基于一维卷积神经网络客户需求分类模型

王莉静，戴远东，赵海盟，李雅婷

（天津城建大学 控制与机械工程学院，天津 300384）

随着现代工业的飞速发展，消费市场已由卖方转为买方市场，客户提出的需求越来越多样化[1].企业只有通过搜集客户需求，寻找其变化，并以客户需求为驱动力，才能快速定制出客户需要的产品，从而提高企业市场竞争力[2-3].随着企业收集客户需求数量的增多，根据客户需求进行产品定制运行的时间也就越长，易导致产品定制效率的降低，从而影响客户满意度.确定客户需求类别是产品设计的重要环节，也是产品定制设计的基础.因此，搜集客户需求信息，构建客户需求分类模型，对于缩短产品定制时间和提高客户满意度具有重要意义.

国内外学者在建立客户需求分类模型方面做了大量研究.Sharif 等[4]提出以客户为中心的产品定制方法，并采用粗糙集的聚类分析方法对客户需求类别进行划分.Hauge 等[5]建立了由ElasticSearch、Logstash 和Kiabana 组成的客户产品需求分类平台，即通过问题测试对客户需求进行分类.谢建中等[6]构建了从客户需求向资源映射的产品配置优化模型，并提出面向产品全生命周期管理的广义客户需求分类方法. 李汝鹏等[7]基于模糊相似理论的需求信息模糊聚类方法，对具有模糊性和多样性的原始客户需求信息进行精简分类处理.上述学者采用不同方法建立了客户需求分类模型，并从不同角度解决了产品定制设计中的客户需求分类问题.本文在对客户需求进行分类和量化处理的前提下，基于一维卷积神经网络建立了客户需求分类模型，并将其应用在施工升降机客户需求分类中.

1 客户需求处理

1.1 客户需求分类

客户需求是客户所表达的对产品有关结构、功能和外观等方面的需求信息[8].收集客户需求，建立客户需求规范矩阵：C={Ci|i=1，2，…，k}.其中，Ci为客户提出的第i 个需求.

日本学者狩野纪昭提出的KANO 模型将客户需求分为三类，即基本型需求、期望型需求和兴奋型需求[9].本文基于KANO 模型，根据客户购买力将客户需求C={Ci|i=1，2，…，k}分为I 类、II 类和III 类.其中：I 类为购买力较低客户提出的需求；II 类为购买力中等客户提出的需求；III 类为购买力较高客户提出的需求.而客户购买力与企业所在地区和企业规模相关，因此客户需求分类指标如表1 所示.

表1 客户需求分类指标

1.2 客户需求量化

通常，客户以语义型和数值型两种方式表达需求信息[10].由于客户不是专业人士，其表达的语义型信息常带有模糊性，如对于产品价格需求，客户通常表达为“一般”、“高些”、“低些”等模糊性的语义信息，没有明确的分界值，这对于后续的产品定制设计易造成混淆[11].因此，本文使用三角模糊数[12]将客户提出的具有模糊性的语义信息转化为数值，从而解决模糊性语义描述准确量化问题，即将客户需求量化处理，从而解决客户与设计者之间的矛盾.

建立三角模糊集Q = {q1，q2，…，qm，…，qt}. 其中：qm为第m 个语义信息；t 为个数，则其三角模糊数表示为.例如，客户表达的需求信息为“较好”，其所对应的信息范围为{差、中等、较好、好}，其三角模糊数为Q3=（0，0.5，0.75，1），则“较好”语义信息被量化为三角模糊数Q3的平均值0.75.若客户表达的是需求信息具有对立性，如“是”或“否”，“有”或“无”等，其量化结果为1 或0.若客户表达的是需求信息为三个或以上，且具有对立性，如施工升降机的传动方式（齿轮传动、混合式和钢丝绳式），其量化结果为0，1，2.

2 客户需求分类模型的建立

2.1 一维卷积神经网络基本结构的构建

一维卷积神经网络[13]（one-dimensional convolutional neural networks，简称1DCNN）是深度神经网络中的一种典型的有监督学习算法，主要用于序列类数据处理，即通过对输入数据进行逐层的卷积和池化，以实现准确地提取输入特征，从而保证数据分类的准确性，其基本结构如图1 所示.

（2）卷积层1：通过提取客户需求特征，得到对应的特征序列.设Hl为第l 层卷积层的特征序列，当l=1 时，H1=C′，则Hjl为第l 层卷积层的第j 个特征序列，其中激励函数f（·）为ReLU 函数.其产生过程为

式中：ωj(l)为第l 层第j 个特征序列所对应的卷积核，其为n×1 的矩阵，且步长为m；K 为第l-1 层的特征数，且为第l 层每个特征序列所对应的偏置.

（3）池化层：对卷积层1 输出特征序列Hjg-1进行约简，从而去除特征序列中的冗余特征.设Mjg为第g层池化层的第j 个特征序列，则每个输出特征序列对应一组乘性偏置βjg和加性偏置bjg.其产生过程为

式中：down（·）为最大池化函数，其中池化核为2 × 1的矩阵，且步长为2；若第g-1 层特征序列Hjg-1中的特征数为F，则经池化层约简后的Mjg所对应的特征数

（4）卷积层2：对池化层输出的特征序列Mjg做进一步特征提取，得到对应的特征序列Hjg+1.其产生过程见公式（1），所对应的特征数为

（5）全连接层：将输入的卷积层2 的特征序列Hjg+1压缩为多个独立特征.设全连接层第F1层的输出函数为TFi1=flatten（Hjg+1.），则全连接层第F2层的输出为

2.2 基于1DCNN 客户需求分类模型的建立

首先，获取企业历史客户需求信息，建立客户需求规范矩阵：C={Ci|i=1，2，…，k}，并根据表1 的客户需求分类指标表对其进行分类整理；其次，使用三角模糊数对客户需求语义信息进行量化处理，即为C′={Ci′|i=1，2，…，k}；然后，基于一维卷积神经网络，建立客户需求分类模型，如图2 所示，其步骤如下.

（1）整理I 类、II 类和III 类所对应的历史客户需求信息，将其分为训练样本和测试样本.

（2）训练样本通过一维卷积神经网络完成对历史客户需求信息的特征提取，然后通过Softmax 函数进行分类，通过交叉熵函数得到损失误差Loss.若满足训练要求则完成训练，得到1DCNN 客户需求分类模型；否则通过Adam 优化算法对网络参数进行逐级优化，然后再次训练直到Loss 达到训练要求.

图1 一维卷积神经网络基本结构

图2 基于1DCNN 客户需求的分类流程

（3）将测试样本输入训练好的1DCNN 分类模型中，输出客户需求分类结果.

3 实例验证

施工升降机[15]是建筑施工中普遍使用的一种工具，主要用于高层建筑、大桥、烟囱等多种施工场合对物料和人员的运输.

3.1 客户需求处理

收集某企业100 组客户需求信息，根据表1 对其进行分类，如表2 所示.采用本文2.1 节三角模糊法对客户需求进行量化处理，如表3 所示.

3.2 客户需求分类模型的建立

首先，从表3 中随机选取70%客户需求作为客户需求分类模型的训练样本，剩余30%作为测试样本.然后，根据图1 的基于一维卷积神经网络进行特征提取，其步骤如下.

（1）输入层：输入量化后的客户需求C′= {Ci′|i =1，2，…，k}，k=9.则H1=C，输入形状为9×1.

表2 客户需求规范

表3 客户需求量化

（2）卷积层1：根据输入数据特征，选取卷积核ωj(l)为3×1 的矩阵，步长m=1，特征数K=32，偏置aj2=1，（j=1，…，32）.根据公式（1）得到特征序列H2，其输出形状为7×1×32.

（3）池化层：选取乘性偏置βj3=1，加性偏置bj3=1，（j = 1，…，32）. 根据公式（2）得出约简后的特征序列M3，其输出形状为5×1×32.

（4）卷积层2：卷积核为3 × 1，步长为1，特征数K =64，偏置aj2=1，（j=1，…，32）.根据公式（1）得到特征序列H4，其输出形状为3×1×64.

（5）全连接层：对特征序列H4进行展开. 则全连接层F1的输出形状为192 个点.选取权重，偏置cF2j=1，（i=1，2，3；j=1，…，64）.根据公式（3）得出全连接层F2的输出形状为64 个点.

（6）输出层：根据公式（4）得出I 类、II 类、III 类客户需求分别对应的P（x）.设定损失值Loss 为0.01，然后采用Adam 优化算法减小Loss 损失值，直至小于或等于0.01 为止.

本文基于python 中的keras 库，如表4 所示参数，对表3 需求进行训练和测试，其分类准确率曲线和分类误差曲线如图3 所示. 本文随机抽取进行了10 次分类训练，其分类准确率在95%以上，如图4 所示.

表4 一维卷积神经网络基本结构参数

图3 一维卷积神经网络分类

图4 重复训练10 次的分类准确率结果

为进一步验证该模型的分类效果，本文将输入Softmax 函数的高维数据降为二维数据，并在平面图中显示，如图5 所示.图中数字0，1，2 分别对应表1 中的客户需求类别I 类、II 类和III 类.从图中可看出：同类客户需求聚合度较高，不同类客户需求有较明显的分离性，说明该模型分类结果较准确.

4 结 语

客户需求作为企业进行产品设计的主要驱动力，是产品定制设计的基础. 本文针对客户需求分类问题，提出了基于一维卷积神经网络的客户需求分类模型.通过收集企业的历史客户需求信息，建立了客户需求规范表.基于KANO 模型，根据客户对产品的购买力将历史客户需求分为I 类、II 类和III 类.基于一维卷积神经网络，随机抽取量化后的客户需求信息为训练样本和测试样本，设定损失误差Loss 为0.01，通过训练和测试，建立了客户需求分类模型.最后，通过施工升降机实例验证了该模型对客户需求分类的有效性.