互关系模型，如图1所示。

图1 设计情境要素交互关系模型

2 制造知识主动推荐方法

2.1 基于设计情境的制造知识分层过滤框架

产品设计由多个设计活动构成。设计活动确定了需要解决的问题，进而决定了需要运用的制造知识，是产生制造知识需求的源头。故以设计活动为出发点，提出一种基于设计情境的制造知识分类逐层过滤框架，如图2所示。

图2 基于设计情境的制造知识分类逐层过滤框架

基于设计情境的制造知识分类逐层过滤框架包括四个步骤：1）确定设计活动类别；2）确定所需要的制造知识类别；3）获取相关制造知识；4）挑选最需要的制造知识。

2.2 确定设计活动类别

分类逐层过滤框架的第一步以设计人员当前设计情境信息为输入，预测与当前设计情境相匹配的设计活动类别。预测过程由四个模型共同确定：活动模型，设计人员偏好模型，流行度模型及历史模型。四个模型分别为设计人员可能正在从事的设计活动类别进行打分。分值评估了在给定设计情境下，设计人员对其所从事的设计活动类别的认可度。

1） 活动模型

活动模型的本质是基于事实的规则，适用于所有用户。在产品开发与设计过程中，每个设计活动包含确定的关键子设计活动，依次类推。

定义 1：活动模型(Activity Model)采用四元组进行表示Activity Model=，其中：Weight11表示权重，即活动模型在所有识别设计活动类别的模型中所占的权重；DContext(C)表示当前设计情境信息，其他模型与其表示含义一致；Category表示设计活动类别；Score11表示当前设计情境信息属于某类设计活动的程度，分值越高当前设计情境信息属于某类设计活动的程度越大。下述模型中各个属性所表示的含义与活动模型中属性含义类似，可类推。

2）设计人员偏好模型

设计人员偏好模型可从给定情境中将用户倾向的设计活动类别挑选出来，例如，根据设计人员偏好的时间，地点，设计工具等推出设计人员当前所从事的设计活动。

定义 2：设计人员偏好模型(Preference Model)用五元组进行表示 Preference Model=< Weight12，Designer，DContext(C)，Category，Score 12>，其中，Designer表示当前设计人员。

3）流行度模型

流行度模型能够预测设计情境信息和设计活动类别之间的相关性程度。通过跟踪用户历史行为，收集用户反馈信息，发现设计情境信息与设计活动类别之间的相关性。

定义 3：流行度模型(Popularity Model)用四元组进行表示 Popularity Model=。

4）历史模型

历史模型聚合每个用户的历史行为，并将其形成一个文件，进而学习每个用户的个性化实践经验和习惯。在该文件中，用户的反馈与用户对某类设计活动的感兴趣程度成正比。

定义 4：历史模型(History Model)采用五元组进行表示 History Model=< Weight14，Designer，DContext(C)，Category，Score14>。

5）采用分类聚合器进行加权平均

采用分类聚合器，首先，将四个模型给出的在该设计情境下用户对设计活动类别的感兴趣程度，即分值标准化；其次，对标准化后分数进行加权平均，进而为每个设计活动类别得到一个单独的分值。标准化公式如式(1)所示，加权平均公式如式(2)所示。

式(1)中，Score（S1i）：推荐方法第1步的第i个模型的标准分值。SDA：四个模型的加权平均值。Weight11×Score11：第1个模型——活动模型的加权分值。Weight1i权重的设定分为两种情况：静态权重和动态权重；其中，静态权重一般由业内专家评分确定；动态权重可用户主动输入确定，或是自适应确定[13]。后文提及的去做那种确定方法与此类似。

2.3 确定所需要的制造知识类别

分类逐层过滤框架的第二步以得分值高的设计活动类别，及已有制造知识类别为输入，采用文本相似度匹配方法，确定最需要的制造知识类别。

1）设计活动数据结构

定义5：设计活动（Product Design Activity，PDA）采用8元组进行表示PDA=（PDAI，PDAN，PDAO，PDADR，PDAT，PDAL，PDAR，PDAD）；其中，PDAI为设计活动标识，PDAN为设计活动名称，PDAO为设计活动对象，PDADR为设计活动执行者，PDAT为设计活动时间，PDAL为设计活动地点，PDAR为设计活动资源，PDAD为设计活动描述。

2）制造知识数据结构

定义6：制造知识（Manufacturing Knowledge，MK）采用8元组进行表示MK=（MKI，MKN，MKO，MKP，MKT，MKL，MKTP，MKD）；其中，MKI为制造知识标识，MKN为制造知识名称，MKO为制造知识对象，MKP为制造知识创建者，MKT为制造知识使用时间，MKL为制造知识使用地点，MKTP为制造知识类型，MKD为制造知识描述。

3）设计活动和制造知识相似度匹配

基于设计活动和制造知识的数据结构，对设计活动和制造知识进行文本相似度匹配。首先构建设计活动向量ai，如式(3)所示：a表示设计活动库中的每条设计活动，mij表示属性cj在设计活动ai中所占的权重。

整合所有设计活动向量，即可得到设计活动库A，如式(4)所示：同理，构建制造知识向量ki，wij表示属性cj在制造知识ki中所占的权重，如式(5)所示；整合制造知识向量，构建制造知识库K，如式(6)所示。

计算设计活动向量与制造知识向量之间的相似度，以此表示设计活动与制造知识之间的相匹配程度。采用余弦相似度计算，如式(7)所示。

当相似度值大于某阈值时认为该设计活动需要某项制造知识的支持。阈值根据不同实际情况确定。

2.4 获取相关制造知识

分类逐层过滤框架的第三步以得分值较高的制造知识类别为输入，获取与该类别制造知识相关的所有制造知识项。由于设计人员的当前情境状态处于不断变化之中，故一旦情境状态发生变化，所获取的相关制造知识类别项也随之发生变化。相关制造知识可从制造知识库，设计工具等相关的API接口获取。

2.5 挑选最需要的制造知识

分类逐层过滤框架的最后一步以相关制造知识项或属性为输入，从中挑选设计人员当前最需要的制造知识项或属性。挑选最需要的制造知识由四个模型共同确定：陈述熟悉度模型，协同过滤模型，当前情境模型，以及历史情境模型。

其中，陈述熟悉度模型，协同过滤模型为解决冷启动问题提供了相应解决方案。当前情境模型，历史情境模型为基于情境相似向设计人员推荐制造知识打下 基础。

1）陈述熟悉度模型

陈述熟悉度模型是设计人员对制造知识项或制造知识属性的显示反馈。设计人员可以陈述自己对某个制造知识项或制造知识属性的熟悉程度；在不同的情境下，设计人员对某制造知识项的熟悉程度可能不同，故陈述熟悉度模型不考虑情境信息。

定义7：陈述熟悉度模型（Statement familiarity Model，SF Model）以四元组的形式进行表示SF model=；其中，Weight41表示陈述熟悉度模型在所有挑选最需要的制造知识模型中所占的权重；Kiteam/Kattribute表示某条制造知识项或是某条制造知识项的属性；Score41表示设计人员对某条制造知识项或是某条制造知识项的属性的熟悉程度。对Score进行标准化处理，如式(8) 所示。

其中，Score（S41）表示推荐方法的第4个步骤中第1个模型的标准化分值，Score41表示推荐方法的第4个步骤中第1个模型的打分值，Score（S41）分值越高，将该条知识推荐给设计人员的机率越大。

2）协同过滤模型

协同过滤模型同样不考虑情境信息，并使用标准的基于用户的协同过滤算法为制造知识项进行打分，将最高的分值分配给用户最不熟悉的制造知识项。同时，通过协同过滤算法计算用户间的相似性，选取相似性较高的那些用户作为目标用户的近邻，进而根据相似用户为其推荐知识。

定义 8：协同过滤模型（Collaborative Filtering Model，CF Model）用四元组进行表示CF model=；其中，Weight42表示协同过滤模型在所有挑选最需要的制造知识模型中所占的权重；Score42表示设计人员对某条制造知识项或是某条制造知识项的属性的熟悉程度。

3）当前情境模型

当前情境模型记录设计人员当前设计情境信息，由当前设计情境，制造知识/属性，及设计人员在当前设计情境下对某制造知识或属性的感兴趣程度，即分值构成。

定义 9：当前情境模型（Context（Current）， Context(C))采用四元组进行表示Context(C)= ；其中，Weight43表示当前情境模型在所有挑选最需要的制造知识模型中所占的权重；Score43表示在当前情境下，设计人员对某条制造知识项或制造知识属性的感兴趣程度，分值越高设计人员对该条制造知识或制造知识属性越感兴趣，将该条制造知识或制造知识属性推荐给设计人员的机率越大。

4）历史情境模型

历史情境模型记录当前情境模型之前的状态，主要存储设计人员历史的情境信息。

定义 10：历史情境模型（Context(History），Context(H)) 用四元表示 Context(H)=< Weight44，DContext(H)，Kiteam/Kattribute，Score 44>；其中，Weight44表示历史情境模型在所有挑选最需要的制造知识模型中所占的权重；Score44表示在历史情境下，设计人员对某条制造知识项或是某条制造知识项的属性感兴趣的程度。

5）项目聚合器

项目聚合器将四个模型给出的在该情境下用户对某制造知识项的感兴趣程度，即分值标准化后，加权平均，进而为每个制造知识项或制造知识项属性得到一个单独的分值。协同过滤模型，当前情境模型，及历史情境模型的标准化公式如式(9)所示。最终分值计算公式如式(10)所示：

式(10)中，SKI：四个模型的加权平均值。Weight41×Score41：第一个模型——陈述熟悉度模型的加权分值。

3 案例分析

以某型号飞机垂尾的翼助设计为例，验证该方法的可行性。假设设计人员A（简称A）正在使用SolidWorks对翼助进行设计，通过相关传感器的实时监测，获取当前的设计情境如表2所示，“——”表示当前无法监测，或通过推理得不到当前用户的状态。

根据对A以往行为的监测，发现A具有对某型号飞机垂尾蒙皮方案进行设计的经验，同时具有下载“机翼翼肋实例零件库设计”等的操作记录。

1）确定设计活动类别

本文将所采用的设计活动分为五大类，每个活动都包含关键的子活动。基于设计活动数据结构以树形数据结构表示设计活动标识号，如图3所示。

图3 设计活动编码

通过咨询相关学者和业内专家确定各个模型的权重系数；在式(1)、式(2)的指导计算A当前所从事的活动所属的设计活动类别，如表3所示。

表2 A在Tc时刻的情境信息

表3 A在Tc时刻所从事的设计活动类别得分

根据式(2)，可得出设计活动分类得分值：01：5.4；02：14.6；03：36.6；04：47.4；05：81.8，A当前所从事的活动属于工艺设计活动。

2）确定制造知识类别

通过咨询相关学者和业内专家确定相似度阈值，认为当相似度大于0.5时，该制造知识被设计人员所 需要。

经式(3)～式(7)计算，制造对象知识MK1，制造资源知识MK2，制造过程知识MK3，和制造成本知识MK4与翼助设计工艺设计活动的相似度分别为0.8，0.72，0.56，0.52，故认为这四类制造知识均为所需要的制造知识。

3）获取相关的制造知识

由前两个步骤可知Tc时刻A最需要的制造知识为翼助设计时的相关材料、零件知识（MK1），设备工艺性知识（MK2），加工方法、顺序（MK3），以及设备成本（MK4）等相关知识，结合制造知识数据结构，截取部分制造知识，如表4所示。

4）挑选A最需要的制造知识

以6条知识为例说明筛选过程，如表5所示。

根据式(10)计算出各个知识条目的得分值为：

0009130：19.6；0000002：34.1；0009123：67.4；0009124：75.7；0009129：33.2；0009130：27.2。故Tc时刻，A需要的制造知识排序为0009124，0009123，0000002，0009129，0009130，0009130。故将得分高的制造知识优先推荐给A。

4 结论

针对产品设计活动知识密集型的特点，及产品设计人员知识查询效率低、结果冗余度高的问题，结合情境感知技术，分析了设计情境要素及属性，并构建设计情境要素交互关系模型；该模型的建立有利于识别设计情境信息。在此基础上，提出基于设计情境的制造知识分类逐层过滤方法，该方法在研究设计人员当前知识需求，并为其及时准确推荐个性化知识方面具有以下优势：第一，考虑设计情境信息，并根据设计情境信息首先判断设计人员当前所从事的设计活动，进而缩小设计人员所需要的制造知识范围；第二，采用多层次，多模型，异权重分类过滤的方法，处理不同情境下用户由于个人习惯、经验、专业背景和偏好等产生的知识需求差异性问题。应用表明，方法能够为面向设计人员主动推荐个性化知识提供支持。

表5 A 在Tc时刻对某制造知识感兴趣程度得分

参考文献：

[1]吉祥,顾新建,代风,等.基于本体和粗糙集的产品设计知识推送技术[J].计算机集成制造系统,2013,(01):7-20.

[2]Mcmahon C, Lowe A, Culley S. Knowledge management in engineering design: personalization and codification[J].Journal of Engineering Design,2004,15(15):307-325.

[3]Aurisicchio M. Understanding how the information requests of aerospace engineering designers influence information-seeking behaviour[J].Journal of Engineering Design,2010,21(6):707-730.

[4]Moon S K, Simpson T W, Kumara S R T. An agent-based recommender system for developing customized families of products[J].Journal of Intelligent Manufacturing,2009,20(6):649-659.

[5]Yanjin.Acquiring engineering knowledge from design processes[J].Artificial Intelligence for Engineering Design Analysis & Manufacturing,2002,16(2):73-91.

【】【】

[6]冯毅雄,张舜禹,高一聪,等.基于特征语义分析的数控机床设计知识精确智能推送方法[J].计算机集成制造系统,2016,22(1): 189-201.

[7]Pessemier T D, Courtois C, Vanhecke K. A user-centric evaluation of context-aware recommendations for a mobile news service[J]. Multimedia Tools and Applications,2016,75(6):1-29.

[8]Pessemier T D,Dooms S, Martens L. Context-aware recommendations through context and activity recognition in a mobile environment[J].Multimedia Tools & Applications,2014, 72(3):2925-2948.

[9]Lei H, Sow D M, Davis Ii J S, et al. The design and applications of a context service[J].Acm Sigmobile Mobile Computing & Communications Review,2002,6(4):45-55.

[10]Dey A K.Understanding and Using Context[J].Personal & Ubiquitous Computing,2001,5(1):4-7.

[11]Schilit B,Adams N,Want R.Context-Aware Computing Applications[A].The Workshop on Mobile Computing Systems & Applications[C],1994:85-90.

[12]顾君忠.情景感知计算[J].华东师范大学学报(自然科学版), 2009,(05):1-20,145.

[13]潘旭伟.集成情境知识管理中几个关键技术的研究[D].浙江大学,2005.