大数据驱动的创新方法论与创新服务平台

鹿旭东 ， 宋伟凤， 郭伟， 崔立真 ＊， 林岳 ， 姜涛

1.山东大学软件学院，山东 济南 250101

2.北京亿维讯同创科技有限公司，北京 100025

引 言

“自主创新，方法先行”，创新方法是自主创新的根本之源。我国正在实施创新驱动发展战略，这是深化改革的重要内容，也是转变经济增长方式的一项重要举措。创新方法的理论体系最早起源于1946年前苏联科学家根里奇.阿奇舒勒的“发明问题解决理论”（TRIZ）[1]的研究工作。他创建了一套由解决技术难题、实现技术创新等各种方法组成的TRIZ 理论。TRIZ 理论是对大量专利进行研究之后产生的一种系统性创新方法[2]，揭示了创造发明的内在规律和原理，强调系统中存在的矛盾，其目标是完全解决矛盾，获得最终的理想解[3]。

TRIZ 是一个庞杂的创新方法理论体系，迫切需要创新工具引导和支持人们利用TRIZ 进行创新[4]， 经过数十年发展，计算机辅助创新（CAI）技术[5]应运而生。计算机辅助创新设计软件有数十种之多，国外以美国 Ideation International 公司开发的Innovation WorkBench(IWB)[6]；国内以河北工业大学开发的 Invention Tool[7]软件为代表。实践表明，TRIZ 创新方法理论和工具已经发展成为一套实用性很强的解决新产品开发实际问题的成熟理论和方法体系，能帮助技术开发人员突破思维障碍，进行理性的逻辑思维；能帮助人们系统地分析问题，快速发现问题本质，准确确定问题探索方向；能根据技术进化规律预测未来发展趋势，进而开发富有竞争力的新产品。如今它已在全世界得到广泛应用，创造出成千上万项的重大发明，为知名企业创造了巨大的经济效益和社会效益[8]。

然而，随着大数据时代的到来，TRIZ 创新方法理论和工具面临新的挑战：（1）创新方法应用难。虽然创新方法理论体系相对完善，但需要掌握的知识内容复杂而庞大，入门很困难，应用起来也不方便，常常需要专业的培训和专家的支持，不适用于社会大众的普适化创新。（2）信息的多源化碎片化加剧了创意形成的难度。大数据时代数据的多源化、知识的碎片化，加剧了人们选择创意、评价创新程度的难度。人们很难从海量信息中，针对某一产品提炼出系统化的创意方案[9]。（3）创新方案推荐和形成困难。有了产品创意，该用哪些关键技术，如何实现创意，面对海量信息和知识，对于普适化的大众创新来说也是一个很大挑战。

当然互联网大数据时代也为创新带来了巨大契机：一方面，数据和知识更加丰富，获取更为便利。大数据不仅意味着海量、多样、迅捷的数据处理，更是一种新的生产要素、一种创新资源和一种新的思维方式；另一方面，由于大众互联，更多智慧被激发，这些众智的互动和协作，为创新提供了更广泛的源泉。为此，本文提出一套大数据驱动的创新方法论，并研发了一套大数据驱动创新服务平台。利用大数据技术和汇聚众智的思想，以多源创新数据的跨界融合为基础，构建创新方法大数据[1]和创新知识图谱；通过社会化公众参与和互动反馈，形成汇聚众智的创新模式；基于创新大数据知识图谱，实现创意自动快速引导生成；基于发明原理等创新方法理论，实现创新方案的自动生成。最终，为实现大众的普适化精准创新提供思维、方法和工具支撑。

1 大数据驱动的创新方法论

大数据驱动的创新（Big Data Driven Innovation，BDDI）方法论模型如图 1 所示，可概括为“一个基础、两个智能、三位一体”。“一个基础”是指以创新方法大数据为基础，即来源于网络世界的产品交易数据、领域知识数据、创新方法与案例数据、科技报告数据、专利数据等创新相关的数据，通过数据融合（将来自不同机构的数据，按照统一的要求整理成统一格式，方便以后的使用）、存储（存储的方式，比如数据库存储）、计算、分析和可视化（使用各种图形表格等形式让用户更快速的了解到数据信息）， 解读多源异构数据（来自不同机构、不同存储方式的数据）背后隐藏的有价值的信息，将其汇聚为创新知识，形成数据跨界融合公共支撑平台，为创新者生成创意和创新方案提供数据支撑。“两个智能”是指在数据跨界融合公共支撑平台基础上，基于从创新方法大数据中抽取出的创新知识图谱实现创意的智能引导和基于 TRIZ 发明原理等创新方法理论实现创新方案的智能推荐。“三位一体” 指通过互联网，将创客聚集在一起，形成社会主体的跨界融合创新，与创意智能引导、创新方案智能推荐形成三位一体[10]，实现众智众创、互动反馈、评价优化的协同创新过程。

图1 大数据驱动的创新方法论模型Fig.1 Innovation methodology model driven by big data

大数据驱动的创新方法论包含创新思维与创新方法两部分。大数据驱动的创新思维包括横向层次扩展、纵向过程延伸、整体综合补充、局部分析深入、内在结构开拓、外部结构发现、因果关系回溯、因果关系前瞻八条原则[11]，从思维层面指导创新方法实施。对应于产品创新全过程，大数据驱动的创新方法实施步骤分为六个阶段：大数据驱动的知识融合阶段、创意引导阶段、方案研发阶段、原型测试阶段、众包反馈阶段和众智众创阶段，其中知识融合阶段为基础，众智众创阶段为核心，整个实施流程如图 2 所示。

图2 大数据驱动的创新方法实施步骤Fig.2 Implementation steps of big data-driven innovation methods

1.1 知识融合

首先，创新方法大数据获取与存储。对电子商务平台、社交媒体平台、数据知识服务平台、科技资讯平台等网络平台和上面的商品信息、用户评价、专利摘要、科技信息等创新数据进行采集，将获取的数据进行解析和清洗，形成创新方法大数据。其次，创新知识图谱构建[12]。对获取的创新数据进行实体、属性及关系的抽取；将抽取出的知识进行实体链接和知识合并等知识融合操作，消除实体指称项与实体对象直接的歧义；采用数据驱动的自动构建方法，进行本体构建，从知识库中的实体关系数据出发，经过知识推理，建立实体间的新联系，最终形成创新知识图谱。本文从 Web 上用爬虫等技术手段获取结构化、半结构化和非结构化数据，并从获取的数据中提取本体库（Ontology），经过人工审核后，将本体库与数据存储到数据库中，并把存储在 Neo4j 图数据库中的数据以图谱的形式展示出来，采用 D3.js 将可视化和交互技术与数据驱动的 DOM（Document Object Model）操纵方法相结合，将数据绑定到 DOM，为数据提供正确的可视化设计接口，然后应用数据驱动来转换文档生成交互式图像。最后，个性化创新知识服务。建立创新知识搜索引擎，对创新者的个性化查询提供精确的推荐和导航服务。

1.2 创意引导

首选，智能检索。利用创新搜索引擎进行创新关键词检索，基于知识图谱和相似度计算，得到关键词的知识关系图和相关词云（由词汇组成的类似云的图，对出现较高的词予以视觉上的突出）图，根据创新方法大数据不同来源，可分别生成产品信息词云图、用户评价词云图、科技信息词云图等，并将词云图中词的相关文档链接及文档中提取的高频词按照相关度排序显示。其次，创意推荐。创新者通过更换知识关系图和相关词云图中创新关键词进行创新思维发散，利用多文档摘要提取技术（将同一主题下的多个文本描述的主要信息按压缩比提炼出一个文本的自然语言处理技术），从其浏览并标注的文档中自动生成摘要，推荐给创新者作为创意参考，创新者对推荐的创意进行补充编辑。 最后，创意众智评估与征集。将创意提交众创社区，利用众智对创意进行评价，将评价的结果进行数据分析处理后反馈给创新者。

1.3 方案研发

首先，产品概念开发。根据确定的产品创意，对产品进行设计与描述，包括产品功能、性能、优点、消费群体、预计价格、技术问题等。其次，发明原理智能匹配。对产品创新中的技术问题进行求解，基于相似度计算，将产品概念描述智能匹配相应的 TRIZ 发明原理等创新方法理论，同时提供与产品概念描述相关的文档链接，辅助工程技术人员解决在产品技术创新实现上的问题。然后，创新方案推荐。利用多文档摘要提取技术，从创新者浏览并标注的专利或科技报告等文档中自动生成摘要推荐给创新者作为创新方案参考。工程技术人员根据推荐的发明原理、相关文档，结合实际问题，确定创新方案，具体包含采用何种技术、利用何种方式、选用何种材质等。 最后，创新方案众智评估或征集。借助众创社区，对创新方案进行众智评估，让具有专业领域知识的创客参与到方案研发中，将评估的结果结合企业内部资源和外部环境等因素，生成最终产品创新方案。

1.4 原型测试

首先，产品原型研发。根据产品创新方案进行产品原型研发，包括产品功能、结构、属性、外观等多方面设计内容，即将产品方案转化为在技术和商业上可行的现实产品。其次，产品“α 测试”。进行新产品的样品开发及内部试用，用以检验产品原型设计在技术实现、功能和性能等方面是否符合最初期望要求等，若存在问题，对产品原型进行调整改进。根据产品“α 测试”反馈结果，最终确定两种产品原型。

最后，在线“A/B 测试”。借助互联网众智众包，对产品原型进行在线“A/B 测试”，根据用户投票及建议，改进和完善产品原型，推出符合大众期待的新产品。

1.5 众包反馈

首先产品问题反馈。产品投入市场一段时间后，基于众创社区，对产品存在问题进行调查，获取社区用户对产品各项指标的评分及意见，将反馈数据存入创新放大数据库中，作为下一次产品创新的数据基础。最后：产品更新升级。根据产品问题反馈及技术研发情况综合考虑，决定是否需要立即进行产品更新升级。

1.6 众智众创

首先建立评估模型。评估模型一般包括评价因素、评价等级、权重和评价人员信用，需要建立创意评估模型、方案评估模型、原型评估模型及反馈评估模型。其次，设置悬赏金额。为鼓励更多用户参与创新，众创社区采取有偿评估或征集方式，对参与完成任务的社区用户给予一定金额奖励。

然后，众智选择。对社区用户进行“用户画像”，“用户画像”维度主要包括性别、年龄、地理位置、关注领域、信用等级等，基于PageRank 算法，将评估任务与用户进行匹配，精准推送给合适的用户。

最后，结果分析。利用评估模型对社区用户客观评价结果进行计算，得到评估分数，对主观评价进行语义情感分析，提取评价标签词，并按照评价内容长度、评价时间、支持人数及用户信用等计算评价质量并排序，选取最佳回答。

2 大数据驱动创新服务平台关键技术

2.1 基于创新知识图谱的创意智能引导

大数据驱动创新的关键在于知识融合，基于创新知识图谱的创意智能引导技术，指用户通过创新搜索引擎进行智能检索，利用创新知识图谱查找用户创意问题的答案及相关文档。由于查询时输入通常比较短，基于空间向量模型的文档表示与基于查询关键词匹配这种传统检索方案难以满足用户查询需求。创新知识图谱的出现为创新智能检索提供了新的检索方案——基于知识图谱的文档表示与基于知识图谱获得的查询扩展词匹配结合。

2.1.1 创新知识图谱数据获取与构建

实现过程包括：抽取文档中的实体与关系， 用其构成的图来表示该文档；将所有文档抽取出的实体-关系图进行知识融合，得到创新知识图谱。在进行知识融合的过程中，要消除发生冲突的知识[12]。本文采用知识验证技术链接数据来源权限，考虑数据冗余和一致性以及纳入额外的语义约束来识别最可靠的数据值，然后集成不同来源的知识；通过PRA[13]（Path Ranking Algorithm）补全创新图谱中缺失的数据，由于PRA 方法具有较好的解释性，并且不需要额外的逻辑规则，因此本文采用PRA 算法补全知识图谱。PRA 将每种不同的关系路径作为一维特征，通过在知识图谱中统计大量的关系路径构建关系分类的特征向量，建立关系分类器进行关系抽取，绕开规则提取步骤直接推理。PRA 用连接两个实体的路径作为特征，来预测两个实体之间的关系。学习阶段分为特征抽取、特征计算和构造分类器三个部分。预测阶段是使用分类器对任务进行预测。PRA 通过上诉的步骤，从原始三元组数据推理生成新的数据，建立更多实体间的链接关系，增加图谱的边密度。

在创意引导过程中，为了更好更准确地为用户推荐其所需要的知识，本文从构建好的创新知识图谱中计算并获取查询关键词的扩展词[13]；因为扩展词携带有更多的信息，可以作为查询关键词的补充。通过查询扩展词去通过余弦相似度计算查询扩展词与数据库文档的相关度，系统可以更准确地为用户推荐其所需要的文档[14]。

创新知识图谱构建框架如图 3 所示。

图3 创新知识图谱构建框架Fig.3 Framework of constructing innovative knowledge graph

2.1.2 创新知识图谱的可视化

数据可视化的基本方法是根据不同的数据对象类型和展示需求特点选择合适的数据可视化形式，确定数据空间到可视化空间的映射关系，进而可视化数据。数据可视化框架如图 4 所示，分为数据层、映射层和可视化层。数据层将用户数据存储到系统内存中，通过 Ajax 接收和发送 JSON 格式的数据，映射层根据用户确定的映射关系和维度，将用户数据转为可视化数据，可视化层负责实现数据可视化。数据可视化关键技术是如何将通过上述方法构建好的知识图谱存储到Neo4j 图数据库中。Neo4j是专门用来存放图的数据库，该数据库可以方便用户可视化。将知识图谱存储到Neo4j 是创新知识可视化的核心。通过图4 所示的流程，我们可以存储到Neo4j 中。

图4 创新知识图谱可视化流程Fig.4 Visualization process of innovative knowledge graph

2.2 基于发明原理的创新方案智能推荐

矛盾解决理论是TRIZ 理论体系中的经典工具[14]。经研究发现，不同的发明创造往往遵循共同的规律，TRIZ 理论将这些共同的规律归纳成40 个发明原理，如合并原理、预加反作用原理、反向原理等，针对具体的技术矛盾，采取相应的发明原理，结合工程实际寻求具体的解决方案[15]。为了充分利用已有专利中的知识，支持创新设计和鼓励发明创造，本项目提出一种基于专利目的(p)、机制(m)和发明原理(t)的专利知识挖掘方法来加速用户创新。为了实现创新想法目的和机制的自动标注，本项目引用了机器学习模型，结合众包技术对已有专利的摘要中表示该专利目的和机制的文本进行标注，作为模型的训练集，利用双向循环神经网络（Bi-RNN）对专利的目的和机制进行训练和学习（图5）。专利和发明原理之间通常是一对多的关系，利用多标签分类算法对专利按发明原理进行分类（图6），分类一篇专利文本，输出一个发明原理的标签集合。跨领域技术是推动创新发展的重要力量，为了实现专利推荐结果的多样性，本项目提出在用户输入的创新想法和已有专利之间进行匹配的模式为（相似目的，不同机制，不同发明原理），即：其中PAT 表示专利语料库，表示基于专利目的的距离函数，dm表示基于专利机制的距离函数，表示基于专利发明原理的距离函数是为使推荐专利的机制具有多样性设置的距离阈值，是为使推荐专利的发明原理具有多样性设置的距离阈值，从而为用户推荐与其创新想法目的相似、机制和发明原理具有多样性的专利，帮助用户完善其创新想法形成专利。

图5 基于双向循环神经网络训练专利（目的，机制）示意图Fig.5 Schematic diagram of training patent (purpose, mechanism) based on bidirectional recurrent neural network

图6 专利发明原理多标签分类示意图Fig.6 Schematic diagram of multi-label classification of patented invention principles

2.3 基于 PageRank 的创客匹配

PageRank[16]是搜索引擎对网页排名的算法，用于计算网页权威性。如果目标页面被越多的其他网页链接，那么目标页面越重要；指向目标页面的其他页面质量越高，则目标页面的质量也越高。PageRank 算法可应用于衡量众智众创反馈评价系统中用户权威性，根据系统中影响用户权威性的因素，比如，用户回答问题的质量、用户的回答问题数量、用户擅长的专业领域、问题难度等，对PageRank 算法进行改进[15]，以便实现众智众创反馈评价系统中的用户评价和问题推荐，达到任务个性化、精准推送的效果。

2.3.1 对社区的用户进行权威性分析

（1）在PageRank[16]算法的基础上，构建一个用户问答关系图其中用户问答关系图中的每一个结点表示为一个用户，用户问答关系图中的每一条有向边表示为用户到用户之间的问答交互关系；

图 7 大数据驱动创新服务平台Fig.7 Innovation service platform driven by big data

其中，PR(A)代表网页A 的PR 值（它是Google 排名运算法则（排名公式）的一部分，是Google 用于用来标识网页的等级/重要性的一种方法，是Google 用来衡量一个网站的好坏的唯一标准。其级别从1 到10 级，10 级为满分。PR 值越高说明该网页越受欢迎（越重要）），d 代表阻尼系数，取值范围是0＜d＜1；PR(Ti)代表链接到网页A 的网页Ti的PR值；C(Ti)代表网页Ti链出的网页数量；PR 值全称为PageRank（网页级别），用来表现网页等级的一个标准，级别分别是0 到10。

（2）引入对答案质量的分析[17]，分析用户的行为，得出初步的用户权威性的计算方法；所述用户的行为，包括：回答问题、选择最佳答案、赞成和反对；设回答问题的权重分数为x，其中x＞0，选择最佳答案的权重分数为ax，其中a＞1，赞成的权重为bx，其中b＞0，反对的权重为-cx，其中c＞0；

（3）引入对问题难度的分析，得出用户权威性计算方法；

问题难度的计算公式如下：

问题的回答数量越多，表明有越多的用户知道问题的答案，问题相对简单，当问题的平均回答时间越长，表明用户无法在短时间之内回答该问题，问题相对困难。最终计算用户权威性的方法：

2.3.2 将用户提出的待解决问题与社区的用户进行匹配度计算

3 大数据驱动创新服务平台

基于大数据驱动的创新方法实施步骤，我们研发了大数据驱动创新服务平台，如图 3 所示，包含四个子系统：数据跨界融合公共支撑系统、大数据驱动的创意引导系统、大数据驱动的方案推荐系统和众智众创反馈评价系统。

基于大数据驱动的创新方法实施步骤，我们研发了大数据驱动创新服务平台，如图 7 所示，包含四个子系统：数据跨界融合公共支撑系统、大数据驱动的创意引导系统、大数据驱动的方案推荐系统和众智众创反馈评价系统。

3.1 数据跨界融合公共支撑系统

数据跨界融合公共支撑系统是大数据驱动创新服务平台的基础，包括大数据抽取、大数据融合、大数据存储、大数据计算、大数据分析、大数据可视化等过程，汇聚创新方法大数据，抽取创新知识图谱，为创新活动提供数据支撑。

系统实现包括创新相关文档获取并分类存储、实体和关系抽取融合、基于知识图谱的文档表示；基于语义理解进行文档分词、文档建倒排索引、词向量计算、文档空间向量计算、专利数据基于 TIRZ 发明原理分类等。

3.2 大数据驱动的创意引导系统

大数据驱动的创意引导系统实现“创新什么” 功能，帮助用户解决创意缺乏这一创新难题。用户基于创新知识图谱进行智能检索，检索结果以知识关系图、相关词云图和相关文档形式显示，将与关键词最相关的数据信息以更直观的方式展现给用户，引导用户发散思维产生创意，通过与众智众创反馈评价系统中创客的互动，进行创意评估与征集，最终生成可行创意。

系统实现包括基于用户检索词频率统计推荐创新词、基于知识图谱计算查询扩展词、基于知识图谱计算知识关系图、基于词向量距离计算相关词云图、基于查询扩展词检索文档等。

3.3 大数据驱动的方案推荐系统

大数据驱动的方案推荐系统实现“怎样创新” 功能，帮助用户解决创意的技术实现这一创新难题。用户对产品创意进行详细描述，系统自动匹配TRIZ 发明原理和推荐相关专利等科技文档，将TRIZ 发明原理和与创意描述最相关的数据推荐给用户进行方案研发参考，通过与众智众创反馈评价系统中创客的互动，指导用户生成创新方案。

系统实现包括基于支持向量机分类算法将创意描述按发明原理分类、基于文档空间向量距离计算创意描述与创新文档的相关度等。

3.4 众智众创反馈评价系统

众智众创反馈评价系统是企业与创客群体之间的互动平台，通过有偿形式，吸引具有不同领域不同专业知识的公众充分参与到创新过程中来，根据“用户画像”，将创新任务精准推送给相关领域创客，汇聚众智，实现万众创新，其中包括对创意和方案的众智评估与征集、原型测试和众包反馈等。

系统实现包括基于用户行为数据构建用户画像、基于 PangRank 算法实现任务精准推荐、基于创新评估模型计算创新分数、基于语义情感分析提取评论标签、基于评论质量模型进行答案推荐排序等。

我们的平台已经上线运行，网址如下：www.bigdatainnovation.cn 。我们的平台面向的用户企业和个人。本平台旨在为企业创新提供指导，贯穿大数据爬取、创意引导、解决方案推荐、众智众创的创新过程。平台包括需求挖掘和行为模式分析系统、大数据驱动的模式创新智能推荐系统、大数据跨界融合公共支撑系统和大数据驱动的社会化众智众创互动反馈评价系统。并且系统的具体系统界面如图8所示。我们的系统已经有一些活跃用户，包括企业用户和个人用户。实践证明，企业用户从系统中获得了具有价值的创意和评价，个人用户也凭创新参与获得了收益。

4 大数据驱动的创新方法论和创新服务平台示范案例

大数据驱动的创新方法论和创新服务平台为创新提供了思维、方法和工具支持，在工业制造、互联网产品研发等多个领域进行应用示范，取得良好效果。

4.1 板材下料自动拾取系统创新应用

与山东大国重器自动化有限公司密切合作，研究大数据创新方法在机械行业的创新应用，主要应用案例如下：

4.1.1 基于数据融合跨界系统获取领域数据

针对机械设备研发问题，使用数据融合跨界支撑系统从互联网上获取了机械领域专利和 科技数据 30 余万条，作为该案例的数据支撑，并邀请山东大学机械学院机械设计制造与自动化团队注册为众智众创反馈评价系统的会员。

4.1.2 基于大数据驱动的方案推荐系统匹配 TRIZ 原理

该问题属于创新方案研发问题，采用大数据驱动的方案推荐系统。系统中自动匹配的 TRIZ 发明原理为：2（分离原理），33（均质性原理），27（廉价替代品原理），18（机械振动原理）。其中推荐的相关科技数据如《一种内置式车用硬盘减震固定装置》、《一种柔性减震器结构》、《双向缓冲伸缩式拖车杆》等提出的使用柔性减震缓冲等方法对本创意问题具有一定指导作用。将其中相关描述加入记事本，继而加入问题解决描述中，发送至众智众创反馈评价系统进行方案征集。

4.1.3 基于众智众创评价系统选择最优方案

众智众创评价系统依据问题分类将问题精准推送给山东大学机械学院机械设计制造与自动化团队。对分离方法的考虑是众智众创评价系统上创客讨论较多的方面，有从材料特性本身讨论的，也有从分离方式讨论的，依据讨论和建议，得出采用条件分离，在需要考虑应力影响（如振动）时用柔性材料，而需要考虑安全考虑时，如移动时采用刚性材料。最终，采用了山东大学机械学院机械设计制造与自动化团队提出的方案——在铁链外套一个刚性管，这样使晃动限制在刚性管内，而且连接件与取料末端的柔性连接，也不会产生大的应力。

目前该方案已应用在板材下料自动拾取系统中，经实验及实际应用证明，效果良好，大大降低了设备损坏率，节约了生产成本。

系统经过一段时间的实际应用，我们对上述系统用户进行了调查，系统经过一段时间的实际应用，我们对上述系统用户进行了调查，用户可以在系统的辅助下很容易的使用TRIZ 理论来指导自己的创新，能更好的利用创新知识，大众创客的参与对创新方案的形成起到了积极的作用，缩短了创新方案形成的时间，提高了创新方案的质量。

4.2 证书打印机创新应用

山大鸥玛软件股份有限公司根据证书打印系统研发项目，研发证书打印机。

4.2.1 基于创新服务平台的创意描述与方案推荐

针对办公设备研发问题，使用数据融合跨界支撑系统从互联网上获取了相应领域产品 数据、评价数据和专利和科技数据80 余万条，为该案例提供数据支撑。

通过大数据驱动的创意引导系统中创新搜索引擎搜索证书打印机，得到爱普生、富士通等品牌证书打印机产品信息，同时用户评价相关词云图中包含卡纸、打印不清、噪音大、系统兼容等问题。根据创意引导系统提供的信息，进行创意描述，包括由于证书纸张厚度差异大，而且装订成册，需要多页打印，每页打印内容包括文字信息和彩色照片，市面上的打印机存在卡纸、打印不清、系统兼容等各种问题，无法满足证书打印的特殊需求等。将创意描述发布到众智众创反馈评价系统中对创意进行创新性、技术可行性、市场需求性等多个指标参数进行评估，共收到评估数据 537 条，通过创意评估模型得到此创意评估分数为 4.38 分，认为有必要研发配合证书打印系统的证书打印机。通过大数据驱动的方案推荐系统中对创意问题进行描述。证书打印时存在如下实际情况：（1）证书装订成册，需要平铺展开打印，纸张不平整度较大；（2）需要指定页打印制定内容，证书位置需要精确定位；（3）证书纸张厚度差异大。目前使用市场的打印机打印证书存在如下问题：（1）只能在平整的纸面上打印内容，而且纸张厚度差异不能太大。对于像这种厚度较大的证书会出现打印间隙过小甚至触碰证书表面情况，引起打印头污损纸张或甚至导致打印头或证书损坏；（2）由于证件需要左右展开打印，页面不平整，会导致打印油墨浓密不一，打印内容扭曲变形，使用传统滚轮入纸方式甚至无法顺利入纸打印。

系统自动匹配的 TRIZ 发明原理中的 13（逆向思维原理）描述中包含使物体的活动部分改变为固定的，让固定的部分变活动，比如：旋转部件而不是旋转工具、健身跑步机等等。此原理中对应的《一种打印装置的制作方法》、《打印机和导纸机构》、《轮胎用打印装置以及用于在轮胎表面进行打印的方法》等专利数据的启发，得出使固定的打印平台可以前后运动替代传统滚轮进纸方式，以解决进纸困难的问题；使打印平台可以上下运动以解决打印不同厚度纸张的问题。而系统匹配的 10（预先作用原理）给出的描述为：在另一事件发生前执行某种作用，结合其分类中推荐的《一种带有平纸装置的激光打印机》、《一种出纸稳定的印刷机》、《一种压纸机》等专利数据，得出采用压纸装置，对凹凸不平的证件表面提前压装，即保证纸张的平整度又实现证书位置的定位。

具体的技术实现方案实现采用有偿征集形式，由欧玛公司将创意问题描述发送至众智众创反馈评价系统。一些打印机生产厂家以及个体创客给出了许多解决方案，具有很强的参考性，同时针对一些具体问题提出了一些考虑，如对打印稳定性以及定位精度等问题的讨论等，认为还需要实验来具体确定。

最终，结合众智众创反馈评价系统中提出的方案和相关问题，欧玛技术团队进行了具体实验，最终确定的解决方案为：采用直线导轨+直线轴承实现滑动原理解决进纸困难问题，进纸取消常见滚轮进纸方式，采用平台平行进退纸结构。进纸和退纸极限位置设置限位传感器。经实验及实际应用证明，打印效果良好，节约了打印成本。

系统经过一段时间的实际应用，我们对上述系统用户进行了调查，用户可以在系统的辅助下很容易的使用TRIZ 理论来指导自己的创新，能更好地利用创新知识，大众创客的参与对创新方案的形成起到了积极的作用，缩短了创新方案形成的时间，提高了创新方案的质量。

5 结语

本文提出的大数据驱动的创新方法论和创新服务平台，以数据跨界融合为基础，社会化公众参与互动为核心，在创新过程中实现创意的智能引导和创新方案的智能推荐。此方法论和服务平台为创新提供了思维、方法和工具支持，通过对数据挖掘和众智科学的研究，智能地解决了创新面临的难题，推动创新向着智能化、大众化方向发展。

利益冲突声明

所有作者声明不存在利益冲突关系。