CN106779858A - 一种基于多维感性信息语义层次关联的产品分析方法 - Google Patents

Abstract

本发明公开了基于多维感性信息语义层次关联的产品分析方法，首先对感性需求语义词汇进行提取，确立需求排序，选择排序靠前的需求作为产品语义空间中的语义轴确定多组三维语义空间，计算用户对产品感性信息集综合作用到产品方案，确定该方案在用户需求语义空间中的位置，同时构建多维感性需求模型，标定产品方案的感性需求的位置，选择排序最前的需求作为首要需求，将首要需求分层次后定位，确定核心用户所在区域，选择首要需求中对应的方案作为做出最终产品设计决策。该方法直观地表达用户对产品的多属性动态的综合感知需求，用于产品方案的分析与决策，并通过多维感性需求与用户的个性化特征关联，为后期基于语义检索的产品个性化设计奠定基础。

Description

一种基于多维感性信息语义层次关联的产品分析方法

技术领域

本发明属于产品分析技术领域，具体涉及一种基于多维感性信息语义层次关联的产品分析方法。

背景技术

面向用户偏好的个性化产品(包括工业产品，金融产品等等)设计也成为企业吸引消费者购买的关键。一些学者建立用户情感需求模型，来实现设计早期阶段融入用户需求，如感性工学将用户的感知信息通过数学量化处理来与产品的造型属性结合。但是用户对产品感知评价，并用语言描述对同一产品的感性需求除了模糊性和不确定性外，还呈现出“多维度、多层次、动态性”的特征。所以，单靠一种或者两种感性词汇表达是不能涵盖用户群体对产品的本质需求，而且如果忽略了这些需求之间的关联特性和动态发展特性，更是很难准确实施用户群体动态的感性需求信息与产品设计的综合转化。此外，在互联网上检索产品时，如何让用户快速检索到与自己的个性特征相关的产品，提高检索效率也急需解决。

发明内容

本发明的目的在于提供一种基于多维感性信息语义层次关联的产品分析方法，能够直观地表达用户对产品的多属性动态的综合感知需求，用于产品方案的分析与决策，并通过多维感性需求与用户的个性化特征关联，提高网上检索效率，为后期基于语义检索的产品个性化设计奠定基础。

本发明所采用的技术方案是，一种基于多维感性信息语义层次关联的产品分析方法，具体按照以下步骤实施：

步骤1，利用调研、统计的方法对众多的感性需求语义词汇进行提取，初步提取用户选择频数f≥x％的感性词汇建立用户对产品的感性需求信息方案集Y＝{Y₁,Y₂,…,Y_n}，x为产品设计开发人员指定数值，如指定x＝70，即选择频数f≥70％的感性词汇建立用户对产品的感性信息方案集；

步骤2，利用动态直觉模糊多属性决策确立“需求Y_i，i＝1,2,…,n”的排序；

步骤3，选择排序靠前的j个感性需求作为产品语义空间中的语义轴MR_j，当j＝1时，为线性语义轴，语义轴为MR₁，构成一维感性需求图；当j＝2时，语义轴MR₂、MR₁构成二维感性需求图，j＝3时，语义轴MR₃、MR₂及MR₁形成三维语义空间，当j≥4时，以C_n ³的组合方式确定多组三维语义空间；

步骤4，利用直觉模糊集的关联测度计算用户对产品感性信息集综合作用到产品方案P_i后与步骤3中需求语义轴的关联层次，确定该产品方案P_i在用户需求“情感”语义空间中的位置；

步骤5，构建面向用户特征的多维感性需求模型，通过调查、统计的形式提取用户U_i,(i＝1,2,…,n)的典型特征，并用两对互补的形容词组表达该典型特征，构成“用户群典型特征”语义空间；

步骤6，通过产品感知评价实验，利用直觉模糊集的关联测度计算用户对产品方案P_i的j个感性需求形成的多维感性需求与用户U_i,(i＝1,2,…,n)的典型特征的关联性，并标定其在步骤5构建的“用户群典型特征”语义空间中的位置；

步骤7，根据步骤2对产品的多维感性需求Y_i的排序，从中选择排序最前的用户感性需求作为选用产品着重考虑的首要需求FR；

步骤8，将首要需求FR划分为n个层次，并将经步骤6标定后的产品方案P_i按照首要需求FR的层次在相应“用户群典型特征”语义空间内进行定位；

步骤9，将用户U_i,(i＝1,2,…,n)进行细分，确定出核心用户，选择核心用户位于经步骤8排好的产品方案P_i在“用户群典型特征”语义空间中的区域，从中选择首要需求FR层次中的第n层所对应的产品方案P_i，作为做出最终产品设计决策，从而得出满足核心用户感性需求的产品方案为最终选择的设计方案。

本发明的特点还在于，

具体算法实施步骤为：

步骤1，设用户对产品的感性信息方案集Y＝{Y₁,Y₂,…,Y_n}；

G＝{G₁,G₂,…,G_m}为产品的属性集，各属性权重向量为w＝(w₁,w₂,…,w_m)^T，其中，

设t_k(k＝1,2,…,p)为时间参数，获取用户需求时的p个不同的时段，每个时段因对产品动态需求预测或决策的影响大小赋权重向量：

构建t_k时段的直觉模糊决策矩阵D(t_k)＝(d_ij(t_k))_n×m，其中为用模糊矩阵表达的产品属性值，表示t_k时段方案Y_i满足产品属性G_j的程度，表示t_k时段方案Y_i不满足产品属性G_j的程度，且表示方案Y_i对属性G_j的不确定性程度，则

步骤2，将步骤1得到的直觉模糊决策矩阵D(t_k)通过DIFWA算子集成为综合的直觉模糊决策矩阵：

步骤3，定义直觉模糊正理想点和负理想点分别为：

和

其中为m个最大的直觉模糊数，为m个最小的直觉模糊数，方案集Y_i＝(d_i1,d_i2,…,d_im)^T(i＝1,2,…,n)

步骤4，分别计算方案Y_i的直觉模糊正理想点与直觉模糊负理想点之间的距离：

其中d_ij＝(μ_ij,v_ij,π_ij)(i＝1,2,…,n；j＝1,2,…,m)；

步骤5.计算每个方案的贴近系数：

根据式(3)(4)，

步骤6，判断贴近系数大小对所有方案Y_i(i＝1,2,…,n)进行排序择优，c(Y_i)越大，则表明方案Y_i越为用户所偏好的感知；

步骤7，把步骤6排序靠前的语义词汇作为用户对产品的优先的、重要的感性需求信息提取出来作为多维感性需求语义空间中的语义轴MR_i；

步骤8，根据每个方案的贴近系数构建方案Y_i的用户特征关联权重(Y_i,ω_i)。

设X＝{x₁,x₂,…,x_n}为一个有限集合，直觉模糊集为和则直觉模糊集A₁,A₂的关联系数为：

其中

其中μ为隶属度，v为非隶属度；

计算直觉模糊集A₁,A₂的关联系数时，如果考虑到产品元素x_i∈X的权重问题，公式(7)可推广为

其中ω＝(ω₁,ω₂,…,ω_n)^T为x_i(i＝1,2,…,n)的权重向量，ω_i≥0(1,2,…,n)，且

当ω＝(1/n,1/n,…,1/n)^T时，则为公式(7)；

步骤9，将步骤8计算得到所有方案Y_i与用户特征的关联系数的平均值作为产品方案对应的目标用户群典型特征语义空间相对原点，得到所有方案Y_i的综合感知所在的目标用户群典型特征语义空间位置；

步骤10，将步骤6中，感性需求排序最前的用户感性需求作为选用产品着重考虑的“首要需求FR(First Request)”；

步骤11，将首要需求FR划分为n个层次。

本发明的有益效果在于：利用语义关联层次分析构建多维感性需求模型的方法，通过用户群体对产品的感知评价实验，获得多维感性需求信息，通过模糊算法对这些产品根据用户的感性需求进行语义关联分析，实现面向用户群体多维感知需求的产品聚类。利用用户感性需求的层次分析，确立用户群体的首要需求分层，通过关联分析确立不同用户典型特征下所对应产品特征，构建“面向用户群体特征的、且基于首要需求层次关联的产品设计决策模型”，该模型能够描述用户对产品感知评价的n维感性需求信息综合映射到方案中，并确立该方案在用户群典型特征语义空间中的位置。能够直观地表达用户对产品的多属性动态的综合感知，让用户快速检索到与自己的个性特征相关的产品，提高检索效率，并为后期基于语义检索的产品个性化设计奠定基础。

附图说明

图1是二维感性需求语义关联模型示意图；

图2是三维感性需求语义关联表达模型示意图；

图3是产品方案在二维感性需求语义空间中的位置示意图；

图4是产品方案在三维感性需求语义空间中的位置示意图；

图5是用户群典型特征语义空间示意图；

图6是面向用户典型特征的产品多维感性需求模型示意图；

图7是基于首需求层次关联的产品设计决策模型示意图；

图8是目标用户细分示意图；

图9是核心用户群典型特征选取示意图；

图10是面向核心用户首要需求层次的决策模型示意图；

图11是实施例1中研究对象方案集示意图；

图12是实施例1的产品方案的综合感知所在的目标用户群典型特征语义空间位置示意图；

图13是实施例1的多维情感设计决策示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供一种基于多维感性信息语义层次关联的产品分析方法，实施步骤如下：

步骤1，对众多的感性需求语义词汇中，利用调研、统计的方法，初步提取用户选择频数f≥x％的感性词汇建立用户对产品的感性需求信息方案集Y＝{Y₁,Y₂,…,Y_n}，x为产品设计开发人员指定数值，如指定x＝70，即选择频数f≥70％的感性词汇建立用户对产品的感性信息方案集；

步骤2，利用动态直觉模糊多属性决策确立“需求Y_i，i＝1,2,…,n”的排序；

步骤3，选择方案集中，排序靠前的感性需求作为产品语义空间中的语义轴MR_j，当j＝1时，为线性语义轴，可用来定义或者量化一维感性需求。当j＝2时，语义轴MR₂与轴MR₁构成二维直观的感性需求图，如图1所示，是目前常用的产品感性分析工具。j＝3时，语义轴MR₃与MR₂、MR₁形成三维语义空间，如图2所示，将两对语义MR₃与MR₂轴垂直相交，焦点和MR₁主轴垂直，构成“三维感性需求语义关联表达模型”；

当j≥4时，可以通过多个三维语义空间代表用户对产品的感性需求具有不同的偏好倾向。参照不同的需求语义，可以实现产品多样化、系列化设计，即产生C_n ³个语义空间以满足用户群的差异化需求。

步骤4，利用直觉模糊集的关联测度计算用户对产品感性信息集综合反应到产品方案P_i及其与需求语义轴的关联层次，确定产品方案在用户感性需求语义空间中的位置，如图3、图4所示，分别为产品在二维、三维感性需求语义空间中的位置。通过以上4个步骤，解决了用户群体对产品多属性的感性需求之间，通过语义层次关联进行聚类的问题。

步骤5，面向用户特征的多维感性需求模型构建。首先通过调查、统计的形式提取用户U_i,(i＝1,2,…,n)的典型特征，并用两对互补的形容词组(i＝1，2)，构成用户群典型特征语义空间，如图5所示。

步骤6，通过产品感知评价实验，利用直觉模糊集的关联测度计算用户对产品方案P_i的n维感性需求的“综合感知”与用户群典型特征的关联性，并标定其在用户群典型特征语义空间中的位置，如图6所示的“面向用户典型特征的产品多维感性需求模型”，该模型将用户群对产品多维的感性信息映射到产品方案当中；

步骤7，将步骤2中，利用动态直觉模糊多属性决策确立的用户对产品的感性需求排序中，选择排序最前的用户感性需求作为选用产品着重考虑的“首要需求FR(FirstRequest)”；

步骤8，将首要需求FR划分为n个层次。如当n＝3时，可将首要需求划分为“高、中、低”三个区间层次；当n＝5时，可将首要需求划分为“高、较高、中、较低、低”五个区间层次。为了提高“基于首要需求层次关联的产品设计决策模型”的实用性，将三维的感性需求模型用一种直观的二维形式表达用户对产品的多维需求。例如选择首要层次n＝3，将首要层次分为高中低三层，这样就将图6转化为如图7所示的“基于首需求层次关联的产品设计决策模型”，这是一种比较直观的、实用的表达方式。

步骤9，确立面向核心用户首要需求层次的设计决策。将用户群U_i划分为核心用户群、次级核心用户群和非核心用户群，通过调查统计，选择两对互补的形容词组构成用户典型特征语义空间。首先选择核心用户群体的主要特征及其所在的用户典型特征语义空间中区域，如图8所示。在核心用户群的确定的基础上，结合首要需求层次的划分，选择首要层次中的“第n层”来做出最终产品设计决策。例如首要需求层次n＝3，分为高中低三层，选择最终方案以“中、高”层次为主，假设产品核心用户群位于“用户群典型特征语义空间”中的右下方，那么图7和图9叠加，得出如图10所示的线框区域内的产品方案为最终选择的设计方案决策。

具体算法实施步骤为：

步骤1，设用户对产品的感性信息方案集Y＝{Y₁,Y₂,…,Y_n}；

G＝{G₁,G₂,…,G_m}为产品的属性集，各属性权重向量为w＝(w₁,w₂,…,w_m)^T，其中，

设t_k(k＝1,2,…,p)为时间参数，获取用户需求时的p个不同的时段，每个时段因对产品动态需求预测或决策的影响大小赋权重向量：

构建t_k时段的直觉模糊决策矩阵D(t_k)＝(d_ij(t_k))_n×m，其中为用模糊矩阵表达的产品属性值，表示t_k时段方案Y_i满足产品属性G_j的程度，表示t_k时段方案Y_i不满足产品属性G_j的程度，且表示方案Y_i对属性G_j的不确定性程度，则

步骤2，将步骤1得到的直觉模糊决策矩阵D(t_k)通过DIFWA算子集成为综合的直觉模糊决策矩阵：

步骤3，定义直觉模糊正理想点和负理想点分别为：

和

其中为m个最大的直觉模糊数，为m个最小的直觉模糊数，方案集Y_i＝(d_i1,d_i2,…,d_im)^T(i＝1,2,…,n)；

步骤4，分别计算方案Y_i的直觉模糊正理想点与直觉模糊负理想点之间的距离：

其中d_ij＝(μ_ij,v_ij,π_ij)(i＝1,2,…,n；j＝1,2,…,m)

步骤5，计算每个方案的贴近系数：

根据式(3)(4)，

步骤6，判断贴近系数大小对所有方案Y_i(i＝1,2,…,n)进行排序择优，c(Y_i)越大，则表明方案Y_i越为用户所偏好的感知；

步骤7，把步骤6排序靠前的语义词汇作为用户对产品的优先的、重要的感性需求信息提取出来作为多维感性需求语义空间中的语义轴MR_i；

步骤8，根据每个方案的贴近系数构建方案Y_i的用户特征关联权重(Y_i,ω_i)。

设X＝{x₁,x₂,…,x_n}为一个有限集合，直觉模糊集为和则直觉模糊集A₁,A₂的关联系数为：

其中

其中μ为隶属度，v为非隶属度；

计算直觉模糊集A₁,A₂的关联系数时，如果考虑到产品元素x_i∈X的权重问题，公式(7)可推广为

其中ω＝(ω₁,ω₂,…,ω_n)^T为x_i(i＝1,2,…,n)的权重向量，ω_i≥0(1,2,…,n)，且

当ω＝(1/n,1/n,…,1/n)^T时，则为公式(7)。

步骤9，将步骤8计算得到所有方案Y_i与用户特征的关联系数的平均值作为产品方案对应的目标用户群典型特征语义空间相对原点，得到所有方案Y_i的综合感知所在的目标用户群典型特征语义空间位置；

步骤10，将步骤6中，感性需求排序最前的用户感性需求作为选用产品着重考虑的“首要需求FR(First Request)”；

步骤11，将首要需求FR划分为n个层次。

实施例1

以用户对图11所示的“立式骑乘电动车”、“一种靠人体自平衡削减车体惯性力的电动车”、“坐立两用个人电动车”三款产品的功能及产品造型的风格感知等综合需求研究为例(从左到右，从上到下依次为Y₁,i＝1,2,…10)，确立目标用户倾向的产品设计特征，为产品后期设计优化提供必要的数据支持和个性化设计决策依据。

首先，通过调研并统计后，确定该产品以12到45岁的人群围目标消费群体，其中，以25岁到35岁的人群为核心人群，12岁到24岁以及36岁以上为次级目标人群。根据统计结果将这些用户人群的特征用“成熟——年轻，高调——低调”表示，在众多的感性需求词汇中，统计分析获得他们对产品的感性需求信息为：(1)Y1——价值；(2)Y2——流行；(3)Y3——新颖；(4)Y4——舒适；(5)Y5——动感；(6)Y6——性别；(7)Y7——雅致。考虑调研统计结果中用户对产品评价属性：(1)形态G1；(2)色彩G2；(3)功能G3这三个指标综合感知的情况下，对Y_i(i＝1,2,…,7)进行评估。为了获得较准确的产品设计决策，产品在历时一年的开发过程中，设计前经过市场调研统计了用户对产品的感性需求，设计后对一线销售人员进行了需求统计感性需求，以及在最终方案确定后，对设计师进行调查统计，构造直觉模糊决策矩阵D(t₁)、D(t₂)、D(t₃)，如表1-3所示：

表1

表2

表3

时间最近的需求对整体决策影响较大，所以，三次需求获取时间段t_k(k＝1,2,3)的权重向量为ω(t)＝(1/6,2/6,3/6)^T。根据统计中一线销售人员评价团队意见设属性G₁、G₂、G₃的权重向量为w＝(0.3,0.4,0.3)^T。

利用DIFWA算子(2)式，把直觉模糊决策矩阵D(t₁)、D(t₂)、D(t₃)集成为综合的直觉模糊决策矩阵，如表4所示：

表4

将直觉模糊理想点Y⁺、负理想点Y^-、语义集Y_i，(i＝1,2,3,4,5,6,7)分别表示为：

Y⁺＝((1,0,0),(1,0,0),(1,0,0))^T，Y^-＝((0,1,0),(0,1,0),(0,1,0))^T

Y₁＝((0.720,0.100,0.180),(0.889,0.000,0.111),(0.685,0.159,0.156))T

Y₂＝((0.619,0.229,0.152),(0.859,0.100,0.141),(0.536,0.347,0.117))T

Y₃＝((0.755,0.000,0.245),(0.637,0.159,0.204),(0.453,0.245,0.302))T

Y₄＝((0.409,0.262,0.329),(0.685,0.141,0.174),(0.698,0.200,0.102))T

Y₅＝((0.588,0.191,0.221),(0.654,0.195,0.151),(0.385,0.347,0.268))T

Y₆＝((0.594,0.245,0.161),(0.841,0.141,0.018),(0.435,0.363,0.202))T

Y₇＝((0.700,0.141,0.159),(0.859,0.126,0.015),(0.612,0.252,0.136))T

利用公式(6)计算每个感性信息的贴近系数：

c(Y₁)＝0.805,c(Y₂)＝0.692，c(Y₃)＝0.693，c(Y₄)＝0.660，c(Y₅)＝0.630，c(Y₆)＝0.682，c(Y₇)＝0.760

根据贴近系数对方案进行排序得到：

Y₁＞Y₇＞Y₃＞Y₂＞Y₆＞Y₄＞Y₅

从而得到用户综合感知评价所偏向的感性需求信息顺序为：

Y₁——价值，Y₇——雅致，Y₃——新颖，Y₂——流行，Y₆——性别，Y₄——舒适，Y₅——动感。

将用户人群的特点定义为用户归属集{成熟——年轻，高调——低调}，每对词中，分值高的，则偏向成熟或者高调，分值低的则偏向年轻和低调。用户需求特征集{价值，雅致，新颖，流行，性别，舒适，动感}。通过用户进行调研，得出他们对上述感性信息与归属集判定数据。这些描述用户感性需求的数据的准确性伴随用户采集量的增加而增加。

表5给出了归属集于感性需求信息的感知关联数据：每一感性需求信息用参数对(μ,v)描述，即隶属度μ和非隶属度v。产品方案的集合为Y＝{Y₁,Y₂,…,Y₁₀}，每个方案的感知特征列于表6。根据每个感性信息的贴近系数c(Y_i)，研究设定这些感性需求与用户特征的关联权重(Y_i,ω_i)分别为：(Y₁，0.3)，(Y₇，0.2)，(Y₃，0.1)，(Y₂，0.1)，(Y₆，0.1)，(Y₄，0.1)，(Y₅，0.1)。

表5

表6

利用关联侧度(7)式，和感性需求与用户特征的关联权重(Y_i,ω_i)，计算方案Y_i(i＝1,2,3,4,5,6,7,8,9,10)作出诊断，具体结果如表7所示。

表7

通过计算10个方案的“高调关联值”和“成熟关联值”的平均值为(0.780，0.797)作为产品方案对应的目标用户群典型特征(高调、成熟)语义空间相对原点，这样得到产品方案的{价值，雅致，新颖，流行，性别，舒适，动感}综合感知所在的目标用户群典型特征语义空间位置，如图12所示。

由于用户感知倾向的主需求为“价值”，所以选择“价值”为主需求层次，并设为主需求轴，以“价值高低感”构成产品感知意象的三维语义层次，在消费群典型特征语义空间“成熟——年轻，高调——低调”的基础上，将语义空间中对应的方案按照前期“价值感”相对地分为“高等、中等、低等”三个等级，形成“价值高低层次分析图”。

叠加“价值高低层次分析图”，重新排布语义空间中设计方案。以表6产品感知特征数据中价值隶属度μ的值来确定。μ＝[0.9，0.7]为高层次，μ＝[0.4，0.6]为中层次，μ＝[0.1，0.3]为低层次，按照上述方法完成“基于价值层次理性分析”的个人立式骑乘电动车“多维”情感设计决策，如图13所示。选择核心用户群倾向的几款车型，根据价值层次高低，选择“价值感”相对为中高层次的方案作为选定方案，用于后期设计优化。

Claims (4)

1.一种基于多维感性信息语义层次关联的产品分析方法，其特征在于，具体按照以下步骤实施：

步骤1，利用调研、统计的方法对众多的感性需求语义词汇进行提取，初步提取用户选择频数f≥x％的感性词汇建立用户对产品的感性需求信息方案集Y＝{Y₁,Y₂,…,Y_n}，x为产品设计开发人员指定数值；

步骤2，利用动态直觉模糊多属性决策确立“需求Y_i，i＝1,2,…,n”的排序；

步骤3，选择排序靠前的j个感性需求作为产品语义空间中的语义轴MR_j，当j＝1时，为线性语义轴，语义轴为MR₁，构成一维感性需求图；当j＝2时，语义轴MR₂、MR₁构成二维感性需求图，j＝3时，语义轴MR₃、MR₂及MR₁形成三维语义空间，当j≥4时，以C_n ³的组合方式确定多组三维语义空间；

步骤4，利用直觉模糊集的关联测度计算用户对产品感性信息集综合作用到产品方案P_i后与步骤3中需求语义轴的关联层次，确定该产品方案P_i在用户需求“情感”语义空间中的位置；

步骤5，构建面向用户特征的多维感性需求模型，通过调查、统计的形式提取用户U_i,(i＝1,2,…,n)的典型特征，并用两对互补的形容词组F_i,表达该典型特征，构成“用户群典型特征”语义空间；

步骤6，通过产品感知评价实验，利用直觉模糊集的关联测度计算用户对产品方案P_i的j个感性需求形成的多维感性需求与用户U_i,(i＝1,2,…,n)的典型特征的关联性，并标定其在步骤5构建的“用户群典型特征”语义空间中的位置；

步骤7，根据步骤2对产品的多维感性需求Y_i的排序，从中选择排序最前的用户感性需求作为选用产品着重考虑的首要需求FR；

步骤8，将首要需求FR划分为n个层次，并将经步骤6标定后的产品方案P_i按照首要需求FR的层次在相应“用户群典型特征”语义空间内进行定位；

步骤9，将用户U_i,(i＝1,2,…,n)进行细分，确定出核心用户，选择核心用户位于经步骤8排好的产品方案P_i在“用户群典型特征”语义空间中的区域，从中选择首要需求FR层次中的第n层所对应的产品方案P_i，作为做出最终产品设计决策，从而得出满足核心用户感性需求的产品方案为最终选择的设计方案。

2.根据权利要求1所述的基于多维感性信息语义层次关联的产品分析方法，其特征在于，步骤2中动态直觉模糊多属性决策的具体实施步骤为：

步骤1，设用户对产品的感性信息方案集Y＝{Y₁,Y₂,…,Y_n}；

G＝{G₁,G₂,…,G_m}为产品的属性集，各属性权重向量为w＝(w₁,w₂,…,w_m)^T，其中，

$w_j\≥0,(j=1,2,...,m),\underset{j=1}{\overset{m}{\Σ}}{w}_j=1;$

设t_k(k＝1,2,…,p)为时间参数，获取用户需求时的p个不同的时段，每个时段因对产品动态需求预测或决策的影响大小赋权重向量：

$\mathrm{\ω}\left(t\right)={\left(\mathrm{\ω}\right(t_1),\mathrm{\ω}(t_2),...,\mathrm{\ω}(t_p\left)\right)}^T,\mathrm{\ω}\left(t_k\right)\≥0,(k=1,2,...,P),\underset{k=1}{\overset{p}{\Σ}}\mathrm{\ω}\left(t_k\right)=1;$

构建t_k时段的直觉模糊决策矩阵D(t_k)＝(d_ij(t_k))_n×m，其中为用模糊矩阵表达的产品属性值，表示t_k时段方案Y_i满足产品属性G_j的程度，表示t_k时段方案Y_i不满足产品属性G_j的程度，且表示方案Y_i对属性G_j的不确定性程度，则

${\mathrm{\μ}}_{d_{ij}\left(t_k\right)}\∈\[0,1\],v_{d_{ij}\left(t_k\right)}\∈\[0,1\],{\mathrm{\μ}}_{d_{ij}\left(t_k\right)}+v_{d_{ij}\left(t_k\right)}\≤1,{\mathrm{\π}}_{d_{ij}\left(t_k\right)}=1-{\mathrm{\μ}}_{d_{ij}\left(t_k\right)}-v_{d_{ij}\left(t_k\right)}$

(i＝1,2,…,n；j＝1,2,…,m). (1)

步骤2，将步骤1得到的直觉模糊决策矩阵D(t_k)通过DIFWA算子集成为综合的直觉模糊决策矩阵：

$\begin{array}{c}{d}_{ij}={\mathrm{DIFWA}}_{\mathrm{\ω}\left(t\right)}\left(d_{ij}\left(t_1\right),d_{ij}\left(t_2\right),\mathrm{...},d_{ij}\left(t_p\right)\right)\\ =\left(1-\underset{k=1}{\overset{p}{\mathrm{\Π}}}{\left(1-{\mathrm{\μ}}_{d_{ij}\left(t_k\right)}\right)}^{\mathrm{\ω}\left(t_k\right)},\underset{k=1}{\overset{p}{\mathrm{\Π}}}{v}_{d_{ij}\left(t_k\right)}^{\mathrm{\ω}\left(t_k\right)},\underset{k=1}{\overset{p}{\mathrm{\Π}}}{\left(1-{\mathrm{\μ}}_{d_{ij}\left(t_k\right)}\right)}^{\mathrm{\ω}\left(t_k\right)}-\underset{k=1}{\overset{p}{\mathrm{\Π}}}{v}_{d_{ij}\left(t_k\right)}^{\mathrm{\ω}\left(t_k\right)}\right)\\ \left(i=1,2,\mathrm{...},n;j=1,2,\mathrm{...},m\right);\end{array}---\left(2\right)$

步骤3，定义直觉模糊正理想点和负理想点分别为：

和

其中为m个最大的直觉模糊数，为m个最小的直觉模糊数，方案集Y_i＝(d_i1,d_i2,…,d_im)^T(i＝1,2,…,n)

步骤4，分别计算方案Y_i的直觉模糊正理想点与直觉模糊负理想点之间的距离：

$d(Y_i,Y^{+})=\underset{j=1}{\overset{m}{\Σ}}{w}_{j}d(d_{ij},Y_j^{+})=\underset{j=1}{\overset{m}{\Σ}}{w}_j(1-{\mathrm{\μ}}_{ij})---\left(3\right)$

$d(Y_i,Y^{-})=\underset{j=1}{\overset{m}{\Σ}}{w}_{j}d(d_{ij},a_j^{-})=\underset{j=1}{\overset{m}{\Σ}}{w}_j(1-v_{ij})---\left(4\right)$

其中d_ij＝(μ_ij,v_ij,π_ij)(i＝1,2,…,n；j＝1,2,…,m)

步骤5.计算每个方案的贴近系数：

$c\left(Y_i\right)=\frac{d(Y_i,Y^{-})}{d(Y_i,Y^{+})+d(Y_i,Y^{-})},(i=1,2,...,n),---\left(5\right)$

根据式(3)(4)，

$c\left(Y_i\right)=\frac{\underset{j=1}{\overset{m}{\Σ}}{w}_j(1-v_{ij})}{\underset{j=1}{\overset{m}{\Σ}}{w}_j(1+{\mathrm{\π}}_{ij})},(i=1,2,...,n)---\left(6\right)$

步骤6，判断贴近系数大小对所有方案Y_i(i＝1,2,…,n)进行排序择优，c(Y_i)越大，则表明方案Y_i越为用户所偏好的感知；

步骤7，把步骤6排序靠前的语义词汇作为用户对产品的优先的、重要的感性需求信息提取出来作为多维感性需求语义空间中的语义轴MR_i。

3.根据权利要求1所述的基于多维感性信息语义层次关联的产品分析方法，其特征在于，步骤4的具体实施步骤为：

步骤1，根据每个方案的贴近系数构建方案Y_i的用户特征关联权重(Y_i,ω_i)，

设X＝{x₁,x₂,…,x_n}为一个有限集合，直觉模糊集为和则直觉模糊集A₁,A₂的关联系数为：

${\mathrm{\ρ}}_1\left(A_1,A_2\right)=\frac{1}{2n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\frac{{\mathrm{\Δ\μ}}_{\min }+{\mathrm{\Δ\μ}}_{\max }}{{\mathrm{\Δ\μ}}_i+{\mathrm{\Δ\μ}}_{\max }}+\frac{{\mathrm{\Δv}}_{\min }+{\mathrm{\Δn}}_{\max }}{{\mathrm{\Δv}}_i+{\mathrm{\Δv}}_{\max }}\right)---\left(7\right)$

其中

${\mathrm{\Δ\μ}}_i=|{\mathrm{\μ}}_{A_1}\left(x_i\right)-{\mathrm{\μ}}_{A_2}\left(x_i\right)|,{\mathrm{\Δv}}_i=|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)|,$

${\mathrm{\Δ\μ}}_{\min }=\underset{i}{\min }\left\{|{\mathrm{\μ}}_{A_1}\left(x_i\right)-{\mathrm{\μ}}_{A_2}\left(x_i\right)|\right\},{\mathrm{\Δv}}_{\min }=\underset{i}{\min }\left\{|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)|\right\},$

${\mathrm{\Δ\μ}}_{max}=\underset{i}{max}\left\{\right|{\mathrm{\μ}}_{A_1}\left(x_i\right)-{\mathrm{\μ}}_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\Δv}}_{max}=\underset{i}{max}\left\{\right|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)\left|\right\},$

其中μ为隶属度，v为非隶属度；

步骤2，将步骤1计算得到所有方案Y_i与用户特征的关联系数的平均值作为产品方案对应的目标用户群典型特征语义空间相对原点，得到所有方案Y_i的综合感知所在的目标用户群典型特征语义空间位置。

4.根据权利要求3所述的基于多维感性信息语义层次关联的产品分析方法，其特征在于，步骤2中计算直觉模糊集A₁,A₂的关联系数时，如果考虑到产品元素x_i∈X的权重问题，公式(7)可推广为

${\mathrm{\ρ}}_2\left(A_1,A_2\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\left(\frac{{\mathrm{\Δ\μ}}_{\min }+{\mathrm{\Δ\μ}}_{\max }}{{\mathrm{\Δ\μ}}_i+{\mathrm{\Δ\μ}}_{\max }}+\frac{{\mathrm{\Δv}}_{\min }+{\mathrm{\Δn}}_{\max }}{{\mathrm{\Δv}}_i+{\mathrm{\Δv}}_{\max }}\right),---\left(8\right)$

其中ω＝(ω₁,ω₂,…,ω_n)^T为x_i(i＝1,2,…,n)的权重向量，ω_i≥0(1,2,…,n)，且

当ω＝(1/n,1/n,…,1/n)^T时，则为公式(7)。