基于大数据的工业设计人才评判系统

叶慧 刘恩华

摘要：根据现实的情况理解，需求方对设计人才的要求主要是建立在在对设计人才技能与经验要求上，因此我们建立一套基于设计作品多维属性标签和设计技能标签，然后将设计人才的作品生成作品集，在作品集中通过二者匹配并且累计相同项目来判断设计人才技能/经验为设计需求方提供一个更加客观科学的评判方案，让需求方能找到更加有经验技能、更加熟练的设计师。

关键词：大数据;工业设计;人才评判

前言

在日常生活、生产中经常需要找不同的设计师来为我们提供各种设计方案，但是一般情况下我们只能采用一些非常简单的方式来寻找，比如：找朋友介绍、到专业的网站看履历、看作品集等。

在设计界需要寻找或者推荐一个合适的设计师基本上都是从设计师的履历、作品集的角度来切入了解的，但是这些角度是非常主观的，难以客观反应设计人才技能与经验。需求方很多时候自身不是对口的专业人士，因此对被推荐的设计师了解只能通过履历来进行一个有广度但是缺乏标准与深度的了解，缺乏一个更加客观、标准、细致的办法来了解设计师的技能水品。需求方对设计人才的要求主要是建立在在对设计人才技能与经验要求上，因此我们建立一套基于设计作品多维属性标签和设计技能标签，然后将设计人才的作品生成作品集，在作品集中通过二者匹配并且累计相同项目来判断设计人才技能/经验为设计需求方提供一个更加客观科学的评判方案，让需求方能找到更加有经验技能、更加熟练的设计师。

1需求分析

现有技术中对于设计人才推荐采用的是履历、作品集的方式进行推荐，这种推荐方式主要是通过设计人才能力广度的简介来进行的，缺乏专业的、数据化的能力解读/经验解读。寻找设计人才，主要是要找到技能/经验合适的设计人才;而现在技术的推荐设计人才主要依赖于履历与作品集，但是这两个依据都是从主观上进行表述与引渡，哪怕是作品集的展示也是一种美的展示，但是缺乏技能的具体展示，令到非专业的需求方难以从一个更加客观的角度来了解被推荐人的技能/经验情况。

系统的技术原则是“一切都由作品说话”，从设计人才的作品切入，进行系统化解读，为我们的需求方细分出设计人才技能/经验的情况，让设计人才的技能/经验展示得更细致。

2系统设计

系统建立一套基于设计作品多维属性标签、设计技能标签、设计人才技能模型库，需求方在设计人才技能模型库中选择需求的设计人才后，系统将设计人才的作品生成作品集，在作品集中通过设计作品多维属性标签与设计技能标签匹配并且累计相同项目来评判设计人才技能/经验情况，然后把符合需求方要求的数据汇给需求方进行选择或推荐。

建立一套基于设计作品多维属性标签、设计技能标签、设计人才技能模型库，需求方在设计人才技能模型库中选择需求的设计人才后，系统将设计人才的作品生成作品集，在作品集中通过设计作品多维属性标签与设计技能标签匹配并且累计相同项目来评判设计人才技能/经验情况，然后把符合需求方要求的数据汇给需求方进行选择或推荐。

本方法的具体实现办法如下：

A.建立设计人才技能模型库，由系统根据一定数量的能力/经验值组合的各种不同类型设计人才技能模型，最初由系统提供基本参考模型，在大量用户使用或修正之后，会自动增加新的不同类型设计人才技能模型;比如：最初系统定位高级工业设计师的能力/经验值为：1000次渲染图、1000次尺寸图、1000次产品定位等多种达到一定熟练度/经验值的组合，但是用户在实际使用中发现实际上要增加1000次的手绘图、1000次的创新性这两个技能/经验值组合才满足，在达到一定数量的用户都认为这样的组合才合理时，则设计人才技能模型库会增加一个新的高级工业设计师设计人才技能模型;

B.如果在系统提供的设计人才技能模型库中没有合适的模型，需求方也可以通过自定义的方式来设定符合需求的设计人才技能模型;

C.对设计作品建立多维属性标签，并且收集相关数据。标签如下：

设计表达

作品说明：作品名称、作品描述、作品关键字、作品展示图

渲染图、功能图、尺寸图、爆炸图或剖面图、手绘图、使用场景图、视屏/音频、手板模型

设计定位

市场需求定位

产品定位：功能定位、色彩定位、造型定位

消费者定位：用户性别、用户年龄、是否特定人群、产品分类、产品价位、颜色、主要材料

竞争定位：竞争差异化分析、差异化接收程度分析、自身资源匹配度分析、其他

创新性：观念创新、功能创新、形态创新、技术创新、其他创新

合理性：色彩分析、材料分析、表面工艺分析、其他

可行性：技术可行性、操作可行性分析、合法性可行性分析、经济可行性分析

其他

市场调研

市场调研与需求分析：市场需求、市场现有产品分析、设计定位分析

数据收集与整理结果：数据收集方法、数据结果整理

知识产权

知识产权是否转让、是否拥有知识产权

产品化

产品图片、产品的购买途径、产品的生产厂家、产品的衍生设计、其他

D.把上述标签化的数据汇聚，生成设计作品数据库;

E.為每一个设计人才建立设计技能标签及计数，设计技能标签如下，所有技术初始值为0;

设计表达

渲染图、功能图、尺寸图、爆炸图或剖面图、手绘图、使用场景图、视屏/音频、手板模型

设计定位

市场需求定位

产品定位：功能定位、色彩定位、造型定位

消费者定位：用户性别、用户年龄、是否特定人群、产品分类、产品价位、颜色、主要材料

竞争定位：竞争差异化分析、差异化接收程度分析、自身资源匹配度分析、其他

创新性：观念创新、功能创新、形态创新、技术创新、其他创新

合理性：色彩分析、材料分析、表面工艺分析、其他

可行性：技术可行性、操作可行性分析、合法性可行性分析、经济可行性分析

其他

市场调研

市场调研与需求分析：市场需求、市场现有产品分析、设计定位分析

数据收集与整理结果：数据收集方法、数据结果整理

知识产权

是否拥有知识产权

产品化

产品的衍生设计、其他

F.设计人才技能/经验值计算公式与方法;

a） 设计人才技能/经验值计算公式：设计技能人才/经验值=0+设计技能在该设计人才的作品集中的使用次数

b）设计人才的设计技能/经验值标签初始值为0;

c） 先判断设计作品中的“市场调研”内容是否有与该设计人才其他设计作品的“市场调研”完全重复的情况，如果是Y，则该设计作品的“市场调研”标签技能加值为0，如果是N则继续下一步判断;

d）再判断设计作品中的“设计定位”内容是否有与该设计人才其他设计作品的“设计定位”完全重复的情况，如果是Y，则该设计作品的“设计定位”标签技能加值为0，如果是N则继续下一步判断;

e） 通过之前的判断后，未有加值的所有其他标签进行匹配;

f） 把未有加值的设计技能标签与设计作品多维属性标签一致的项目进行对应，只要在设计作品多维属性标签中有内容的就在设计技能标签对应项目中加1，如果无则不变化;

g）如果设计人才有多份作品在系统中，那么就是这些作品每一个作品的多维属性标签都在与设计技能标签对应之后在该设计人才的设计技能标签计数中加1;

h）设计人才的设计技能/经验值就是通过自身作品或作品集中使用的技能次数叠加进行计算;

G.当设计人才的设计技能/经验值达到需求方设定的设计人才技能模型要求时就会进行设计人才推荐;

系统只提供了基于雷达图示的完整度分析模型，但统计维度都有多个维度，以下图示：

说明：

（1）作品完整度评估详情图示一图展示了完整度表的评估情况。左边提供了五个维度分值的雷达图，雷达图下是五大维度的各自得分情况，同时提供了整个平台的平均得分情况，方便管理人员分析对比;

（2）作品完整度评估详情图示中也展示了作品的总分，例图中显示的是85分;

（3）作品完整度评估详情图示中右边是一个表格，显示了每一个指标的得分，一些指标名称颜色是蓝色的，表示用户有填写内容或上传了文件，管理人员可以点击链接查看具体内容，链接打开后如『作品完整度评估分修改图示』所示;

（4）作品完整度评估分修改图示中有个评估得分，管理人员可以自行修改这个分数，这个分数最小为0，最大不超过这项指标的最大分值，一旦指标分值被修改，会员用户就算重新修改了这一指标的内容，分值也不会再被改变，除非管理人员重新修改评估分

总结

该系统能够很好的根据设计需求方提出的需求来匹配设计人才，不仅解决了需求方的招人难的问题，还解决了就业难的问题。

参考文献

[1]Zhu Y， Xiong F， Xie Q， et al. PBR： A Personalized Book Resource Recommendation System[C]//Asia-Pacific Web （APWeb） and Web-Age Information Management （WAIM） Joint International Conference on Web and Big Data. Springer， Cham， 2018： 475-479.

[2] 吳彦文 ， 齐 旻 ， 杨 锐 . 一种基于改进型协同过滤算法的新闻推荐系统 [J]. 计算机工程与科学，2017，39（06）：1179-1185.

[3] 李博. 基于项目特征和排序学习的新闻推荐系统设计与实现[D].北京邮电大学，2019.

[4] 王顺箐.以用户画像构建智慧阅读推荐系统[J].图书馆学研究，2018（04）：92-96.

[5] 何胜，熊太纯，柳益君，叶飞跃，潘瑜.基于Spark的高校图书馆文献推荐方案及实证研究[J].图书情报工作，2017，61（23）：129-137.

[16] Yang Q. A novel recommendation system based on semantics and context awareness[J]. Computing， 2018， 100（8）： 809-823.

[17] ÖZCAN İ， ÇELİK M. Developing Recommendation System Using Genetic Algorithm Based Alternative Least Squares[C]//2018 International Conference on Artificial Intelligence and Data Processing （IDAP）. IEEE， 2018： 1-5.

[18] Shaikh S， Rathi S， Janrao P. Recommendation system in E-commerce websites： A Graph Based Approached[C]//2017 IEEE 7th International Advance Computing Conference （IACC）. IEEE， 2017： 931-934.

[19] Patil P， Wang J， Aratani Y， et al. Prototyping a recommendation system for Ukiyo-e using hybrid recommendation algorithm[C]//2017 Twelfth International Conference on Digital Information Management （ICDIM）. IEEE， 2017： 298-303.

[20] Catherine R， Cohen W. Transnets： Learning to transform for recommendation[C]//Proceedings of the eleventh ACM conference on recommender systems. 2017： 288-296.