结合数据挖掘的个性化产品配置网络研究

袁雨阳，吴 晓，何丽娜，王 昕，吴青科

（西南交通大学 机械工程学院，成都 610031）

0 引言

在全球市场竞争环境下，显著提升的客户“自我消费”意识以及差异化的客户购买力使得客户对产品的需求越来越多样化、个性化，分化变动的买方市场逐步替代了统一稳定的卖方市场。制造企业需要从以产品为中心的大规模定制转变为以客户为中心的个性化定制，向客户提供个性化产品。企业在激烈竞争中实现转型成功的关键在于能否准确、快速地满足客户的个性化需求，这就对个性化产品配置的客户化、智能化提出要求。构建客户需求及产品配置方案之间的配置网络，基于配置网络实现客户需求驱动的个性化产品配置是实现客户化、智能化定制的有效方法。

产品配置是一个产品快速设计的过程，它在企业已有产品标准化和规范化，以及新产品开发成果的基础上，根据特定客户订单需求进行有针对性的目标匹配，最后形成完整的、客户满意的产品信息的过程[1]。产品配置实施的一般过程是：建立产品配置模型，提取并表示配置知识，对客户需求进行分析与分解并驱动配置模型的求解与优化[2]。目前关于产品配置的研究，主要有李妮娅等[3]提出基于结构的产品配置方法；Gasca等[4]将配置建模转化为基本单元的约束满足问题，提出了基于约束的配置模型；但斌等[5]提出了基于本体映射面向模糊客户需求的产品配置方法；王世伟、谭建荣等[6]提出了基于GBOM的产品配置模型；Wang S W，Tan J R 等[7]提出了基于实例的产品配置方法。现有研究中产品配置过程一方面过多依赖于设计者、专家等的主观决策，容易导致主观臆断；另一面现有配置方法需要将客户需求转化成产品特性，再基于产品特性配置产品方案，涉及到客户域、产品技术特性域及配置方案域之间的信息转换，转换过程存在信息的缺失及错误传递，从而导致配置方案的个性化缺失，同时配置效率较低；其次，现有研究缺乏对企业产品交易记录信息的挖掘，而这些交易记录能够客观反映客户需求及产品配置方案之间的关系。

个性化产品定制的关键在于满足客户需求。产品对客户需求的满足程度是客户购买产品的决策依据。因此个性化产品定制的关键在于确定客户需求与产品配置方案之间的关系。而客户需求的多样化、个性化产品的复杂化需要设计人员投入大量的精力开展客户需求域及产品配置方案域的信息表达及关系梳理，从而使设计人员产生感知困扰，导致配置网络的个性化缺失；同时客户需求与产品配置方案之间存在复杂的关联关系，难以应用数学模型准确表达。

企业中大量的个性化产品交易记录可以客观、动态地反映客户需求及产品配置方案之间的关系，为配置网络的构建提供大数据支持。多层感知机（Multilayer Perceptron，MLP）又称多层感知神经网络[8]，是一种模拟人类神经元的传统监督学习方法，在处理多分类问题时，能够通过学习非线性函数以无限逼近输入特征空间X和输出标签向量Y之间的实际映射关系[9]。在产品配置网络中，多层感知机可以通过监督学习，挖掘客户需求域与产品配置域之间的关系。基于此，本文采用多层感知机基于历史交易记录挖掘个性化产品的配置网络。

针对当前个性化产品配置网络的构建需求，本文通过对企业的大量交易记录挖掘，提出一种基于多层感知机配置模型的个性化产品配置网络构建方法。利用历史交易数据中的客户需求和对应的产品配置方案对配置模型进行训练，得到基于数据挖掘的个性化产品配置网络。将基于客户需求的产品配置问题转化成输入项为客户需求特征项，输出项为实例模块类别选择的多分类问题，建立子配置模型。针对新客户需求，基于配置网络可得到其对应的产品配置信息，使配置过程更智能化、客户化，为后续产品配置提供很好的决策信息，避免配置过程中主观错误的产生，并且能够挖掘企业产品的历史数据价值，提供数据价值再生思路。目前供应链可靠性的研究未能与实时的诊断及预测很好的结合。

1 性化产品配置网络模型的表达

智能化和客户化的需求使得产品配置问题十分复杂，运用多层感知机技术，将产品配置问题转化为从客户需求域到产品配置域的映射问题，将配置网络转化为由多个子配置模型组合而成的网络。客户需求域由客户需求特征项组成，产品配置域由产品配置方案组成，配置方案由产品的实例模块构成。个性化产品配置的基础是模块化产品开发，本文所处理的产品配置方案都是基于模块来开展配置。设产品共有m个模块，需要建立m个子配置模型，子配置模型的配置结果组合得到产品配置方案。在子配置模型中，输入项为客户需求特征项，其数值是客户对产品的需求数值，输出项为产品实例模块的类别选择，即选择的实例模块。

如图1所示，客户需求域中，共有n项客户需求特征项，客户Ci的需求特征项为Ci=（Ci1，Ci2，…，Cin）。Cij（其中1≤i≤d，1≤j≤n，d为客户的个数）是第i个客户的第j个客户需求特征项值，表示第i个客户对第j个需求的期望数值，数值类型分为连续型、离散型、布尔型等。

图1 基于多层感知机的产品配置网络构建方法

产品配置域由产品配置方案信息构成，被选择实例模块的信息组成配置信息。设某产品有m个模块，模块Mk有若干个实例模块Mk=（IMk1，IMk2，…，IMkm（k））。IMku（1≤K≤m，1≤u≤m（k））表示第K个模块的第u个实例模块，m（k）为第k个模块的实例模块数量。第i个产品的配置方案为Pi=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m），表示从m个模块中选择的实例模块的组合信息。对于实例模块有系数X，满足，Xki∈[0，1]，Xki取值为0时表示不选择第k个模块的第i个实例模块，Xki取值为1时表示第K个模块的第i个实例模块参与产品配置。

基于客户需求和产品配置的描述，在历史交易记录中客户需求Ci和产品配置方案Pi之间存在一一对应的关系。产品配置网络模型构建的目的为根据历史交易记录挖掘配置网络，完成从客户需求域到产品配置方案域的映射，基于配置网络确定新客户需求所对应的配置方案，即C*→P*。

2 基于多层感知机的个性化产品配置网络构建

2.1 多层感知机

多层感知机在感知机结构基础上加入隐含层，增加模型复杂度的同时增强了模型的表达能力，且输出层神经元可以有多个输出，能够灵活应用于分类回归问题。

多层感知机结构图如图2所示，由输入层、隐含层、输出层组成，属于全连接神经网络。各层级中同层各个神经元相互独立，互不连接，相邻两层之间的神经元全连接。每个神经元都有对应的输入权值、偏差，以及激活函数，连接强度由神经元之间的权值大小决定。输入层和输出层神经元个数可以是一个，也可以是多个，隐含层层数可以为单层，也可以为多层。数据在神经元之间的传递具有方向性，前向计算时，由输入向输出逐层级计算，反向计算时，误差反向传播修正连接权值。

图2 多层感知机神经网络模型结构图

设X是输入层神经元的标记，输入层神经元个数有n个；H是隐藏层神经元标记，隐藏层神经元个数有d个，激活函数为fh；输出层神经元标记为Y，输出层神经元个数有m个，对应的激活函数为fY。在本文中，输入层神经元为客户需求特征项，输出层神经元为所选择的实例模块编码。

隐含层中，第j个神经元的输出为：

输出层中，第k个神经元的输出为：

其中v，w为权重；a，b为隐含层和输出层偏差。

常见的激活函数有Sigmoid函数，tanh函数，以及relu函数等。Sigmoid函数比较简单，有用良好的非线性映射；tanh函数输出均值是0，收敛速度较Sigmoid函数快；relu函数的梯度收敛快，且梯度计算量相对前两种函数较少。

由于本文主要研究的是多分类问题，所以选用relu函数作为激活函数，有：

2.2 个性化产品配置网络模型构建

产品方案由选择的各个模块中的实例模块组合而成，个性化产品配置问题在大数据背景下转换成从客户需求域到产品配置域之间的映射问题，实现基于客户需求的产品智能配置。

本文考虑将产品配置网络划分成多个子配置模型，每个子配置模型的输入项为客户需求特征项Ci=（Ci1，Ci2，…，Cin），输出项表示某模块中选择的实例模块，以模块1为例，M1有三个实例模块（IM11，IM12，IM13），输出值可为（1，2，3），若输出值为2，则表示在模块1中选择实例模块IM12。

最后将得到的多个子配置模型结果组合，即可得到一个完整的由客户需求驱动的产品配置方案Pg=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m）。如图3所示多层感知机子配置模型的流程为：

图3 子配置模型流程

1）数据采集及处理。从历史配置数据中提取出客户需求数值，以及其对应的产品配置方案信息，对客户需求特征项数据进行归一化处理。选择需要配置的模块，即选择需要训练的子配置模型，对其实例模块进行编码，以此替代实例模块编号。客户需求特征项Ci=（Ci1，Ci2，…，Cin）和对应实例模块的编码（Q）组成样本集（Ci，Q）。采用随机算子对样本集进行随机分类，百分之70样本集作为测试集，百分之30样本集作为训练，对子配置模型进行训练。

2）配置模型的建立。建立多层感知机子配置模型，设置输入层和输出层神经元个数，以及隐含层层数。输入层神经元个数为客户需求特征项数，输出层神经元只有一个，其值表示某实例模块对应的编码。隐含层越多，越容易拟合更复杂的函数，理论上只要隐含层的节点足够多，可以拟合任意函数，但是隐含层过多会导致训练过慢且出现过拟合、参数难以调试、梯度弥散等问题，所以需要根据具体问题选择隐含层层数和节点。

3）配置模型的训练。利用处理后的样本数据对建立好的子配置模型进行训练，以此来建立从客户需求域向产品配置域映射的转化模型。

4）配置模型的验证。完成训练后，通过测试集对模型的可行性和准确性进行验证。

5）构建配置网络。同理，其他子配置模型也可应用相同流程构建，从而得到整个网络模型，完成配置网络的构建。

3 实例分析验证

本文以某公司某品牌的洗衣机为例，对所提方法进行验证。该洗衣机的主要模块有10个，包括箱体模块，门体模块，洗涤剂抽屉模块，传动模块，洗涤模块，减振模块，给排水模块，控制系统模块，除菌模块，操作面板模块。各模块有对应实例模块，如表1所示。

表1 洗衣机产品模块信息表

以传动模块（M4）示例。将历史客户需求特征项数据和对应的产品配置信息中M4选用的实例模块整理得到训练集（Ci，Q）。其中，Ci是历史客户需求数据库中的客户需求数据，Q是模块编码数字，表示最终选定产品配置信息中模块4选择的实例模块。Ci和Q具体信息如图4所示。

图4 传动模块子配置模型信息

据2.2中描述的流程，运用PYTHON对子配置模型进行编程，利用处理好的样本数据集（Ci，Q）对其进行训练。部分样本数据集如表2所示。

表2 部分样本数据信息

首先划分数据集，设计一个随机种子，随机划分70%的总体数据作为训练样本集，30%的总体数据作为测试样本集。在配置网络建立过程中，输入项为客户需求特征项数据，根据数据，输入层神经元个数为12个，输出神经元个数为1个，其值表示选择的实例模块对应的编码，M4有四个实例模块（IM41，IM42，IM43，IM44），输出值可为（1，2，3，4），若输出值为3，则表示选择实例模块IM43。隐含层选用2层，激活函数选择relu函数，训练次数100次，如图5所示为训练过程中分类预测精度呈现曲线，训练完成时训练过程准确精度98%。

图5 子分类模型的训练过程

将测试样本输入训练所得到的模型，测试精度如图6所示，target_y集是测试样本结果，pred_y集是预测结果，测试后得到测试精度达到90%以上。经过分析，本论文提出的方案是可行的。

图6 测试结果对比图

4 结语

本文针对从客户需求到产品配置过程中存在的主观性和复杂性问题，提出利用多层感知机挖掘历史交易记录中客户需求与产品模块实例之间的关系，从而构建个性化产品的配置网络，并基于此实现客户需求驱动的个性化产品设计。该方法有以下优势：

1）根据客户需求，建立子分类模型，实现多维客户需求域向产品配置域映射分析，降低了客户需求向产品配置方案转化过程中的复杂程度，可以基于客户需求得到与其对应的产品配置信息，实现了个性化产品配置的客户化。

2）区别与传统的客户需求向产品配置信息转化方法，基于配置网络的个性化产品定制无需专家参与，可有效避免主观错误的产生，在一定程度上降低转化过程中的主观性和模糊性，提高配置的准确性。

3）利用监督学习的思想，挖掘客户需求数据与产品配置信息之间的关系，可自动确定配置方案，实现了配置过程的智能化。并且配置网络可随着历史交易记录的增加而动态更新，有效提高了配置的准确性、自适应性，同时提升了数据的使用价值。