基于自然语言处理的汽车造型风格推导与评价*

卢兆麟，程若丹，石清吟，王 波

(1. 合肥学院设计艺术系，合肥 230601; 2. 清华大学汽车工程系，汽车节能与安全国家重点实验室，北京 100084)

2016090

基于自然语言处理的汽车造型风格推导与评价*

卢兆麟1，2，程若丹1，石清吟2，王 波2

(1. 合肥学院设计艺术系，合肥 230601; 2. 清华大学汽车工程系，汽车节能与安全国家重点实验室，北京 100084)

为有效获取用户感性需求并塑造整车形象，提出了一种基于自然语言处理的汽车造型风格推导与评价方法。首先描述了汽车造型设计过程的领域任务，并建立了汽车造型风格推导模型，通过自然语言处理对汽车造型隐性风格进行表征，步骤包括口语分析、设计主题词的提取、权重计算和设计主题词相似度的计算与聚类。接着进一步阐述了基于特征匹配的显性风格生成机制，并与改进的三标度层次分析法相结合，对显性风格进行评价。最后以实例验证了该方法的有效性。

汽车造型；风格推导与评价；自然语言处理；特征匹配

前言

根据调查，我国超过七成的消费者认为外观造型是决定购买汽车时的首要考虑因素[1]。对于设计师而言，如何形成消费者认可并接受的汽车造型风格成为关键性问题。围绕这一问题，近年来国内外学者进行了广泛的研究，如：文献[2]中建立了神经网络评价系统，并利用非支配排序遗传算法建立了汽车侧轮廓的多意象造型进化设计系统；文献[3]中以典型汽车产品为例，提出了产品风格历时性与共时性进化模型，并结合生物遗传学理论定义了产品风格基因；文献[4]中提出了汽车造型认知过程中的意向投影原理，建立了相应的意向投影评估模型；文献[5]中提出了汽车造型的“线-型”分析方法，用以判定、提取汽车形体表面的关键造型线；文献[6]～文献[8]中运用模糊集与神经网络方法对汽车造型风格及意象进行了研究；文献[9]中运用形状文法，将别克汽车造型风格编码为可重用的设计语言；文献[10]中以汽车外形轮廓为例，提出了“感知度”(feeling quality, FQ)的概念，从而实现产品设计的参数与用户感知意象的映射；文献[11]中提出用多次显示的方法对汽车设计方案进行美学评价。

总体而言，现有研究尚存在以下不足：针对汽车造型的研究中，多从某一特定角度(如侧面外轮廓、轮毂等)展开，缺乏整体性和系统性，没有考虑整车造型设计，因而不能塑造整车形象，对实际设计的指导效果不够充分；缺乏对驱动汽车造型设计源头的探讨，即缺少对用户感性需求的有效获取和应用，未能对设计师思维规律性进行研究，从而总结出行之有效的汽车造型设计方法。

针对以上不足，本文中提出一种基于自然语言处理的汽车造型风格推导方法，将感性需求转化为造型特征，并结合“层次分析法”(analytic hierarchy process,AHP)进行多目标决策分析，对造型方案进行排序，从而获得最优解。

1 汽车造型设计过程的领域任务

文献[12]中指出，设计有3个根本问题值得研究：一是设计规则；二是设计方法论；三是设计思考过程。

在汽车造型设计的初始阶段，根据用户的需求提出设计目标。该目标可能是模糊的，须对其进行表征，即语义分析过程，其中包括语义理解和语义获取两个阶段。而后设计师明确设计任务，理解关键的设计问题，形成未来车型的主题意象和局部意象。进一步地，使用特定规则确定要寻找的设计数据，利用设计方法产生、评估和选定设计结果，最终得到汽车造型的风格特征。综上，提出汽车造型设计过程的领域任务模型,如图1所示。

2 汽车造型风格推导

2.1 汽车造型风格推导模型

按照香农(C.E.Shannon)提出的信息传播一般模型[13]，将汽车造型风格的认知过程定义为：设计师为信源、产品为信道、用户的感官为接收器、用户为最终信宿。

根据上述模型，作如下定义。

定义1：风格特征分为“显性”和“隐性”。几乎所有物理层面的产品风格特征包括形态、色彩、材质、肌理及它们的构成法则等，可以看作是显性的；而大部分精神层面的产品风格特征,如意象感知、情感体验、品牌内涵等则是隐性的，它们存在于人的脑海中，相对难以规范化和表达。将产品风格特征表述为

(1)

I→{I1,I2,I3，…，In}，Ii∈I且1≤i≤n

(2)

E→{E1,E2,E3，…，Em}，Ej∈E且1≤j≤m

(3)

定义2：设计师推导汽车造型风格的过程与用户对汽车造型风格的认知过程是两个互逆的过程，即

=

(4)

=

(5)

用户对汽车造型风格的认知过程，从显性风格特征开始，经映射关系达到隐性风格特征，最后以获得感性意象结束。作为逆过程，汽车造型风格的推导以感性需求作为出发点，进而确定隐性风格特征，再由此得出显性风格特征。推导模型如图2所示。

定义3：设汽车造型风格特征的规划为Sp，对Sp进行形式化描述，则有

(6)

2.2 基于自然语言处理的汽车造型隐性风格表征

汽车造型隐性风格的表征以语言为载体，通过提取主题词(subject heading terms, SHT) 对隐性风格进行描述。主题词的提取应遵循2个原则[14]：一是以“最小的代价获取最大信息”的认知经济性原则；二是在相同的语言环境内主题词相对稳定且不容易受情境的影响。根据以上两条原则，本文中把形容词和名词作为语义表征的主要方式，步骤如下。

(1) 口语报告实验

该实验属于一种并行的、内省的、无结构的口语分析方法，由于被试者表述的是当前存在于工作记忆中的信息，因此排除了由于人的记忆差错而产生的无效数据[12]。具体而言，首先从目标群体中选择被试对象，结合原型向其介绍汽车的功能、用途、定位、技术特点等，然后要求被试对象根据自身理解表述对于该车型有何要求或期待，最后将实验结果转为文字。

(2) 设计主题词的提取与权重计算

以“词频-逆向文件频率”(term frequency-inverse document frequency ,TF-IDF)方法为基础，对用户访谈结果进行设计主题词提取并计算权重。其核心思想是：如果某一词或短语在一篇文档中的出现频率高，同时在其他文档中出现较少，并且信息熵值也较高，则认为该词或短语具有较高的区分度。根据文献[15]中的研究，具体算法如下。

① 设ni,j为词语或短语ti在某一篇用户口语报告dj文档中出现的次数，设该词语或短语的词频为Ti,j，则

(7)

式中∑knk,j代表文档dj中所有词语或短语次数之和。

② 设Ni,j为出现过上述词语或短语的用户口语文档数目，N为总文本数目，该词语或短语的反向文件频率为Di,j，则

(8)

式中L为经验值，通常取0.01。

③ 设H为该词语或短语的信息熵值，最终得到词语或短语ti的权重为wi,j，则有

(9)

并且，当wi，j≥δmin时，该词语或短语将作为主题词被提取，δmin为设定的最小值。

(3) 设计主题词的相似度计算与聚类

在提取若干设计主题词之后，对其做进一步处理，将相似的主题词聚类，提炼成为关键词，便于后续设计展开。根据文献[16]，主题词之间的相似度计算方法如下。

对于某两个汉语词汇W1和W2，假设W1有n个义项：S11，S12，S13，…，S1n；W2有m个义项：S21，S22，S23，…，S2m。定义W1与W2的相似度为各个概念相似度的最大值，即

(10)

式中：0≤Sim(W1,W2)≤1，当Sim(W1,W2)=1时，表示两个词的词义完全相同，当Sim(W1,W2)=0时，表示两个词的词义完全不同。

2.3 基于特征匹配的显性风格生成与评价

在对汽车造型的隐性风格进行表征之后，以此为基础生成显性风格，本文中作定义如下。

定义4：汽车隐性风格特征与显性风格特征之间存在匹配关系。设隐性风格特征为n项，并有m项显性风格特征与之匹配，则得到隐性风格特征与显性风格特征匹配度矩阵A为

(11)

式中IiEj表示第i项隐性风格特征与第j项显性风格特征元素的匹配程度。并且有

(12)

式中Wk表示第k项显性风格特征的重要程度，等于其与各隐性风格特征元素匹配程度之和。

综上所述，本文中提出基于自然语言处理的汽车造型风格推导方法，如图3所示。

3 实例研究

与国内某厂商合作，提出设计任务为“面向80后都市年轻群体的小型纯电动轿车造型设计”。

3.1 口语报告实验

(1) 被试对象

共选择被试对象8人，均为汽车专业研究生或本科生；男性5人，女性3人；平均年龄20.6岁。实验设备包括数码录像机/录音机、纸和笔等，由主持人向被试者介绍实验目的和过程后，全过程录音和

录像，地点在清华大学汽车安全与节能国家重点实验室。

(2) 实验任务

要求被试对象根据设计任务，进行思考后说出该款汽车在造型上应具备怎样的特征，尽量使用名词或形容词描述。主持人确保现场安静，除了必要的提醒外，不对被试对象的思维做任何干扰，整个过程在30min左右。

实验场景如图4所示。

限于篇幅，本文中仅列举其中一位被试者的部分口试结果，如表1所示。

表1 某被试者的部分实验结果

3.2 隐性风格表征

本文中采用中国科学院计算技术研究所开发的ICTCLAS2016软件，对8位被试者的口语报告分别进行处理，提取主题词并计算权重，结果见表2。

采用中国科学院计算技术研究所开发的WordSimilarity软件，对表2中的主题词相似度两两计算，合并同类项后进行筛选得到关键词。须要指出的是，表2中主题词是其在各自口语报告中对应的权重数值，同时每篇口语报告的重要性被认为是等同的，因此同类主题词的总体权重为各篇幅中权重数值之和。为了控制主题词数量、简化计算，本文中综合判断各权重均值及中位数，设定权重阈值为5.00，低于该值将被剔除。

最终得到7项主题词，权重数值如表3所示。

对表3中的结果作归一化处理。设处理后的某主题词最终权重为δk，则

(13)

得到归一化结果如表4所示。

表2 主题词提取结果

表3 主题词聚类结果

表4 主题词权重归一化结果

根据上述结果，将目标车型的隐性风格总结并描述,如表5所示。

表5 目标车型隐性风格描述

3.3 显性风格生成与评价

3.3.1 造型方案的提出

设计师团队为清华大学汽车工程系车身造型方向的师生，要求根据表5中对于目标车型隐性风格的描述，分别完成汽车造型设计的方案。

限于篇幅，仅列出其中部分方案草图,如图5所示。

3.3.2 汽车显性风格的特征分解

产品的属性通常是相互关联的，用户一般通过多个造型特征的语义关联并经过综合认知加工后产生整体的意象。因此，在对汽车造型特征进行分解时，应在保持属性相对独立性的前提下加以界定。依据此原则，最终确定的汽车显性风格特征包括4个部分：F1—前脸、F2—侧面、F3—尾部、F4—轮毂。

特征线作为点和面的过渡，最适合于设计表达，被普遍用于汽车设计[17]。因此，本文中将方案草图处理成为特征线形式以便于评价，共得到4种整车方案，如表6所示。

表6 造型方案特征分解

3.3.3 显性风格匹配度计算

评价采用5点Likert量表，即1～5分(完全不符合～完全符合)，共邀集专家和普通用户23人，其中普通用户19人、专家4人，对4种方案的各项显性风格特征和各主题词匹配程度分别做出评价。并将得分均值乘以主题词归一化权重后累加，最终得到各项显性风格特征的总值， 结果如表7～表10所示。

表7 前脸评价结果

表8 侧面评价结果

表9 尾部评价结果

表10 轮毂评价结果

综合表7～表10得到的结果如图6所示。

3.3.4 显性风格的特征权重计算与总体评价

进一步地，使用改进的AHP法对各造型特征重要性进行计算。AHP法主要应用网络系统理论和多目标综合评价，对定性问题进行定量分析，是一种多属性层次权重决策分析方法[18]。近年来，有学者针对传统AHP法九标度的不足，提出了0～2三标度法，从而有效提高一致性，且评价结果也比较接近复杂判断的结果[18]。

设汽车显性风格特征为Fi与Fj，hij为两个特征重要性比值，采用三标度法，如表11所示。

表11 三标度法的特征重要性比较

本文中，经专家评判，两两比较后得到矩阵B：

F1F2F3F4

B=F1

F2

F3

(14)

对矩阵B进行归一化处理，计算过程见文献[17]，本文中不再赘述。设造型特征权重写成向量形式得到(0.56, 0.26, 0.12,0.06)T,即：前脸权重为0.56，侧面权重为0.26，尾部权重为0.12，轮毂权重为0.06。

将各方案显性风格特征的分值乘以各权重并累加，得到方案的最终分值：方案1为2.93，方案2为3.25，方案3为2.86，方案4为3.09，如图7所示，表明方案2为最优结果。以该方案为基础，发展成为概念车型后获得了市场的普遍好评，证实了本方法的有效性。

4 结论

本文中对汽车造型设计过程的领域任务进行了描述，并建立了汽车造型风格推导模型。以此为基础，提出了一种基于自然语言处理的汽车造型风格推导方法，对隐性风格特征进行表征，并计算显性风格特征的匹配度。最后，以实例具体论述了该方法的步骤，证实了方法的有效性与实用性，具有较高的准确度，从而为实现汽车造型的推导提供了一种可行的技术途径。

[1] 国务院发展研究中心产业经济研究部，中国汽车工程学会，大众汽车集团(中国).中国汽车产业发展报告(2013)[M]. 北京：社会科学文献出版社，2013.

[2] 苏建宁，张秦玮，吴江华，等. 产品多意象造型进化设计[J].计算机集成制造系统，2014,10(11)：2675-2682.

[3] 徐江，王海贤，孙守迁. 基于风格进化模型的产品生成设计方法[J].东南大学学报(自然科学版)，2012,42(4)：654-658.

[4] 付黎明，于海洋，李绪明.汽车车身曲面造型认知意向投影原理及评估模型[J].吉林大学学报(工学版)，2015,45(1)：49-54.

[5] 王波，罗际，朱睿. 汽车造型设计的线型分析方法[J].汽车工程，2010,32(6)：470-476.

[6]HSIAOSW.FuzzySetTheoryAppliedtoCarStyleDesign[J].InternationalJournalofVehicleDesign, 1994, 15 (3):255-278.

[7]HSIAOSW.FuzzySetTheoryonCar-colorDesign[J].ColorResearchandApplication, 1994, 19 (3):202-213.

[8]HSIAOSW,CHANGMS.ASemanticRecognitionBasedApproachforCar’sConceptDesign[J].InternationalJournalofVehicleDesign, 1997, 18 (1):53-82.

[9]MCCORMACKJay,CAGANJonathan,VOGELCraigM.SpeakingtheBuickLanguage:Capturing,Understanding,andExploringBrandIdentitywithShapeGrammars[J].DesignStudies, 2004, 25(1): 1-29

[10]LAIHH,CHANGYM,CHANGHC.ARobustDesignApproachforEnhancingtheFeelingQualityofaProduct:aCarProfileCaseStudy[J].InternationalJournalofIndustrialErgonomics, 2005, 35(5): 445-460.

[11]COUGHLANP,MASHMANR.OnceIsNotEnough:RepeatedExposuretoAestheticEvaluationofanAutomobileDesignPrototype[J].DesignStudies, 1999，20(6):553-563.

[12] 陈超萃.设计认知——设计中的认知科学[M]. 北京：中国建筑工业出版社，2008.

[13]SHANNONCE.AMathematicalTheoryofCommunication[J].BellSystemTechnicalJournal, 1948, 27(1): 379-423.

[14] 陈宪涛. 汽车造型设计的领域任务研究与应用[D].长沙：湖南大学设计艺术学院,2009.

[15] 李然，张华平，赵燕平. 基于主题模型与信息熵的中文文档自动摘要技术研究[J].计算机科学，2014, 41(11):298-332.

[16] 刘群，张浩，白硕. 自然语言处理开放资源平台[J].语言文字应用，2002(4)：50-56.

[17] 卢兆麟，李升波，徐少兵，等. 面向汽车造型的用户视觉模式识别比较[J].计算机集成制造系统，2015, 21(7)：1711-1718.

[18] 朱建军. 层次分析法的若干问题研究与应用[D]. 沈阳：东北大学信息科学与工程学院，2005.

Vehicle Styling Feature Derivation and Evaluation Based on Natural Language Processing

Lu Zhaolin1,2, Cheng Ruodan1, Shi Qingyin2& Wang Bo2

1.DepartmentofArtDesign,HefeiUniversity,Hefei230601; 2.DepartmentofAutomotiveEngineering,TsinghuaUniversity,StateKeyLaboratoryofAutomotiveSafetyandEnergy,Beijing100084

To effectively acquire the perceptual requirements of costumers and portray the image of vehicle, a method of car styling feature derivation and evaluation based on natural language processing is proposed. Firstly, the task of car styling process is described, and the derivation model for car styling feature is created. The implicit features of car shape are represented by natural language processing with a procedure including colloquial analysis, the extraction and weight calculation of design themes, and the similarity computing and clustering of design themes. Furthermore, the generation mechanism of explicit features based on character matching is expounded, and the explicit features are evaluated by combining with improved three scale analytic hierarchy process. Finally, the effectiveness of the method proposed is validated by a real case.

car styling; styling feature derivation & evaluation; natural language processing; character matching

*国家自然科学基金(51505251)、中国博士后科学基金(2014M560955)、安徽省自然科学基金(1508085QG144)和安徽高校省级优秀青年人才基金重点项目(2013SQRL078ZD)资助。

原稿收到日期为2016年2月22日，修改稿收到日期为2016年3月16日。