叶慧 刘恩华

摘要：随着互联网的迅猛发展，不断涌现的高新技术工具改善着人们的生活水平。推荐系统在这个过程中扮演着至关重要的角色，它已经广泛应用于社交网络和电子商务等许多在线服务领域中。设计并实现基于大数据的用户个性化推荐原型系统，并对各个功能模块进行测试，基本满足实际需求。本文提出了通过建立设计作品与设计需求的多维属性标签，并且根据设计作品与设计需求的多维属性标签分别建立设计作品数据库与设计需求数据库，再进行两个数据库之间的智能匹配来解决设计作品的智能推荐问题，提升设计师获得脑力劳动成果获得报酬的几率。

关键词：大数据;工业设计;作品推荐

前言

现在设计行业通病：为了满足一个客户的设计需求，设计师需要提供多个设计方案并且付出了劳动，而最后客户根据自身的情况在合适的情况下只会在确定采用其中一个方案的时候才会付费，而没有采用的设计方案就会沉淀在设计师的作品库中同时没有收到相应的报酬，等待设计师下次再碰到一个相同或类似的设计需求时这些沉淀的设计方案与劳动才会再次有机会获得回报。这样的行业特性让设计师很多时候会把多做方案的成本全部放到成功方案的报价中给需求方，同时需求方也会为这些无作用的方案多支付了成本。

1需求分析

现有技术中，一个设计作品增加与设计需求对接的操作需要设计师进行多次的注册（报名）、资料整理、作品提交的过程，甚至需求还需要设计师搜索寻找，无疑增加了大量重复性操作，因此整个过程费时费力，效率极低，设计师最多进行几次对接就会放弃，同样的时间可能用于提升设计师技能帮助会更大。

另外由于设计需求发布平台没有作品的智能推荐功能，即使有合适对接的设计需求发布，设计作品也无法自动匹配从而浪费了对接机会，无法发挥存量设计作品的最大价值。

通过本技术方案，我们建立了一个设计作品与设计需求对接平台，通过本技术方案，可以实现设计作品智能推荐，一键注册（报名），一稿多投的目标。不仅节省了用户寻找需求投稿时间，也提高了设计作品获得报酬的命中率。

2系统设计

通过建立设计需求多维属性标签和设计作品的多维属性标签模型，同时将两种多维属性标签分别建立设计需求数据库与设计作品数据库，然后经过对比运算设计作品的多维属性标签是否符合设计需求的多维属性标签，从而得出设计作品是否合适推荐。

2.1功能设计

本技术方案主要通过建立设计作品与设计需求的多维属性标签，并且根据设计作品与设计需求的多维属性标签分别建立设计作品数据库与设计需求数据库，再进行两个数据库之间的智能匹配来解决设计作品的智能推荐问题，提升设计师获得脑力劳动成果获得报酬的几率。

本技术实现方法步骤如下：

（1）对设计作品建立多维属性标签，并且收集相关数据。标签如下：

（a）设计表达

作品说明：作品名称、作品描述、作品关键字、作品展示图

渲染图、功能图、尺寸图、爆炸图或剖面图、手绘图、使用场景图、视屏/音频、手板模型

（b）设计定位

产品定位：功能定位、色彩定位、造型定位

消费者定位：用户性别、用户年龄、是否特定人群、产品分类、产品价位、颜色、主要材料

竞争定位：竞争差异化分析、差异化接收程度分析、自身资源匹配度分析、其他

创新性：观念创新、功能创新、形态创新、技术创新、其他创新

合理性：色彩分析、材料分析、表面工艺分析、其他

可行性：技术可行性、操作可行性分析、合法性可行性分析、经济可行性分析

（c）市场调研

市场调研与需求分析：市场需求、市场现有产品分析、设计定位分析

数据收集与整理结果：数据收集方法、数据结果整理

（d）知识产权

知识产权是否转让、是否拥有知识产权

（f）产品化

产品图片、产品的购买途径、产品的生产厂家、产品的衍生设计、其他

（2）把上述标签化的数据汇聚，生成设计作品数据库;

（3）对设计需求建立多维属性标签，并且收集相关数据。标签如下：

（a）需求表达

需求名称、需求单位、需求分类、需求地点、需求时间、需求数量、报酬

（b）主要表达型式

文字、视频、声频

图片：作品展示图、渲染图、功能图、尺寸图、结构图（爆炸图或剖面图）、手绘图、使用场景图

（c）需求深度

是否要设计定位、是否要市场分析、是否要知识产权、是否要产品化

A.把上述标签化的数据汇聚，生成设计需求数据库;

B.设计作品智能推荐步骤：从设计作品数据库中获取设计作品的多维属性标签与设计需求数据库中的设计需求多维属性标签进行计算，推荐通过了计算匹配成功的設计作品;

C.设计作品智能推荐计算公式与方法：

公式：作品推荐=需求方向×需求内容

a） “作品推荐”值为1时才会把设计作品进行智能推荐;

b）“需求方向”由设计需求数据库中的需求名称、需求分类标签的关键字组成，匹配设计作品数据库中设计作品的作品名称、作品关键字、消费者定位、产品定位四个标签的关键字，只要双方之中有1个关键字能匹配成功，并且该设计作品的作品展示图项目有内容，则“需求方向”的值为1，否则为0。

c）“需求方向”值为0则停止推荐;如果“需求方向”值为1，则开始计算“需求内容”值。

“需求内容”由设计需求数据库中的需求表达、需求深度标签组成，匹配设计作品数据库中设计作品的各个对应设计标签，只有满足了全部“需求内容”，那么“需求内容”的值才为1，否则计算满足程度的百分比。假设“需求内容”中有10个内容要求，但是作品只满足了9个要求，1个要求未满足，则“需求内容”值为90%，如此类推。

2.2 数据库设计

（2）后台作品管理

说明：

1.后台的作品管理是提供给管理人员用于管理、查询作品的通道;

2.针对会员投稿的作品，在后台赛事系统中提供了待审作品、已淘汰作品、已确认作品三大块的作品管理功能。

3.上图以已确认作品管理为例。从上面可看到已确认作品界面把作品的主要信息以表格的方式呈现，在表格的上方还提供了基于作品名称、作者姓名、作者单位名、参赛编号、组别等方式进行简单条件搜索。

4.同时搜索结果支持导出到Word、Excel以及导到评审的功能，如下图所示：

5.高级查询——筛选器功能。如果简单条件搜索无法满足需求，还可以通过『筛选器』中创建多条件式高级查询的筛选器方式来进行多条件组合式的搜索。下图是创建筛选器示例图：

（2）后台作品详情

在上一节中作品列表中点击作品名称可以进入作品详情页，查看投稿作品的具体信息，示例图如下所示：

1.作品详情页包括了作品的基础信息、作者信息以及作者的其他作品信息三块;

2.作品基础信息就是显示了会员用户自己填写的资料信息，同时系统在会员提交作品资料时，会根据作品的资料完整情况进行打分，这个就是设计完整度评估分。

3.同时系统提供了作品的审核功能，在作品信息界面中，有『状态审核』按钮，点击该按钮系统会弹出似下图所示的小窗口。弹出的小窗口主要是让管理员确认这个作品是否符合参赛要求，资料是否完整，如果符合参赛要求，可以将状态设为『已确认』，如果不符合要求，可以设为『淘汰』，淘汰的作品必须填写淘汰原因，同时，系统提供发送邮件机制，根据需要可以设定是否将审核结果发送邮件通知。

4.作品详情中，有一项设计完整度评估分，是基于作品完整度评估系统打出的分数，点击这个分数可以查看作品设计完整度的每一项具体得分情况，例下图所示：

总结

系统不仅提高了沉淀设计作品的利用率，减少了设计作品的沉淀数量。而且提高了设计作品与设计需求的对接效率，减少了设计师自行寻找设计需求时的工作量。

参考文献

[1]Hammou B A， Lahcen A A， Mouline S. FRAIPA version 2： A fast recommendation approach based on self-adaptation and multi-thresholding[J]. Expert Systems with Applications， 2019， 118： 209-216.

[2] Pal A， Parhi P， Aggarwal M. An improved content based collaborative filtering algorithm for movie recommendations[C]//2017 tenth international conference on contemporary computing （IC3）. IEEE， 2017： 1-3.

[3] Manyika J， Chui M， Brown B， et al. Big data： The next frontier for innovation， competition， and productivity[R]. USA：Mckinsey Global Institute， 2011.

[4] Ghemawat S， Gobioff H， Leung S T. The Google file system[C]//Proceedings of the nineteenth ACM symposium on Operating systems principles. 2003： 29-43.

[5] Dean J， Ghemawat S. MapReduce： simplified data processing on large clusters[J]. Communications of the ACM， 2008， 51（1）： 107-113.

[6] Chang F， Dean J， Ghemawat S， et al. Bigtable： A distributed storage system for structured data[J]. ACM Transactions on Computer Systems （TOCS）， 2008， 26（2）： 1-26.

[7] 黃立威 ， 江碧涛 ， 吕守业， 刘艳博 ， 李德毅 . 基于深度学习的推荐系统研究综述 [J]. 计算机学报，2018，41（07）：1619-1647.

[8] 宋瑞雪，李国勇.基于改进的矩阵分解模型在推荐系统中的应用[J].计算机应用，2019，39（S1）：93-95.

[9] Zhang L， Liu X， Cao Y， et al. O-Recommend： An Optimized User-Based Collaborative Filtering Recommendation System[C]//2018 IEEE 24th International Conference on Parallel and Distributed Systems （ICPADS）. IEEE， 2018： 212-219.

[10] Chai Z Y， Li Y L， Han Y M， et al. Recommendation system based on singular value decomposition and multi-objective immune optimization[J]. IEEE Access， 2018， 7： 6060-6071.