基于感性工学和在线评论的汽车造型情感设计需求获取方法——以汽车前脸的设计为例

刘 超，王忠群

(安徽工程大学 经济与管理学院，安徽 芜湖 241000)

在当今感性消费时代，汽车外观造型是用户购买汽车决策的重要因素[1]。基于感性工学的感性需求设计已经成为汽车设计的研究热点。然而，研究中所使用的用户数据较多源于主观调查问卷，通过语义差异法获得各造型要素与感性情感词之间的关系[2]。其特点是，调查问卷规模以及被调查者对问卷回答的敷衍致使问卷结果欠缺可信度，使得企业难以及时、较全面地了解到客户的真实情感需求。当下互联网中海量在线商品评论含有大量对消费者、商家或者产品设计者具有重要价值的信息，包括用户关于产品特征好恶的正负向情感、最新需求和改进建议等，已经成为顾客购买或者厂家改善产品设计决策的重要依据[3-4]。因此，本研究立足于感性工学，通过对汽车前脸的造型研究，探讨了汽车造型设计人员如何将用户的感性需求引入到汽车造型设计当中，为实现以消费者感性需求为导向的汽车造型设计提供了技术支持，帮助企业的设计师和决策者设计出符合消费者感性需求的最优设计方案，以提高车企产品情感设计水平，减少产品市场投入风险，对提高市场竞争具有重要意义。

相较于产品特征，产品特征观点对[5]的语义粒度更大，能够更准确地表达用户对产品的情感语义。因此，本研究在感性工学的理论基础上，首先通过爬虫软件抓取汽车在线评论，从中提取出包含汽车的特征观点对，依据特征-情感词，利用模糊综合评价法确定评价指标权重，计算评语集的隶属度，以此构建汽车造型设计要素与感性情感词间的映射关系；然后，利用眼动追踪实验获取被试者观察汽车试验样本的热点图与轨迹图关注程度，得到被试者最关注的汽车造型特征，并提取出与用户最关注的汽车造型设计要素相对应的情感需求。最后，以汽车网站在线评论数量较多的3款汽车(宝马320i、凯迪拉克CT5以及凯美瑞)的前脸设计为例，进行眼动追踪实验，获取被试者观察试验样本时的总注视时间、平均注视次数和平均注视时间，结合汽车造型设计要素与感性情感词间的映射关系验证了本方法的可行性。

1 相关研究

目前，国内外对产品外形设计已有很多研究成果。杨洁等[6]运用客户对产品造型的感性意识为产品设计提供帮助，提出一种用户感性意识与产品造型设计的关联模型。韩煜东等[7]从在线形式特征要求的角度出发，提出嵌入多维尺度法和选择型联合分析法的在线方式下产品外形设计的客户感性认知模型。在挖掘用户情感方面，卢兆麟等[8]提出了一种基于眼动跟踪的汽车造型设计评价方法，相较于主观性较强的评价方法，此方法获取的用户评价更为客观。Chiu等[9]将评论中用户使用频次最高的情感词视为感性情感词，并利用李克特量表调查了用户对于不同产品要素组合的满意程度，最终预测了公路自行车形态设计的发展趋势。但上述研究缺少产品设计要素与情感词汇间自动建立关联性映射，对有效支持获取用户对产品设计情感需求尚存在改进空间。

产品造型设计不仅直观地反映出产品的性能与特点，也与用户的感性情感需求相联系。朱炜等[10]通过提取SUV品牌意象语义特征，以汽车侧面轮廓和前脸轮廓为对象，建立了品牌意象与设计因子之间的映射模型。苏建宁等[11]利用熵理论确定研究样本和目标意象，建立起多目标意象与产品的设计特征间的映射关系模型，并以水瓶造型意象熵评价为例验证模型的有效性。但在上述研究中，其映射关系的数据规模较小且较为主观，在真实反映大众用户的情感需求上存在一定不足。

而在线商品评论是用户关于商品购买和使用的反馈，为企业及时了解用户反馈提供潜能。因此，在国内外研究中，出现了许多以在线评论为数据源，利用计算机方法去挖掘消费者感性情感的研究。李少波等[12]以手机在线评论为数据源，提出词频与评估、强度、活动3个维度相结合的TF-EPA方法来提取感性词汇，并结合产品属性参数构建基于BP神经网络的非线性映射模型，用于模拟用户心理评估机制。Hsiao等[13]利用词性标注和n元统计语言模型抽取评论中的感性情感词和产品特征词，并通过问卷调查法和偏最小二乘法分析了两者之间的关系，以协助跨境物流服务的改进。贾丹萍等[14]以手机评论为数据源，利用word2vec模型和滑动窗口技术生成用户感性情感词典和产品特征词表，并以此提出特征-感性情感模型来捕获用户感性需求。通过对在线评论的情绪分析，He等[15]提出一个酒店顾客满意度的动态测量和评估框架。但是上述研究缺少从较大语义粒度层面提供用户最关注的产品设计要素与情感需求的联系。

因此，本文在感性工学基础上，利用用户在线评论作为数据源，抽取关于汽车造型的特征观点对，依据特征-情感词数据，利用模糊评价法建立汽车造型设计要素与感性情感词间的映射关系。在线评论中用户对产品的特征观点对不仅包含特征，而且涵盖顾客的情感观点，与基于细粒度特征相比较，更大粒度的语义所表达的用户情感需求更为准确，能够为情感设计提供更高价值的设计决策。研究框架如图1所示。

图1 研究框架

2 汽车造型设计要素与感性情感词映射关系构建

2.1 数据获取与预处理

研究搜集国内市场在售的60多款车型样本，对这些车型进行样本分类，并结合汽车在线网站的汽车评论热度，选定了3款具有代表性的汽车样本作为研究的案例对象,分别为宝马320i、凯迪拉克CT5以及凯美瑞，3款汽车样本前脸视图如图2所示。

图2 3款汽车样本前脸视图

研究使用爬虫软件八爪鱼在太平洋汽车网爬取3款车型2021年第一季度的在线评论，分别为5 684、4 576和3 987条，部分评论如表1所示。对抓取的评论使用哈尔滨工业大学语言处理平台(LTP)[16]进行清洗，过滤掉评论数据中的标签、表情符号、重复信息等，得到有效评论分别为3 012、2 894和2 985条。

表1 部分用户汽车在线评论内容

2.2 汽车设计造型的特征观点对提取

针对汽车在线评论，利用语言处理平台(LTP)对汽车在线评论进行句法依存分析，将分析结果以XML文件格式输出并保存。通过对分词、词性标注以及依存句法分析的结果文件解析，提取出产品的特征观点对。

对预处理后的评论数据进行分析，针对3款车型，得到汽车外观造型的特征观点对，如表2、3所示。

表2 汽车外观造型特征观点对的数目

2.3 构建汽车前脸造型设计要素与情感词映射关系

在汽车购买和使用过程中，不同用户对不同车型有着不一样的情感体验，在评论中以一系列感性情感词中表达出来。每一条在线评论可以近似看作一份用户调查问卷，较于事先设计的、固定主题的调查问卷，从在线评论中提取出的产品特征与感性情感观点更具有准确性与客观性。从处理后的在线评论中收集其中的感性情感词，共得到71个汽车外观造型领域的用户感性情感词，根据这些感性情感词数量进行二次萃取，得到用户关注度最高的8个感性情感词：前卫的、个性的、锋锐的、硬朗的、大气的、运动的、安全的、稳重的。

表3 关键造型特征观点对示例

为了更简练地说明问题，以宝马320i、凯迪拉克CT5以及凯美瑞3款车型的前脸设计情感需求为例，仅仅对汽车前脸造型特征观点对进行筛选，舍去不包含感性情感词汇的特征观点对，得到用户在评论中较多关注的汽车前脸特征是大灯、引擎罩、水箱罩、雾灯和下进气格栅(如图3所示)，以及上述3款车型前脸造型设计要素的感性情感词数量(如表4所示，表4中以A代表宝马320i，B代表凯迪拉克CT5，C代表凯美瑞)。

图3 汽车前脸造型特征

表4 汽车前脸造型设计要素的感性情感词数量及权重

在产品在线评论中，存在大量以特征观点对的形式存在的用户对汽车前脸造型的感性情感认知，以此构建出汽车前脸造型设计要素与感性情感词间的映射关系。由于在线评论中每个特征词对应的感性情感词较多，因此直接构建特征词与用户感性情感间的映射关系较为繁琐与模糊。采用ABC模糊评价法，根据汽车前脸造型特征观点对的数量，确定各汽车前脸造型特征对应的用户情感需求隶属度，进而建立特征词与用户情感需求的映射关系。步骤如下：

步骤 1:从预处理后的在线评论中找出用户关注较多的汽车前脸造型特征，统计出不同汽车前脸造型特征的相关感性情感词及其数量。

步骤 2:将同一汽车前脸造型特征作为特征评价指标集合U={U1，U2，U3，U4，U5}，其中U1={“A大灯”，“B大灯”，“C大灯”}，U2={“A引擎罩”，“B引擎罩”，“C引擎罩”}，U3={“A水箱罩”，“B水箱罩”，“C水箱罩”}，U4={“A雾灯”，“B雾灯”，“C雾灯”}，U5={“A下进气格栅”，“B下进气格栅”，“C下进气格栅”}，感性情感词作为评语集V={“前卫的”，“个性的”，“锋锐的”，“硬朗的”，“大气的”，“运动的”，“安全的”，“稳重的”}。

步骤 3:将表4中的感性情感词数量数据归一化后得到模糊关系矩阵R，再运用模糊评价法确定评价指标权重D，计算出权重进行决策评价，评价指标权重计算结果如表4所示。

步骤 4：利用主因素突出型M(∧，∨)算子[17]将评价指标权重D与模糊关系矩阵R合成可以得到不同汽车前脸造型特征关于评语集V中元素的隶属度E，E=D×R，其中，ej表示被评级对象从整体上看对评价等级模糊子集元素Vj的隶属程度，如式(1)所示。由最大隶属度构成造型设计要素与情感词的映射关系。

(1)

根据最大隶属度法则(若模糊综合评价结果矢量中，被评价对象对应的某个感性情感词隶属度最大，则被评价对象总体上来讲隶属于第r个感性情感词)得到关于汽车前脸造型特征用户最关注的感性情感词，隶属度计算结果如表5所示。下面以A大灯为例，给出表5的具体计算过程。

针对特征评价指标集合U1={“A大灯”，“B大灯”，“C大灯”}与评语集合V={“前卫的”，“个性的”，“锋锐的”，“硬朗的”，“大气的”，“运动的”，“安全的”，“稳重的”}进行模糊综合评价，由大灯评价指标权重向量D大灯={0.346 7，0.322 2，0.331 1}，构建出3×8的权重判断矩阵R大灯：

运用主因素突出型M(∧,∨)算子进行计算，综合评判结构如式(2)所示：

E大灯=D大灯×R大灯=(0.3，0.19，0.11，0.15，0.27，0.2，0.1，0.07)，

(2)

得到8个评语集(表5中第1行)元素的隶属度(表5中第2行大灯隶属度)。在8个评语集元素中“前卫的”隶属度最高，为0.3，所以依据最大隶属度法则可得到大灯要素最终综合评价的结果为“前卫的”。

表5 汽车前脸造型要素的评语集元素隶属度

同理，针对U2={“A引擎罩”，“B引擎罩”，“C引擎罩”}，最大隶属度为0.3，可得出引擎罩要素最终综合评价的结果为“硬朗的”；针对U3={“A水箱罩”，“B水箱罩”，“C水箱罩”}，最大隶属度为0.34，可得出水箱罩要素最终综合评价的结果为“锋锐的”；针对U4={“A雾灯”，“B雾灯”，“C雾灯”}，最大隶属度为0.29，可得出雾灯要素最终综合评价的结果为“个性的”；针对U5={“A下进气格栅”，“B下进气格栅”，“C下进气格栅”}，最大隶属度为0.28，可得出下进气格栅最终综合评价的结果为“个性的”。

3 眼动追踪实验

3.1 实验目的与原理

眼动实验是感性工学研究常用的一种实验方法，通过分析记录人的眼动数据，探究眼动与人的心理活动之间的关系，形成对消费者消费心理的把握。利用眼动设备记录被试者观察试验样本图片时的眼动数据，并利用实验得到的热点图与视线轨迹图找出被试者关注点最多的汽车造型设计要素，利用划分兴趣区(AOI)的方式，分析被试者对于不同造型区域的关注程度，采集AOI区域的总注视时间、平均注视次数和平均注视时间，对3款车型的同一设计特征进行比较筛选，得出用户最关注的汽车造型设计要素。再借助汽车造型设计要素与情感词映射关系获取用户对情感的设计需求。研究以宝马320i、凯迪拉克CT5以及凯美瑞这3款车型的前脸造型作为眼动追踪实验的材料。

3.2 测试指标

研究所使用的眼动测试指标有热点图、视线轨迹图、总注视时间、平均注视次数和平均注视时间。热点图是通过使用不同的标志将图上的区域按照受关注程度的不同，加以标注并呈现的一种分析手段，一般采用颜色的深浅进行标注。视线轨迹图是人眼的观察活动随外界刺激的特点而发生的变化，这些变化通过眼动的特点揭示出来。研究首先根据热点图与轨迹图找出被试者主要关注的造型特征来进行AOI区域划分。总注视时间是指被试者在试验期间对指定区域的整体观察时间。平均注视次数为被试者在整个观察过程中进入某区域的总次数的平均值，数值与该区域的吸引力成正比关系。平均注视时间为总注视时间/被试者数量，表示被试者观察该区域的平均用时。

3.3 实验器材及步骤

实验器材：瑞士Tobii pro X3桌面式眼动设备。实验步骤如下：

步骤1：邀请被试者熟悉试验环境，学习试验要求和注意事项；对每位被试者进行眼动校准，并让其保持稳定(防止校准失败)，准备材料进行试验。

步骤2：将3张汽车样本前脸图片以全屏模式在计算机屏幕上显示，让20位被试者对样本图片进行观察，图片呈现时间为15 s，间隔为3 s，通过试验获取每位被试者的热点图、轨迹图，根据热点图与轨迹图的重点显示区域，找出汽车前脸造型的AOI划分区域。

步骤3：将划分好AOI区域的3张汽车样本前脸图片以全屏模式在计算机屏幕上显示，再次让步骤2中的20位被试者对样本图片进行观察，图片呈现时间为15 s，间隔为3 s，通过试验获取每位被试者的总注视时间、平均注视次数和平均注视时间等。

步骤4：进行眼动数据的处理与分析。

3.4 眼动数据结果分析

根据眼动实验步骤2，通过对20位被试者的眼动数据进行分析，得到关于上述3款汽车前脸造型样本的眼动热点图与轨迹图如图4所示。从图4中可以看出，被试者最关注的汽车前脸设计要素是大灯、水箱罩、引擎罩和雾灯。

图4 汽车前脸造型热点图与轨迹图

根据步骤2所得到的结果，通过步骤3将大灯、水箱罩、引擎罩和雾灯作为关键特征划分兴趣区，将3款车型的大灯区域划分为AOI-1，水箱罩区域划分为AOI-2，引擎罩区域划分为AOI-3，雾灯区域划分为AOI-4。同表4，以A代表宝马320i，以B代表凯迪拉克CT5，C代表凯美瑞，统计数据如表6所示。从表6可以看出，各个AOI按照平均注视时间由高到低依次排列为：大灯区域：宝马320i>凯美瑞>凯迪拉克CT5；水箱罩区域：凯迪拉克CT5>宝马320i>凯美瑞；引擎罩区域：凯迪拉克CT5>宝马320i>凯美瑞；雾灯区域：凯美瑞>宝马320i>凯迪拉克CT5。

实验结果显示，针对不同款的汽车前脸设计要素，用户更加倾向于宝马320i设计的大灯、凯迪拉克CT5设计的水箱罩与引擎罩、凯美瑞设计的雾灯。再依据表5中汽车前脸造型设计要素与情感词映射关系，分析可知：①针对宝马320i的大灯特征，隶属度最大的特征观点对是<大灯，前卫的>，数值为0.3，故其设计要素的情感需求为“前卫的”;②针对凯迪拉克CT5的引擎罩特征，隶属度最大的特征观点对是<引擎罩，硬朗的>，数值为0.3，故其设计要素的情感需求为“硬朗的”;③针对凯迪拉克CT5的水箱罩特征，隶属度最大的特征观点对是<水箱罩，锋锐的>，数值为0.34，故其设计要素的情感需求为“锋锐的”;④针对凯美瑞的雾灯特征，隶属度最大的特征观点对是<雾灯，个性的>，数值为0.29，故其设计要素的情感需求为“个性的”。

因此，结合从在线评论数据中获取的汽车造型设计要素与感性情感词映射关系(见表6)，可以获取到用户最关注的对汽车前脸造型设计的情感需求：前卫的大灯(源自宝马320i)、硬朗的引擎罩(源自凯迪拉克CT5)、锋锐的水箱罩(源自凯迪拉克CT5)和个性的雾灯(源自凯美瑞)。

表6 汽车前脸造型AOI注视数据

4 结论

本研究基于感性工学与在线评论，提出一种汽车造型情感设计需求获取方法。以互联网中汽车在线评论为数据源，利用依存句法分析提取评论中的产品特征与用户情感观点，并使用模糊评价法构建汽车造型设计要素与情感词映射关系；在此基础上，选择3款有代表性的汽车的前脸设计作为研究案例，以划分兴趣区的方式进行眼动追踪实验获取被试者观察试验样本时的热点图、轨迹图、总注视时间、平均注视次数和平均注视时间展开定量研究，找出用户最关注的设计要素，再依据设计要素与情感词映射关系，获取用户对汽车设计要素的情感需求。研究抓取了3款汽车前脸设计的评论给予了本方法的有效性验证。本研究不足之处在于数据集规模和时间窗口偏小以及特征观点对提取方法的局限，下一步将扩大数据集和改进特征观点对的提取方法以进一步对研究方法进行验证。