面向用户需求（通用12篇）
面向用户需求 篇1
个性化信息服务是以向用户提供个性化、专业化的信息资源为服务宗旨的,因此需要分析用户的实际需求,建立用户模型或用户模板(User Profile),这一过程称为用户建模。用户建模是获取与用户兴趣、爱好或习惯相关知识的过程,其目的是帮助系统推断用户在具体情景下的需求意图,智能、主动地提供用户所需的信息资源,其结果是产生一个描述用户个性化需求的用户模型。
用户建模技术是个性化信息服务的主要研究内容之一。一个完整的用户建模过程通常包括数据收集、模型建立和模型更新三个步骤,相关研究人员对此做了大量的研究工作。文献[1]通过分析用户浏览行为来计算用户对网页的兴趣度;文献[2]研究了用户建模算法在不同条件下的适应性问题;文献[3]提出了一种基于实例的两阶段递增式用户需求特征获取方法。
论文主要考虑用户需求多样性和随机性,即个性化问题,从对用户需求的动态追踪能力出发,研究模型建立和模型更新二项关键技术。
1 用户模型
用户模型是个性化信息服务系统过滤信息的主要知识源,其描述用户需求的能力在很大程度上决定了信息过滤的成功与否。Belkin[4]、Pazzani[5]等人在总结他们的实验结论时提到,影响信息处理效率的首要因素在于信息及相关知识的表示。因此在个性化信息服务技术中,用户模型是非常关键的。常用的用户模型表示方法有以下几种[6]。
1.1 基于向量空间模型的表示方法
基于向量空间模型的表示方法是迄今最流行的用户模型表示方法。该方法将用户模型表示成n维空间的一个向量,向量的每一维元素由一个关键词及其权重组成。权重可取布尔值和实数值,分别表示了用户对关键词是否感兴趣以及感兴趣的程度。很多个性化信息服务系统,如Personal Web Watcher[7]、Syskill&Webert[8]、Letizia[9]、if Web[10]、SELECT[11]等都采用这种表示方法。基于向量空间模型的表示方法能够反映不同关键词在用户模型中的重要程度,而且方便了使用向量运算法则来进行后续阶段的文档过滤任务。但是用户需求通常比较复杂,仅用一组关键词无法充分描述;再加上词语本身固有的同义性和多义性,以及相互之间的语义关系问题,使得这种基于关键词表示的用户模型难以准确地表示用户需求。为了克服上述缺点,一些研究人员对向量空间模型进行扩展,如Site IF[12]使用语义网络从语义语境方面对模型进行改进。
1.2 基于用户—文档评价矩阵的表示方法
基于用户—文档评价矩阵的表示方法用一个Rm×n矩阵来表示用户模型。其中m为系统用户数,n为文档数。矩阵中的每个元素rij表示了用户i对文档j的评价,一般是某个范围内的实数值。通常值越大,表示用户对文档越感兴趣。空元素值表示用户对相应的文档没有做出评价。一些基于协同过滤的个性化信息服务系统,如Group Lens[13]和Ringo[14]等就是采用这种方法表示用户模型。这种表示方法简单、直观,不需要任何学习技术就能够从收集的原始数据(显性的用户评价数据)中直接生成,但也正因为如此,使得这种表示方式缺乏对用户需求变化的适应能力,难以被调整以反映用户最新的需求。
1.3 基于案例的表示方法
基于案例的表示方法用用户检索过的案例或者与案例相关的一组属性值来表示用户模型。例如:在CASPER[15]中,用户模型被表示成用户检索过的工作列表的形式,表中的每一行包含了一个工作的ID号以及用户对该项工作的行为信息如点击次数、浏览时间长度以及保存申请等。显然,基于案例的表示方法仅基于用户的单次查询,反映的是用户的短期需求。该方法表示的用户模型仅在本次会话中有效,而不能被下次会话重用。
1.4 基于本体论的表示方法
基于本体论的表示方法用一个本体来表示用户感兴趣的领域。如Quickstep[16]使用一个学术研究主题本体表示用户感兴趣的研究领域,OBI-WAN[17]使用用户浏览页面的主题本体来描述用户访问过的网页内容。这些本体通常采用层次概念树的形式,树的每个节点表示了用户的一个兴趣类。引入本体来表示用户模型的最大好处在于能够实现知识的重用和共享,包括用户间本体类样本的共享以及与其他外部本体的知识交流与共享。但是这种表示方法遭遇了所有基于本体论的系统所具有的问题:即本体的设计问题。本体的设计在很大程度上依赖于研究人员的知识和经验,特别是当定义域很大时,本体设计的有效性更加难以保证。
从以上分析中可以看出,和其它方法相比,基于向量空间模型的表示方法适用范围更广,灵活性更高,用这种方法表示的用户模型具有很强的自适应学习能力,能及时更新以实现对用户需求的动态快速追踪,因此论文采用这种方法来表示用户模型。
2 用户建模关键技术
用户建模的逻辑流程如图1所示。
2.1 用户模型建立
基于向量空间模型的表示方法是将用户模型表示成n维空间中的一个向量,向量的每一维元素由一个关键词及其权重组成,权重表示用户对该关键词的感兴趣程度,U={Term1:w1,Term2:w2,…,Termn:wn}。该向量一般通过收集相关数据训练得到,论文采用重心向量分类算法(Centroid-based Classification Method),来处理用户感兴趣的文档。该方法的基本思想是将每个类别看作是特征项的集合,并为类别引入重心向量的概念。
定义1给定类别C,对于标记为类别C的相关文档集DC,C的重心向量指的是DC中所有文档特征向量的累加向量。
将用户需求看作一个类别U,用户感兴趣的文档集则是类别相应的相关文档集Du。因此,建立用户模型的过程也就是计算相关文档集中所有文档特征向量的重心向量的过程。算法描述如下:
算法:重心向量分类算法建立用户模型
输入:用户感兴趣文档集Du
输出:用户模型U
函数体:
(a)初始化U=0;
(b)for Du中的文档di;
(e)End for;
(f)U=U/U;
用户模型建立之后,考虑信息资源与用户需求的匹配程度(相似度),将与用户需求密切相关的信息资源主动推送给用户,以实现个性化信息服务的目的。论文采用余弦相似度算法计算信息资源与用户模型的相似度,将相似度高于阈值threshold1的信息资源(过滤结果)推送给用户。
2.2 用户模型更新
用户需求是动态变化的,用户模型更新是指系统根据用户对过滤结果的反馈信息及时地调整用户模型,以保证在任一时刻过滤的结果尽可能地与用户当前需求相吻合,这也反映了系统对用户需求的动态追踪能力。
2.2.1 Rocchio反馈算法
Rocchio反馈算法理论[18]是对传统的向量空间模型理论和概率模型理论的发展,是一种学习反馈的算法。其基本思想是对于任意一个模式Q,可以通过反馈信息不断调整它,使得它能够趋于Q0,Q0表示一个正确模式。Rocchio反馈算法计算公式如式(1)。
式(1)中,Qold表示调整前向量,Qnew表示调整后向量,α,β,γ是调整系数,分别表示调整前向量,正反馈文档和负反馈文档的重要性,DR和DN分别表示正反馈文档集和负反馈文档集,NR和NN是DR和DN中文档的数目。从公式(1)中可以看出,Rocchio反馈算法的调整原则是使调整后向量趋近于正反馈文档,趋远于负反馈文档。
2.2.2 用户反馈信息获取
用户反馈信息有两种获取方式:显性方式和隐性方式。显性方式是通过用户对过滤结果作出相关性评价来获取反馈信息,但实际上用户很少耐心地浏览所有的过滤结果,而且对所浏览的文档也不一定作出相关性评价。因此系统通过分析用户的行为如点击次数、浏览时间等隐性地获取反馈信息来弥补显性反馈信息的不足。
定义2文档反馈度feedback(di)是指用户浏览文档后给出的相关性评价,表示用户对文档di的感兴趣程度,一般通过分析用户行为得到。用户行为的意义如表1所示。
论文定义被下载保存文档的反馈度为1,被忽略文档的反馈度为0,被浏览文档的反馈度为[0,1],具体通过以下方法计算得到:
设用户浏览的文档集为D,浏览文档di的次数为Freq(di),第j次浏览文档的时间为time(di,j),则浏览文档di的总时间。D中所有文档的总浏览时间可以看作是一个数列,计算该数列的平均值μ和标准方差σ,然后用高斯归一化公式处理。根据3σ规则,数列中每个数归入区间[-1,1]的概率约为99.74%,然后可以通过平移使得feedback(di)最终归入区间[0,1]。综上所述,feedback(di)计算如式(2)。
2.2.3 用户模型更新
模型更新是应用Rocchio反馈算法这一经典理论,根据用户的反馈信息,调整向量各维元素的权重,使得用户模型更贴近用户的需求。
按照Rocchio反馈算法的基本思想,同时引入文档反馈度因素,论文提出如下调整公式:
式(3)中,Ur(new)表示调整后用户兴趣需求向量,Ur(old)表示调整前用户兴趣需求向量,α是调整系数,表示调整前用户兴趣需求向量的重要性,DR和DN分别表示正反馈文档集(用户需求相关文档集)和负反馈文档集(用户需求不相关文档集),NR和NN是DR和DN中文档的数目,feedback(di)表示文档di的反馈度,由公式(2)计算得到。
用户模型的更新是一个周期性的更新过程。可根据用户的浏览行为设定更新周期,统计分析一周期内的反馈信息更新用户模型,这样可以避免因为用户某次随机偶然的浏览行为而使更新出现偏差。论文提出基于Rocchio算法的周期性自适应学习机制来更新用户模型,基本步骤如下:
(1)设定更新周期为n天,进入更新周期;
(2)每天根据当前用户模型过滤信息资源,将过滤结果加入自适应学习文档集S;
(3)根据用户反馈信息将S中的相关文档加入DR,不相关文档加入DN;如果满足终结条件则执行步骤(4),否则返回步骤(2);
(4)计算DR中每篇文档与其余各文档的相似度,然后相加得到每篇文档的总相似度,将总相似度低于阈值threshold2的文档转移到DN;
(5)应用公式(3)调整当前用户模型;
(6)清空S、DR、DN;
(7)进入下一更新周期。
步骤(3)中的终结条件是指以下两条件之一:
a)更新天数达到n天,即本周期结束;
b)DR中的文档数超过m篇。
根据一周期内的最新反馈信息而不是根据用户每次的浏览行为来调整用户模型,不仅可以避免偶然性调整偏差,而且可以减少运算量,减轻系统压力。经过步骤(4)的筛选,保证DR在引入相关文档的前提下,尽可能少地引入不相关文档。步骤(6)清空S、DR、DN,目的是及时更新DR、DN,使DR引入与当前用户模型相关的文档,实现对用户需求的动态追踪。
3 实验验证
3.1 实验方法
以课题组开发的个性化信息服务系统为实验平台,以其中的资源收集组件、信息提取组件、信息索引组件和用户模型维护组件等为实验工具,以太平洋汽车网(http://www.pcauto.com.cn/)为实验数据源,进行实验。实验下载了2 000余个样本网页,经过信息提取、索引等处理之后,保存在索引数据库中。用户需求主要是面向汽车用品的,例如车载电话、对讲机、GPS导航软件、汽车防盗系统、车载电源等。根据论文提出的方法建立用户模型,并由此过滤信息,推送资源。论文不是研究重心向量分类算法和Rocchio反馈算法本身,而是研究这些算法在用户建模中的应用。
系统将相似度大于阈值threshold1的信息资源推送给用户,因此阈值threshold1是对系统性能影响较大的因素之一。在实验中,首先人工设定一系列阈值,记录不同阈值下的查全率、查准率和用户满意度,分析这些数据以获取threshold1的最优值(以下简称为实验1)。然后在此基础上,采用基于Rocchio算法的周期性自适应学习机制根据用户反馈信息更新用户模型,以检验系统对用户需求的动态追踪能力(以下简称为实验2)。
3.2 实验评价指标
在自然语言处理研究中,查全率(recall)和查准率(precision)是通用的评价指标。
查全率定义为正确推送的样本数目与应该推送的样本数目的比值,反映了系统识别用户需求的正确程度。
查准率定义为正确推送的样本数目与推送的样本总数的比值,反映了系统对用户需求不相关样本的排斥能力。
用户满意度(satisfaction)定义为查全率和查准率函数,表示用户对系统推送的信息资源的满意程度。
3.3 实验结果
3.3.1 实验1结果
实验1人工设定阈值threshold1,不同阈值下,系统的查全率、查准率和用户满意度如图2所示。
从图2中可以看到,系统查全率随着阈值threshold1的增大而降低,查准率随着阈值threshold1的增大而提高,用户满意度随着阈值threshold1的增大,先提高后降低。当阈值较低时,虽然使得与用户需求相关的资源都推送给用户,但一些相关性不大的资源没有被过滤掉,这就造成系统查准率较低。反之,当阈值较大时,虽然将不相关的资源都过滤掉了,提高了查准率,但一些相关的资源可能被误过滤了,使得系统查全率降低。这两种情况下,用户满意度均不高。因此必须合理地选择阈值,以提高系统的综合性能。从图中可以看出,当阈值处于[0.5,0.55]区间内时,三条曲线交汇于一点,用户满意度曲线也达到最高峰。通过实验1可知,threshold1的最优值为[0.5,0.55]。
3.3.2 实验2结果
实验2设定阈值threshold1为0.55,采用基于Rocchio算法的周期性自适应学习机制根据用户反馈信息更新用户模型。
实验中,三位用户根据自身需求,客观地评价系统推送的信息资源,并设定调整系数α为0.25,更新周期n为5 d,m为100。如上所述,用户初始需求主要是面向汽车用品的,为验证系统对用户需求的动态追踪能力,用户需求随后转变为面向汽车维修。实验2以更新周期为单位,通过分析用户对系统推送信息资源的评价,计算得到用户满意度。实验结果如图3所示。
从图3中可以看到,在第一周期,根据初始用户模型过滤信息,由于初始用户模型和用户实际需求存在一定的偏差,所以用户满意度较低。在随后的几个周期,根据用户反馈,逐步更新用户模型,使之趋近用户需求,用户满意度逐渐提高,并在第四周期趋于稳定。第五周期,用户需求主观上发生变化,而系统根据原来的用户模型推送信息资源,因此用户满意度大幅度下跌。之后,系统根据用户反馈及时更新用户模型,使得用户满意度逐渐回升并在第十周期趋于稳定。实验2证明,论文提出的用户建模方法是切实可行的,在一定程度上实现了对用户需求的动态追踪。
4 结束语
用户模型是个性化信息服务系统进行信息推送的主要知识源,其描述用户需求和追踪需求变化的能力很大程度上决定了个性化信息服务的成功与否。因此,对用户建模技术的研究具有很重要的意义。论文主要探讨了面向个性化需求的用户建模技术,对模型表示和模型更新两项关键技术进行了研究。着重考虑用户需求的多样性和随机性特点,将重心向量分类算法、Rocchio反馈算法等应用到用户建模技术中,在一定程度上解决了对用户需求变化的动态追踪问题。
摘要：从用户需求多样性和随机性出发探讨了用户建模技术。对模型表示和模型更新两项关键技术进行了研究。基于向量空间模型表示用户模型,采用重心向量分类算法建立用户模型。分析用户浏览行为隐性地获取反馈信息,计算文档反馈度,提出了一种基于Rocchio算法的周期性自适应学习机制更新用户模型。以用户满意度为评价指标,通过实验,验证了对用户需求变化的动态追踪能力。
关键词：用户建模,个性化,向量空间模型,Rocchio算法
面向用户需求 篇2
注意：请认真准确填写，非著明的为单项选择。感谢您的参与！
1.经常上网使用QQ空间记录自己的日志（）
A.是B.一般C.从没有
2.平常有写日记或随感的习惯吗？（）
A.有B.不常有C.没有
3.你被输入错误密码困扰过吗？（）
A.经常B.偶尔C.从没有
4.生活中有很多密码需要用，你的处理是（）
A.用本子记B.用大脑记C.没记过
5.你认为自己需要一份电子形式的工作安排吗？（）
A.需要B.一般C.不需要
6.信任网站上的管理系统吗？（）
A.是B.一般C.否
7.你有那些账号？（）*多选*
A.QQB.MSNC.163邮箱D.189邮箱E.人人网 F.土豆网G.优酷网H.爱奇艺I.Google
8.你愿意用你真实的身份信息在网站上注册吗？（）
A．愿意B.看情况C.不愿意
9.你最信任的网络系统有哪些？*q请至少列举3个*
(1)
(2)
(3)
面向用户需求 篇3
摘 要：面向用户需求构建个性化学习环境是当前E-learning领域研究的热点。自适应学习系统（Adaptive Learning System，ALS）是E-learning个性化学习支持服务的解决方案。针对ALS推荐学习资源的精准性与有效性问题，文章尝试性从用户学习路径的视角出发，在对学习者与领域知识建模的基础上通过关联规则挖掘技术动态匹配与重组学习资源，进而实现ALS个性化学习路径推荐机制。仿真实验结果表明，利用本推荐机制在一定程度上能有效推荐学习资源，进而较好地满足当前用户个性化学习需求。
关键词：自适应学习系统；个性化学习路径；学习者模型；领域知识模型；关联规则
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）21-0028-04
当前，数字化学习（E-learning）席卷远程教育领域，成为网络信息时代盛行的一种重要学习方式。E-learning打破了传统面授式教育模式的常态化，突破学习的时空限制，为学习者“随时随地”学习提供了可能。然而，调查显示，当前许多E-learning支持平台的实际应用效果并不理想，其中最为突出的问题是平台忽视了“以学习者为中心”的现代教学理念，不能根据用户的个性化需求准确提供学习资源，进而导致在线学习效果不明显。[1]正因如此，关于E-learning环境下的个性化学习理论与实践研究受到众多学者关注，构建支持用户个性化学习需求的E-learning系统成为当前迫切而重要的研究主题。
一、ALS及其研究现状
ALS，即自适应学习系统，亦称适应性学习系统，是在建构主义“以学习者为中心”的现代教育模式引领下提出的一种针对当前学习者的个体特征差异（如年龄、专业背景、兴趣偏好、认知水平等）而动态提供其个性化学习支持服务的系统，其最早由国外以智能教学系统和适应性超媒体系统的术语提出，近年已成为E-learning远程教育领域研究的热点。[2][3]个性化推荐机制是ALS的核心部件，其主要功能是对学习资源的有效匹配与重组，进而满足当前用户的个性化学习需求。
目前，关于ALS的研究尚处于探索时期。国外介入该领域研究较早，典型的代表主要有：Brusilovsky等人首次提出了适应性学习系统，并认为可以从课程序列化与适应性导航技术实现系统的适应性效果；[4]Tang等人采用聚类分析与协同过滤方法将用户访问页面序列和内容进行筛选与分类并推荐给用户，进而构建了ALS系统原型；[5]美国匹兹堡大学Weber G等人通过个性化导航策略实现了ALS适应机制，并开发了ELM-ART、Knowledge Sea系统原型；[6]Castro等人阐述了数据挖掘技术在网络学习过程中的重要作用，为基于数据挖掘的E-learning个性化学习研究奠定了基础。[7]国内该领域研究起步较晚，典型的代表有：华南师范大学陈品德教授从内容呈现和导航支持两方面考虑适应性，设计了A-Tutor原型系统；[8]中国台湾淡江大学利用Agent技术研发了分布式智能学习系统MMU，该系统具有一些简单的智能交互功能。[9]
纵观上述研究，国内外提出的许多ALS系统仍处于原型实验阶段，其适应性及个性化推荐机制还需要不断探索。因此，本研究拟尝试性地从用户学习路径的视角出发，在对学习者与领域知识建模的基础上，通过关联规则挖掘技术动态匹配与重组个性化学习路径，进而实现ALS推荐机制，以期满足当前用户个性化学习需求，同时为本领域相关研究提供参考借鉴。
二、ALS个性化学习路径推荐的解决方案
1.学习者建模
学习者是ALS的主要参与者与体验者，也是个性化资源获取的主体，因此ALS的设计首先应重点考虑学习者的个性化需求特性。为了更清晰地表征学习者对象在系统中的属性，我们需要将其实例化，即对学习者进行建模。可以说，学习者模型是ALS实现的基础，其主要借助用户建模组件或第三方代理软件实时收集并处理学习者个性化信息来实现。[3]本研究鉴于IMS LIP（Learner Information Package）标准，采用四元组的形式从基本特征、学习风格、认知水平和学习记录四个维度来表征学习者模型，其方法如下：
LearnerModel=（BaseInformation，LearningStyle，CognitiveLevel，AccessRecords）。
其中，BaseInformation用于表示学习者一些基本的静态信息，例如昵称、姓名、性别、年龄、专业背景、个人简介等。LearningStyle表示学习者的学习风格，其可借鉴Felder学习风格模型构建，包含值域定义为：{“直觉型-感知型”，“视觉型-言语型”，“活跃型-反思型”，“全局型-序列型”}，该值域可通过ALS系统设定或完成Felder学习风格量表（ILSs）的形式获得。CognitiveLevel表示学习者当前所达到的认知水平，可以从“初级”、“中级”、“高级”三个层次表征，其主要以学习者的单元测试成绩为参考依据由系统自动评定。AccessRecords表示学习者在整个学习过程中的访问记录，包含访问者编号、访问时间、访问地址以及访问内容描述等基本信息，AccessRecords的表示方法为AccessRecords（Ri）=（LearnerId，AccessTime，AccessAdress，ContentInfo）。
2.领域知识建模
领域知识泛指专业领域内所有经验、理论、方法论的知识单元集群，而在计算机世界中我们将其界定为：针对某特定领域需要，采用某种（或若干种）表示方法将知识实体化与结构化，使其能在计算机存储、系统组织和管理方面具有易操作等特性的知识集群。[10]ALS中领域知识是对学习资源的结构化，其为学习者个性化学习提供数据来源。领域知识模型要求知识体系具有良好的结构关系，以便系统推荐资源路径时做出准确的判断。通常情况下，领域知识可用课程、知识单元和知识点（或知识项）三种粒度表征，知识之间的关系包括前驱后继关系、并列或包含关系以及相关关系三种类型，而每个知识单元或知识点都应包含难度、风格和学习任务属性。根据它们之间的逻辑关系，我们给出了领域知识模型的一般结构，如图1所示。
根据以上分析，我们将领域知识的结构模型表征为：KObject={Kid，Kname，Klevel，Kstyle，Kcontent，KOR}。其中，Kid表示知识点的唯一标识，Klevel表示知识点难度水平，Kstyle表示知识点的偏向风格，Kname表示知识点名称，Kcontent表示知识点内容信息，KOR表示知识点所属关系集合。基于上述三种关系类型，本研究中领域知识对象间的关系模型KOR可用如下表达式表示：
KOR（a，b）={
其中，Ktype表示关系类型（Ktype {“前驱”，“后继”，“并列”，“包含”，“相关”}），Kweight关系的权重值（Kweight [0，1]，该值越高代表知识间的相关性越大）。例如，某领域知识a与b的关系记为KOR（a，b）={
3.关联规则定义及其推荐方法
关联规则是数据挖掘领域研究的一个范畴，其最早由Agrawal等人提出，主要用于从数据集合中发现频繁项并找出项集间的关联关系。从本质上讲，关联规则挖掘是在事务数据集合D中发现满足用户给定的最小支持度min_support和最小置信度min_conf的频繁项集并挖掘其关联关系。[11]为了更清晰地反映ALS基于关联规则挖掘的推荐过程与方法，在此我们设定用户访问记录集（即日志事务集合）结构如表1所示。
（1）产生频繁项集
频繁项集是关联规则挖掘的第一环节，需要利用AprioriAll算法将表1中知识项集中频繁项找出。在此，设定最小支持度为0.6，则最小支持度计数为0.6×len（users）=1.8，频繁项集产生过程为：通过第一轮扫描得到候选集C1（Item，Support）={
（2）产生路径关联规则
通过上述频繁项集产生过程，用户访问记录集合产生的知识项集I={K1，K3，K5}，设定最小置信度min_conf为0.8，那么得到候选关联规则置信度如表2所示。
由表2可知，当最小置信度为0.8时得到三条强关联规则，即：{K1，K5}？圯{K3}，{K3，K5}？圯{K1}，{K5}？圯{K1，K3}。由此得到当前用户的学习路径存在三种可能：KPa={K1，K5，K3}，KPb={K3，K5，K1}或KPc={K5，K1，K3}。
（3）推荐路径预处理
推荐路径预处理是对学习路径的优化处理，该过程主要根据领域知识的关系模型KOR对强关联规则路径进行匹配，以选择最优学习路径。例如，设定本例中K1、K3和K5之间存在如下关系：KOR（1，3）={
三、仿真实验及其结果分析
为了检测本研究中ALS个性化学习路径的推荐效果，我们利用VC工具与C语言开发了ALS仿真运行环境。实验初始化数据由系统按照预先定义的权重参数随机自动生成，且设定系统每次随机生成30个知识项集，当最小支持度和最小置信度分别设置为0.6和0.8时，其运行效果如图2所示。
实验中，我们首先固定最小支持度和最小置信度阈值分别为0.8和0.6，经过10轮实验后从知识项平均访问频次与系统推荐频次两个维度对ALS推荐效果进行的分析，结果发现满足最小支持度时知识项平均访问轨迹与系统推荐路径轨迹趋势基本相似，说明系统推荐路径基本有效。然后，我们尝试性以0.05递增幅度调整最小支持度，再次经过10轮试验后从最小支持度Minsup与推荐知识项个数Kcount的分布关系进行分析（见图3），结果显示系统推荐知识项数量会随着Minsup的不断增加而减少，进一步说明系统推荐路径的精确性会随着Minsup的增加而提高。
四、结束语
基于Web的ALS是未来远程学习的一种有效途径，是个性化学习环境建设的趋势，目前仍有很大的探究空间。ALS主要是通过个性化推荐机制对学习内容进行有效筛选与重组来实现的，而学习者模型、领域知识模型以及关联规则挖掘技术是ALS个性化推荐机制形成的有效保障，对改进系统的推荐质量、提高学习者学习效率起着关键性作用。当然，由于诸多局限性因素，本研究仍存在不足之处，例如，ALS推荐路径的优化处理、推荐机制的效率问题等，这也是本研究下一步的趋向。
参考文献：
[1]刘丽萍，魏书敏，赵新云.个性化网络学习支持系统的研究[J].中国教育信息化，2010（23）：47-51.
[2]牟连佳.网络化学习系统的适应性研究[J].电化教育研究.2009（5）：48-53.
[3]赵学孔，徐晓东，龙世荣.B/S模式下自适应学习系统个性化推荐服务研究[J].中国远程教育，2015（10）：71-80.
[4]Brusilovsky，P.（2001）Adaptive hypermedia.User Modeling and User Adapted Interaction，Ten Year Anniversary Issue（Aifred Kobsa，ed.）11（1/2）：87-110.
[5]TangC.，Yin H.，LiT.，LauR.，LiQ.，&Kilis D.： Personalized courseware construction based on web data mining[C].In Proceedings of the first international conference on web information systems engineering，2000：204-211.
[6]Weber G，Brusilovsky P.ELM-ART： an adaptive versatile system for Web-based instruction [J].International Journal of Artificial Intelligence in Education，2001：351-384.
[7]CastroF.，VellidoA.，NebotA.，MugieaF.：Applying Data Mining Techniques to E-learning Problems[J].Studies in Computational Intelligence.2007（62）：183-221.
[8]陈品德，李克东.适应性教育超媒体系统——模型、方法与技术[J].现代教育技术，2002（1）：11-16.
[9]莫赞，冯珊，唐超.智能教学系统的发展与前瞻[J].计算机工程与应用，2002（6）：6-7.
[10]李卫.领域知识的获取[D].北京：北京邮电大学，2008.
[11]Agarwal S. Data Mining： Data Mining Concepts and Techniques.International Conference on Machine Intelligence and Research Advancement.IEEE，2013：203-207.
面向用户需求 篇4
1 联合分析法的主要原理
联合分析方法是Paul Green【1】等人研究多因素多水平的实验设计方法, 其目的在于:一是确定消费者赋予某个预测变量 (水平) 的贡献和效用以及属性的相对重要性;二是寻找消费者可接受的某种产品的最佳市场组合, 这种组合最初可能并没有被消费者所评价;三是模拟市场, 估计市场占有率和市场占有率变化。
联合分析法其核心内容为调查前的准备、试验方案设计、市场调查 (数据采集) 和调查后的数据处理三个部分。经过近四十年的发展, 形成了三种基本分析模型, RCA (Regular or traditional conjoint analysis, 常规型或传统型联合分析) 、HCA (Hybrid conjoint analysis, 混合型联合分析) 及ACA (Adaptive conjoint analysis, 适应型联合分析) 。其中, RCA相对简单易用, 应用较广泛。只要求受访者对各虚拟概念产品进行评价, 研究者则利用统计方法对调查得到的总体偏好效用分解, 求得各个属性、水平的效用, 其分析过程可以分为七个阶段【2】:
(1) 产品的属性和属性水平识别。
(2) 通过正交设计试验生成虚拟产品。并为每一种虚拟产品制作卡片加以描述。
(3) 市场调研 (数据收集) 。要求被访者每次针对产品 (服务) 的所有属性进行评价。
(4) 数据处理。主要是计算各属性的效用。
(5) 评估和验证。以了解在消费者个体层
次和群体层次上联合分析模型的正确性。
(6) 构建产品评估指标和工程指标。
(7) 解释与应用。利用前面分析的结果构建市场模型, 预测由于新产品上市和现有产品结构发生变动可能带来的影响。
对设计者而言, 联合分析的价值在于可以量化测试各种属性相对于用户来说的重要程度, 以及各属性彼此之间的组合关系, 从而预测哪些产品属性组合最受用户的欢迎, 同时对产品概念选择和测试提供量化的评价结果。这样就能在产品开发的概念设计阶段尽快掌握用户需求目标, 避免传统的市场研究方法在分别调查产品属性之后得出不现实的“价格最低、性能最优”, 或者“所有因素都非常重要”等似是而非的结论, 在此基础上明确设计目的, 将用户需求目标转化为相应的设计指标, 驱动设计进程。
2 用户需求层次构建中的联合-层次分析
在产品定义中引入联合分析法是获取用户需求目标并将其转化为产品设计指标的重要分析手段。Suh[3]的公理设计 (Axiomatic Design) 理论认为, 产品设计是顾客域、功能域、结构域和工艺域之间的映射过程, 每一域中都有各自的元素, 即顾客需求、功能要求、设计参数和工艺变量。产品定义是实现顾客域到功能域、结构域的映射与转变的起点, 需要在识别足够多的用户需求信息基础上, 将重要用户需求归类整理为层次化逻辑结构, 并找出新的概念产品组合规则和方法, 以最大程度地满足特定的某些顾客。从顾客域到功能域的映射规则通常使用质量配置工程 (QFD) 来完成产品定义过程, 即识别“顾客的声音” (VOC, 也称顾客需求) , 并将其模糊量化为工程设计指标【4】。然而, 当需求个数较多时QFD在矩阵求解上具有很大的困难。例如, 某目标产品有4个属性, 每属性下各3个水平, 将会得到3*3*3*3=81种不同的虚拟组合方案, 而通常影响顾客的属性远比四个要多。显然, 要让设计人员和用户对这些数量惊人的虚拟产品逐个分析和评价是不现实的。而采用联合-层次分析, 则可以选择一部分有代表性水平进行正交组合试验, 联合分析是在部分因子正交实验设计的基础上, 要求消费者针对属性水平所构造的每一个轮廓进行评分, 以表明购买意向或购买的可能性大小。
正交表是一整套规则的设计表格, 用Ln (t) c表示, 例如L9 (3) 4是指有3个因素水平的9行4列正交表, 如表1中所示。
在进行正交设计之后, 顾客被要求对这些产品组合进行评价, 调研人员随后对这些数据进行处理。按照表1的L9 (3) 4正交表进行属性和水平的选择组合, 可以把试验数量减少到9种不同产品, 不仅减轻了调研和设计评估人员的工作量, 也使得概念配置方案更具有代表性。因此, 联合-层次分析法成为产品概念设计中确定产品定义的主要解决手段。
2.1 偏好属性的筛选与层次分析
层次分析法 (Analytic Hierarchy Process, AHP) 是美国运筹学家A.L.Soaty教授于70年代初期提出的一种简便、灵活而又实用的多准则决策方法。该方法以决策主体的定性分析和逻辑判断为主要依据, 建立判断矩阵并通过一系列数学方法计算出各种候选方案的重要度, 从而选择重要度最大的方案作为最优方案。
由于用户偏好需求是相对主观的因素, 具有模糊性和不确定性, 很难用硬性标准来划分权重等级, 因此要用到模糊层次分析法。AHP的核心是利用1～9之间的整数及其倒数作为标度构造出判断矩阵, 在构造判断矩阵时如果i, j两因素的权重之比不易确定, 只知道其变化范围在P、Q之间, 最大可能值为M。这时, 利用AHP法就无法构造判断矩阵了, 于是决策者们对AHP在模糊环境下进行了扩展, 即Fuzzy AHP。模糊层次分析法的基本步骤为:建立评价层次的结构模型→确定各指标的相对重要度→计算各指标的综合重要度→建立各指标的隶属函数并计算隶属度→综合评价。
模糊层次评价方法的基本步骤为:
1) 确定评价指标。首先通过调研分析把顾客需求描述成一系列的产品属性, 每个属性又分解为不同的属性水平, 不同属性及水平可以组合形成不同的模拟产品, 要求受访者对模拟产品的多个属性进行优劣比较、选择、排序, 研究者则对调查结果利用统计方法进行组合分析, 建立偏好程度评价指标集合S={s i|i=1, 2, ..., m}, m为评价指标的个数;
2) 确定权重。在模糊层次评价法中指标集是一个多级递阶的综合层次结构, 根据结构分析法确定每一评价指标的权重W= (w 1, w2, ...w n) T, 且∑jnwj=1;
3) 确定隶属度。这是模糊层次评价法的关键。设Lk为用户对第k种产品属性水平偏好程度的隶属度集, Lk= (l 1, l 2, ..., l n) T, 隶属度可以根据顾客重要程度以及调研人员的经验, 采用专家评分法以及隶属度函数计算;
4) 综合评价。根据权重、隶属度, 既可对用户偏好需求做出综合排序。根据实际情况, 采取以下评价方法:
a.最大隶属度法
若则可判定对此需求的评价为Vk。
b.加权平均法
若主评价集V=V1, V 2, ..., Vm中各元素均可量化时, 将看成Vj的权重, 用f表示Vj的量化值, 则V=
就是对此用户需求综合排序的结果。
由此筛选出重要的用户偏好需求作为概念产品的正交试验设计的要素进行二次调研和组合分析。
2.2 用户需求目标的排序与RCA组合分析
用户需求目标的排序需建立在产品属性效用评价分析基础上。通常情况下是预先给每一个虚拟产品一个评分指标级或序号, 请顾客通过打分或排序等方式对虚拟产品进行评价, 调查顾客对虚拟产品的喜好、购物的可能性等, 以揭示受访顾客对各属性的重视程度。这里以常用的九级李克特量表举例说明RCA组合分析中产品属性的效用分析与评价方法, 如图1所示。其中, 最终的测试值是所有被访顾客分值的均值【5, 6】, 从问卷信息中分离出顾客对每一属性以及属性水平的偏好值, 也称为该属性的“效用”。
属性的效用可以采用级差分析、方差分析和回归分析来计算, 这里采用回归分析, 总效用的计算采用以下公式【7, 8】:
其中,
U (x) ——所有特征的效用
ki——需求特征i的水平数目
m——需求特征个数。
aij——效用参数, 表示特征i的第j个水平的效用值
参数aij通常采用最小二乘法回归 (OLS) 模型估计。由效用函数可以产生一个衡量每一特征重要程度的指标:属性的重要性Ci。Ci定义为该属性水平的平均最大分值与平均最小分值之差, 即
Ci={Max (aki) -Min (aki) }, 每个属性i的重要性需经过标准化处理, 表示相对于其他属性的相对重要性。
得到了产品属性的效用评价排序后, 再利用专家评分法获得各产品属性对用户需求目标的隶属函数, 从而构建用户需求目标体系。我们以汽车产品造型需求分析为例加以说明。
3 汽车产品造型需求目标分析
通过用户需求的层次分析, 确定以下几个属性水平作为汽车产品需求层次结构分析的主要因素:概念产品属性 (价格、外观、动力性能、人机性能) , 属性水平{高, 中, 低}。在正交实验设计时使用SPSS 8.0及SAS 6.12中的正交分析模块, 自动生成与待定产品的属性和水平数目相对应的正交表。
我们采用L9 (3) 4正交表, 对汽车产品造型需求的四个概念属性进行正交分析, 使原本要进行81种的评价减少为9种。通过二次调研, 输入统计软件SPSS对数据进行分析, 从而得到汽车产品需求目标体系, 为后续的产品结构设计和具体的指标体系制定提供合理依据, 如图2所示。其中, 高、中、低三种水平是相对的, 可以结合市场趋势酌情调整具体的属性方案和轮廓, 具有更稳定的适应性, 属性水平的设置如下。
车身尺寸{3600/1600/1670, 4152/1680/1440, 4212/1762/1531, 4600/1800/1710, 4998/1851/1461}
造型风格{敏捷实用, 沉稳经典, 休闲舒适, 典雅尊贵, 豪华气派}
色彩{白, 黑, 银灰, 深蓝, 绿, 黄, 红}
内饰{简适, 温馨, 考究, 个性}
通过上诉联合-层次分析法, 我们可以得到汽车产品或服务的哪些属性对顾客重要以及重要程度, 从而设置相应的设计指标要求。
联合层次分析确定的用户需求层次结构可以与QFD方法结合完成后续的详细设计进程, 即功能域向结构域的需求目标转化, 为面向个性化设计目的产品快速设计系统平台的构建奠定基础。
参考文献
[1]徐江, 孙守迁.应用正交/交互式遗传算法进行产品造型设计研究[J].计算机集成制造系统, 2007, 8 (13) :1470-1475.
[2]王高、黄劲松, 等.应用联合分析和混合回归模型进行市场细分的研究[J].数理统计与管理, 2007, 11 (26) :941-950.
[3]Green P, Srinivasan V.Conjoint analysis in consumerresearch:issues and outlook.Journal of ConsumerResearch[J].1978, 5:103-123.
[4]于坤章.联合分析法在顾客价值测量中的运用[J].科技和产业, 2005 (10) :21-26.
[5]白长虹.西方的顾客价值研究及其实践启示[J].南开管理评论, 2001 (2) :51-55.
[6]吴明隆.SPSS统计应运实务[M].北京:科学出版社, 2003
[7]孙祥, 陈毅文.消费行为研究中的联合分析法[J].心理科学进展, 2005, 13 (1) :97-106.
手机相机软件用户需求调查问卷 篇5
您好！为了解各年龄段人群对手机相机软件的日常使用习惯，故展开此次调查。本次调查采用匿名形式，我们将严格保密您的信息，请放心作答。谢谢！
1.您的性别
A.男B.女
2.您的年龄
A.20岁以下B.20—30岁C.30—40岁D.40—50岁E.50岁以上
3.您正在使用的手机品牌以及型号_________________________________
4.您的手机前置摄像头像素多少？
A.1300万及以上B.800万到1300万 C.800万 D.500万到800万E.500万F.500万以下
5.您使用系统自带相机的频率比第三方相机应用多吗？
A.是B.否
6.您最常用的手机相机应用
A.相机360B.POCO相机C.美人相机D.UCam全能相机E.系统自带相机 F.其他(请注明)______________________
7.您使用手机相机的主要用途
A.自拍B.风景拍摄C.记录身边趣事D.记录工作学习中的有用信息E.其他(请注明)_______________
8.您最看重的手机相机功能
A.相机滤镜 B.自拍美颜 C.快速连拍 D.全景拍照 E.基本拍照功能 F.基本录像功能 G.相机参数设置（白平衡、曝光值等）H.其他（请注明）________________________
9.您更偏好的手机相机主界面风格
A．简单大方，尽量少的选项按钮，“傻瓜式”拍照
B．尽量丰富的选项按钮，以便快速对相机进行各种设置
C．提供上述两种风格的模式切换功能
D．其他（请注明）_____________________________________
10.您使用手机相机的频率
A.几乎每天都用
B.经常用
C.偶尔用
D.几乎不用
11.您还有什么建议吗？
____________________________________________________________
面向老龄用户的手机设计要素探析 篇6
引言
随着城市的发展，科技的进步，公众的生活水平有了显著提高。与此同时，社会老龄化程度也在加剧。据有关部门预计，2050年的时候，我国老龄化人口可能超过总数的三分之一，不容忽视。基于这样的趋向，于《中国人口老龄化发展趋势百年预测研究报告》之中，曾列出五部分建议，如大力发展老龄产业，倡导对老年人在物质与精神上的关怀，注重老年消费产品的设计与开发等等。可见，老龄用户是重要的消费群体之一。
作为电子信息产品的手机，不限于传统的移动通讯工具而被使用，它带来的是更多的平台、无限的资源、促进公众间情感信息的往来沟通，向综合的、互动的数字媒体工具发展，现已成为公众生活中难以缺少的一部分。虽然手机在老龄用户中已得到普及，但在使用过程中，不少老龄用户对这类电子信息产品仍存有不会用、用不好之类的“恐惧心理”。究其缘由，一方面，老龄用户自身因素的影响，另一方面，市场对老龄用户是有些轻率的，现有手机产品存在很多不足：面向老龄用户群体的手机种类不多，针对性不强，特别在用户体验上做的也不好。具体来说，比如可能有的价格便宜，功能上却仅限满足基本需求，不能满足更多的个性需求、丰富生活；可能有的手机高端智能，却忽视了老龄用户生理退化、心理特征、不符合操作习惯等等。种种摩擦的出现，造成了老龄用户在手机使用过程当中，很大的不便以及心理上的负担。
针对这样的状况，笔者试图以用户为中心，从多个角度来探讨如何带给老龄用户更优化的手机产品体验的设计要素。
老龄用户的特征与需求分析
老龄用户作为新数字时代相对弱势的电子信息产品使用群体，有着其鲜明的生理特征、社会因素的影响、生活方式和心理特征的不同。
在生理特征上，该群体由于年龄的增长，五官感知、认知辨识能力在降低，反应偏于缓慢一些。使用产品中操作行为的灵活性也不如以前，身体容易疲劳，学习新事物困难，学习后难以记忆等等问题的出现。设计中应考虑对其生理老化的包容性。
在社会因素的影响上，该群体大多出生在建国初期，甚至解放前。环境因素导致普遍受教育程度中等，由于学缘背景、生活经历、经济条件、兴趣爱好、社会文化水平的不一，其消费观念和倾向上，相对简朴务实。设计中应考虑其社会文化水平的包容性。
在生活方式和心理特征上，笔者将老龄用户主要分为三种类型，从休闲兴趣和行为购买方面着手，由低向高类型细分及需求如下：
第一，新手用户。
用户特质：生活较为居家，活动内容单一，性格保守。注重手机的实用性，产品的经济性，与社会外界存在一定程度脱节，几乎失去了对电子信息产品的学习兴趣，有恐惧心理。又或出于对手机功能的不够了解，误认为没更多需求。
主要使用功能：关注基本功能的满足，例如通讯联系，多数用于与家人，尤其是与子女之间的日常联系、情感沟通；偶尔看看新闻资讯，手机报；SOS求救，若走失，有助于寻找。休闲娱乐，简单的影音类工具使用，如收音机；几乎不会用手机上网。
第二：中间用户。（所占比例最大）
用户特质：对生活有热情，作息时间规律，希望通过手机的使用，获得更多的感性体验，操作讲究一定的舒适性；他们愿意去学习尝试自己感兴趣的功能，但生理上思维活动能力下降，又存在许多固有的使用习惯，有时在智能手机的使用中仍有不舒适的地方，产生一定的焦虑，加之不经意的失误操作易造成用户心理负担，存在容易放弃的心理。
主要使用功能：功能具有多样性。触摸屏；通讯联系；休闲娱乐，如影音、游戏；生活功能；个人管理；网络应用。
第三：专家用户。
用户特质：日常生活较为丰富多彩，不服老，独立自主性较强，一种乐观开朗的心态，注重健康和生活品质，对手机的功能、审美、体验等有一定讲究。享受科技带来的乐趣，主动探索学习，尝试新鲜事物，获取更多知识与信息；希望与外界互动、共享，增强社会归属感和认同感。
主要使用功能：功能需有多样性及扩展性。通讯联系；网络应用，比如微博、微信、QQ等社交平台、各类APP；休闲娱乐，如影音、游戏；生活功能，如闹钟，手电筒，备忘等；个人管理；工具扩展；个性定制；甚至可以外接一些工具。
面向老龄用户的手机设计要素
“以人为本”和重视人的情感应是设计的前提，从上述对“新手”、“中间”、“专家”这三种不同老龄用户类型可以看出，他们相互之间存在着共性与个性，对手机产品有相应的交互需求。设计者可从以下几方面要素着手，优化体验，减少老龄用户在手机使用过程中的障碍与摩擦。
（1）产品目标
以手机的可用性和提升老龄用户体验为主要目标。引导老龄用户走向更健康的生活方式，提高手机产品满意度，使手机的使用变得更加有趣味性、益处、视觉富有美感，并让用户参与其中创造，从多方面达到功能与情感上的满足。
（2）基本原则
为达到设计目标，应整体遵循以下原则，以抓住手机设计的综合要素与老龄用户需求的有效契合：
①手机系统及其各项使用功能的专业性、能行性与有效度。比如老龄用户可以用手机做什么事情，打电话、发短信、上网、游戏等，是不是这些功能都能够实现，系统支持它实现的程度高低又是怎样。
②产品的安全度高与对用户的包容性较强。由于老龄用户学习认知、辨识、记忆等能力的衰减，在操作中常易发生错误。在这种情况下，首先，如何预警，手机能否通过一些提醒功能、或者操作信息的反馈，来预防此类偶然的误操作和降低损失呢；其次，如果老龄用户已发生操作错误，能否通过设计，以帮助他们识别错误并明确步骤如何进行修复，从而避免强行退出、死机等不必要后果呢。
③体现通用性。比如，设计良好的手机功能集，让老龄用户能根据自己对手机的操作习惯，选择相应的方式来达到功能目标。
④容易学习和记忆的操作方式。基于用户十分钟法则和老龄用户心理特征，当他们遭遇操作失误带来的挫折时，容易产生放弃的想法，所以手机系统（IOS、WINDOWS PHONE或安卓等）及各项功能得易于操作，让老龄用户在尽可能短时间内学习和掌握，从新手用户转向中间用户，要做到让老龄用户一进入界面时，很快明白这是什么，如何使用它，而不是花费大量精力去反复摸索和录入信息等。并在学会后，再次使用手机时，通过悬浮框等界面提醒方式协助他们记住或联想到怎么进行操作。
（3）信息架构
在做信息架构的设计时，由于老龄用户工作记忆退化，一次只能处理几条信息，应尽量通过整合和精简的方式优化层级，突出老龄用户最需要的信息、最常使用的功能，将其有效连接起来，使之简洁明了，让老龄用户不至于在完成功能操作的流程当中迷失。老龄用户固有的操作习惯不容易改变，也应据此特点，保留用户所关注和常使用的手机功能，方便其查找、浏览与记忆信息。
（4）界面设计、导航设计和信息设计
将信息内容如何进行组织后，接下来是进行界面设计、导航设计和信息设计，这部分属于手机的结构层和表现层，它们意味着用怎样图案信息、表达怎样的内涵、如何被老龄用户所接受和理解去考虑。
首先，界面设计的结构化会有助于老龄用户容易学习手机的使用，并通过强化操作提醒与反馈，辅助他们进行记忆。提醒与反馈的方式可有多重，如使用文字“请xxx”“操作错误”“下一步xxx”或简明易懂的声音等等。
第二，在获取信息路径的导航设计中，应尽可能少的让老龄用户进行手动输入东西，而是在他们输入时智能给出参考性的文字，从而降低认知负荷，毕竟选择已有是比主观回忆相对更容易些。
第三，在指示图标的设计上，多用图像信息来表达功能，图文并茂，增强手机操作的导向性。在选择上，可多采用拟物化图标符号，如果采用扁平化的，也需与老龄用户生活情境相匹配的图形，让他们能很快建立起符号认知，将现实生活与虚拟空间联系起来，直观易懂，强化记忆。
第四，在文字的使用上，由于老龄用户视觉生理功能的衰退，应注意密度问题，适当放大图标和文字等界面元素的尺寸大小，强调主要信息量，方便老龄用户加快辨识和操控。另外，类似功能的文字信息在表达上尽量直白、有通用性，避免老龄用户产生过多思考与畏难心理。
第五，在色彩的使用上，由于老龄用户步入中老年后，眼睛的水晶体就开始变黄，导致他们对蓝、绿色的光的感知越来越低，故应慎用蓝绿色。不仅如此，由于老龄用户对色彩的敏感度也越来越低，应控制同一个界面里的颜色种类，否则容易产生视觉疲劳。并且在操作界面切换中，明暗变化及元素移动速度、间隔时间都要稍长一点，留给老龄用户更多的大脑反应时间。
（5）产品的外观造型
产品的造型整体以美观、简洁、现代为设计方向，遵循“少即是多”原则。基于人机工程学，让老年人在抓握手机时，通过整体形态、手机尺寸、产品重量的把握，增加其操作的便利性、灵活性以及抓握时的舒适感。合理搭配色彩，在配色偏于稳重，给人大方的感觉。在材料与加工工艺上，让手机质感更加舒适，给用户以亲切感，材料选择符合绿色环保，耐摔，注重功能性与经济性。
结语
综上，随着老龄化的加剧，社会对老龄用户的生活的关怀越来越多，但市场现有产品尚存在很多缺失，笔者希望通过有针对性地从老年人的生理、心理特征、情感需求、生活方式出发，深入挖掘和对应老龄用户对手机的需求，在基本设计原则上，对产品目标、信息架构、界面设计、导航设计、信息设计和产品的外观造型等多个设计要素进行优化。通过这样的设计和人文关怀，提升老龄用户对手机使用的功能满足和情感体验，为其创造更为自然、舒适的交互方式及宜人的使用环境，手机作为媒介之一，增多他们与家人和社会的沟通、交流，强化归属感和认同感，满足人、机、体验环境的协调发展，从而引导老年人更为健康的生活方式。
（作者单位：成都信息工程大学 文化艺术学院）
面向用户需求 篇7
为解决面向服务的网络化制造资源共享问题,需要在大量的制造资源中搜索符合用户需求的服务,即资源服务的发现。由于网络中的制造资源数量众多,且动态变化,具有异构性,故即使采用统一的描述方式,要发现合适的资源服务并对其进行组织以满足用户需求也比较困难。因此,需要对网络中存在的大量资源进行数据挖掘,从而提高资源的搜索效率和资源分配的准确性,适应资源的动态变化和用户的多样化需求。聚类技术是数据挖掘领域的常见技术,它通过计算数据样本对象之间的相似性来划分数据。由于在实际生产中对制造资源描述属性参数表示的不同,使得制造资源信息具有模糊性,因此制造资源更适合软划分,即模糊聚类。
1965年,Zadeh教授提出模糊理论后,人们开始用模糊的方法处理聚类问题,即模糊聚类分析。模糊划分的概念最早由Ruspini[1]提出,尔后,人们根据此概念提出了许多种聚类方法,比较典型的有:基于相似性关系[2]和模糊关系[3,4]的方法、基于模糊等价关系的传递包方法[5]、基于模糊图论最大树方法[6]和基于先进的优化算法的聚类方法[7]。然而在网络化制造环境下,上述方法不适合大量资源数据的情况,也难以满足动态变化的资源需求,因此,在实际应用中人们创造了受到普遍欢迎的基于目标函数的聚类方法。
模糊聚类方法是根据客观事物间的不同特征和亲疏程度,通过建立模糊相似关系对客观事物进行分类的方法[8,9]。该方法通过计算各样本数据之间的相似和相异程度,为资源服务的发现提供支持。计算用户需求和服务能力之间的模糊相似度是实现资源服务聚类的关键。目前模糊相似度的确定有欧式距离、相关系数等方法,但由于这些方法在确定模糊隶属度时有一定的困难,加之相似度计算主要以考虑距离的远近为主,不能体现用户需求和服务能力之间的匹配程度和差异,因而不能有效地发现资源服务。另外,对于水平截集λ的确定多以经验为标准,缺乏理论依据,使聚类方案很难达到最优,难以满足用户对服务的不同偏好。
针对上述问题,本文引入灰色关联度来计算用户需求和资源(服务)之间的相似度,采用模糊聚类方法对资源进行动态聚类,在考虑满足用户偏好需求的基础上确定复合λ值,以资源类内聚合度和类间分离度最优建立目标函数,对聚类方案进行多目标优化,从而解决了上述聚类方法的不足。
1 基于灰色关联度的资源模糊聚类
1.1用户需求偏好影响相关性分析
在面向服务的网络化制造环境下,资源聚类的目的就是为了满足用户多样性的资源服务需求,为用户提供满意的服务。用户需求偏好对制造资源聚类的结果有重要的影响:用户功能需求偏好会影响资源的分类,同时功能需求偏好的粒度也会对资源聚类的粒度产生影响;用户对资源服务质量的偏好也是影响聚类的重要因素。因此,对用户需求偏好下制造资源相关性进行分析是指导面向优化配置资源聚类的关键。用户需求偏好及其相应的资源服务能力之间的密切联系使得必须对实现用户需求的制造能力进行评估,综合权衡后以适当的方式满足用户要求,因此需求分析成为一个多目标、多属性的决策过程。需求分析不是孤立地对用户所提要求进行分析,而是将用户需求与企业实际制造能力(资源集合)相结合的综合决策过程。因而,对于用户需求和资源服务有如下定义:
设D={D1,D2,…,Dn}为用户需求集合,Y={Y1,Y2,…,Ys}为用户需求的特征属性,yj={yj1,yj2,…,yjs}表示第j个需求具有s个属性,X={X1,X2,…,Xm}为制造资源集合。
1.1.1 基于灰色关联的模糊相似矩阵的建立
灰色关联分析法是对离散空间的一种接近测度,反映了相似匹配的实质[10],与其他多因素分析方法相比,具有对数据要求低且计算量较小等特点,便于广泛应用。设资源xi和资源xj在用户需求方面第k个特征向量上的局部关联系数定义为S(xi(k),xj(k)),则
Δij=|xi(k)-xj(k)|
式(1)中的分子部分是xi(k)与xj(k)的比较环境值,含有点集拓扑信息,其中ξ为分辨系数,ξ∈[0,1],作用是调整比较环境值的大小。
关联系数定义中,ξ一般根据经验值取为0.5,但是主观性强。根据式(1)可以看出,影响关联系数大小的因素不仅和标准参考序列X0和比较序列Xi有关,而且还受其他比较序列的影响,如Δmin和Δmax。由以上分析可以看出,ξ反映的是各因子对关联系数的影响程度,关联空间比较均值
分辨系数的确定原则为:当
相对于用户需求服务请求资源xi和xj之间的关联度是k个特征向量综合作用的结果,定义为
其中,ωk(k=1,2,…,m)为各需求特征属性的权重,反映了第k个需求特征属性对于用户需求的重要程度,
相对于用户需求的资源i和j之间的关联度作为xi和xj的相似度,建立模糊关联矩阵R=[rij]n×n,该矩阵满足:
自反性,即∀i,rij=1;对称性,即rij和rji都表示xi和xj的相似度,rij=rji,且rij∈[0,1]。
1.1.2 模糊相似矩阵的构建及转换
若矩阵具有传递性,满足rij∧rjk≤rik,k=1,2,…(即R×R⊆R2),则[rij]n×n为模糊等价矩阵。将R转换成模糊等价矩阵的方法是将R自乘得R×R=R2,再自乘R2,直至
最后,根据模糊等价矩阵,通过在[0,1]之间选取λ水平截集,生成对应的矩阵,矩阵中所有rij≥λ的元素变为1,否则变为0,并且根据矩阵R的对称性将R的主对角线左下方部分的元素去掉,得到相应的布尔矩阵Rλ,若Rλ中除主对角线元素外的元素rλij=1,则xi和xj归为一类。在不同的λ水平截集下,可以得到由粗到细不同的资源动态归类结果。
1.2面向优化配置的资源聚类流程
由1.1节分析总结得出的面向优化配置的资源聚类流程如图1所示。
2 资源聚类质量评价模型
2.1资源聚类质量评价数学模型的建立
由上述分析可知,面向用户需求的制造资源聚类主要考虑的是用户需求及其满意度,因此,本文将用户需求满意度作为资源聚类优化目标之一。
资源聚类必须遵守的规则为:
(1)一个资源被聚类后只能属于一个资源簇。
(2)每个资源都必须被聚类,不能遗漏任何一个。
为了建立资源聚类的优化目标函数,借以评价资源聚类的质量,现定义如下:
定义1 假设制造资源X={X1,X2,…,Xm}被归类为g个资源类组O={O1,O2,…,Og};每个资源类组中的资源数目为ci个,即
(5)
其中,RV为与类组Ok相对应的特征量,通过一组逻辑联接对“特征-特征值”(即Attribute-Value)进行表达。
资源类组中各资源之间的平均聚合度为
由式(6)可以看出,C(Oi)越小,表示资源类组中资源间的特征属性相似程度越高、类组越紧凑,即
定义2 假设资源类组Oi和Oj分别为划分的两个类,类中心分别为OiO,OjO,Oi中包含资源pi个,Oj中包含资源pj个,则称DV(OiO,OjO)为资源类组Oi和Oj的分离度,其数学描述为
(8)
式中,
由式(8)可以看出,
定义3 资源聚类粒度α越细,用户满意度越高,资源搜索效率越高。但此前提下也存在一对矛盾,即粒度过细会增加成本,粒度过粗又会降低搜索质量和效率,使用户满意度降低。因此,引入用户需求满意度对聚类方案进行评价。资源簇内资源聚类关系越合理,单个资源簇的期望效用值就越大,用户的满意度就越大。利用ANP建立用户需求与资源簇及资源之间的关系,客户满意度GV可表达为
式中,n为用户需求总数;Cα为聚类粒度,表示α时的资源簇数目;φjl为第j个资源簇对第l项用户需求的贡献度,由网络分析法[11]获得;σil为第i个资源簇对第l项用户需求的贡献度。
由式(9)可看出,GV越小,用户满意度越高。
综合以上3个因素,本文提出一个新的指标f(X),用于定量评价聚类质量,可表达为
(10)
式中,X表示不同的资源聚类方案。
式(10)采用线性组合来构造资源聚类的优化目标函数,可以看出,函数f(X)越小,资源聚类的聚合度越大,分离度越小,资源聚类的质量越高。故当某个方案使f(X)最小时则为最优方案。
2.2评价模型自变量的获取
评价模型中的自变量为聚类方案,通过对聚类方案中的资源簇进行评价获得Vg(X)的值,从而进行优劣判断。
(1)假设获得如图2所示的模糊聚类树,遍历所有λ值获得聚类方案,图中虚线代表对应的不同λ划分,λ值从左到右依次为λ1,λ2,…,λ5。λ1=0时粒度最细,每个资源组成一个资源簇,λ5=max(λi)(i=1,2,…,5)时,粒度最大,此时所有的资源为一个资源簇。
(2)Xλ为λ对应的聚类方案,Xλ={Xλ1,Xλ2,…,Xλ n},Xλ i为Xλ中的第i个资源簇,以图2为例,得到Xλ方案中资源簇的并集XM:
式中,Q为λ值的个数。
Xλ1={1,3,2,4,5}
Xλ2={(1,3),2,4,5}
Xλ3={(1,3),2,(4,5)}
Xλ4={(1,2,3),(4,5)}
Xλ5={(1,2,3,4,5)}
(4,5)(1,2,3),(1,2,3,4,5)}
当取不同的λ资源相同时,资源对应的λ应取最小。如XM中的(4,5)对应的值为λ4。
(3)资源聚类完成后,必须对聚类结果进行归属性唯一的检验,即遵守资源簇的并集必须包含所有的资源,一项资源只能归属于一个资源簇的规则。另外,要用minλ值表示资源聚类的结果,需要去除冗余的λ值而资源聚类的结果不变。冗余λ值的删除如图3所示。
以上述方式产生方案进行优化,符合资源聚类的原则,弥补了单一λ值柔性不足的缺点。
2.3基于遗传算法的资源聚类质量评价算法
遗传算法是基于“适者生存”的一种全局寻优的智能优化算法,但是在实际应用中,遗传算法经常会出现收敛早熟和进化后期搜索效率较低且交配时有可能使最优解遗失的缺陷。因此,本文在交叉变异操作中引入局部邻域搜索,并根据自适应遗传算法原理,建立遗传算法的交叉概率和变异概率的自适应重构策略,避免了算法的早熟,加快了收敛的速度。
2.3.1 基因编码
本文采用实数的形式对基因进行遗传编码,每个基因的位置代表一个资源;染色体的长度等于资源的个数,基因编码值相同代表相对应的资源被归类在一个资源簇。以图2中Xλ2={(1,3),2,4,5}为例,其遗传编码如表1所示。
2.3.2 初始种群的产生
初始种群的产生,即根据初始种群的大小产生方案X。给定初始化种群大小,根据前文所述聚类必须遵守的规则产生初始种群。
2.3.3 选择操作和适应度函数的构造
选择是对染色体的选择,同一级的染色体具有相同的选择概率。本文采用经典轮盘赌选择法对个体进行选择,使种群中最优个体随机进入下一代并替换掉其中某个体,以保证优良的个体有较大概率不断进入下一代进行寻优。
适应度函数是评价个体优劣的指标,本文采用式(9)作为适应度函数。由于聚类质量评价的目标函数是求最小值,对其进行转化,得到的计算公式为
F(X)=Vg,max-Vg (11)
式中,Vg,max为同一代群体中目标函数值最大的染色体的目标函数值。
2.3.4 交叉和变异操作
交叉操作是指按照一定的交叉概率Pc选择染色体进行交叉重组,当种群中的多数染色体具有相同特征时,传统的交叉重组方法在变异概率很小的情况下往往由于不能有效地产生出新的染色体而容易造成算法过早收敛,本文采用部分匹配交叉重组方法(图4),具体步骤如下:
(1)在种群染色体中随机选择一个交配区域,并假设两个父代染色体及交配选择结果如图4a所示。
(2)将B的交配区加到A的交配区前面或者后面,A的交配区加到B的交配区前面或者后面得到图4b所示的新的交配区。
(3)在A1、B1自交配后的区域中依次删除与交配区相同的编码,最终得到图4c所示的两个子代染色体。
变异操作是指根据变异概率Pm使染色体的基因发生改变,使遗传算法具有局部的随机搜索能力,同时保持种群的多样性,防止早熟收敛。本文采用图5所示的平移变异方式进行变异操作。
交叉概率和变异概率Pc和Pm的确定对遗传算法的性能影响很大,直接影响算法的收敛性。Pc和Pm根据经验一般分别取0.25～1.0和0.001～0.1之间的某个固定值。本文根据自适应遗传算法原理,建立的交叉概率和变异概率的自适应重构表达式为
式中,fmax为群体的最大适应度函数值;favg为群体的平均适应度函数值;f1为要交叉的两个个体中较大的适应度函数值;f为要变异的个体的适应度函数值;k1、k2、k3、k4为常数。
在操作过程中,适应度函数值小的染色体具有较大的交叉率和变异率,且最大适应度函数值对应的染色体的交叉率和变异率不为零,从而有利于加快搜索的速度。当算法陷入局部极值时,根据式(12)和式(13),适应度函数值较大的染色体对应的交叉率和变异率也会增大,有利于避免算法早熟。因此,Pc和Pm通过设定参数来进行自适应调整,从而得出某个解的最优Pc和Pm,有效地防止了算法的早熟,提高了种群的收敛速度。
2.3.5 保优操作
遗传算法通过对个体的变异和交叉产生新的个体,由于这些操作的随机性,有可能破坏当前种群中的优良个体,降低群体的平均相对适应度,从而影响算法的效率和收敛性。为了保证优良个体能传到下一代,将父代与变异的子代合并,组成新的种群,然后根据个体的适应度值对新的种群进行排序,选择与原始规模相等的较好的个体组成新的父代进行下一轮的选择、交叉和变异操作。
2.3.6 遗传算法步骤
(1)确定群体规模maxpop,设置算法中的系数值,如交叉变异系数k1、k2、k3、k4,产生初始群体pop(k),找出目标函数值的最优解fmin以及使函数值最优的染色体
(2)计算种群pop(k)的函数值f(i),找出使函数f(i)值最小的染色体和函数值f。如果f<fmin,则令
(3)若满足结束条件则停止计算,输出最优解和最优染色体;否则,在种群pop(k)中按轮盘赌的方法选择新的种群体newpop(k),同时实施保优操作。
(4)重新计算染色体目标函数值,按交叉概率和变异概率进行交叉和变异操作,同时实施保优操作。
(5)对经过交叉和变异的群体,进行局部邻域搜索:在染色体中随机产生两个新子代个体a和b,比较两个个体的目标函数值fa和fb,如果fa>fb,则将fa复制到下一代,否则将fb复制到下一代。
(6)算法终止条件判断,如果满足终止条件,则输出最优解,否则转入步骤(2)。
遗传算法流程如图6所示。
3 实例分析
以敏捷总装系统平台中某型号产品为例,验证本算法对资源聚类问题的求解性能。客户要求完成对某型号产品的总装,需要的装配资源主要有:对接架车、竖立托架、侧立托架、水平托架、停放支架、通用吊具、专用吊具、加压辅具、辅助夹具、支承环、测量工装、模拟器、等效器、等效仪、检测仪等。
通过分析用户需求偏好和关联矩阵,基于模糊聚类法得到模糊聚类树,按照上述改进遗传算法对聚类方案进行优化。选择的算法参数为:种群规模max pop=80,n=4,交叉和变异概率系数k1=0.45,k2=0.03,k3=0.65,k4=0.5。算法运行至103代收敛,优化结果如表2所示。
第103代的聚类方案的资源聚类结果为:(1-6,10,12),(13,14),(15,16),(17-20),(21-25,28,29),(26-27),(30-35),(11,36)。优化结果对应的λ值为:λ1=0.65,λ2=0.78,λ3=0.8,λ4=0.85,λ5=0.82,λ6=0.75,λ7=0.83,λ8=0.52。经过精简去除冗余后的λ值为:λ*1=0.65,λ*2=0.78,λ*3=0.75,λ*4=0.52。
表3所示为本文遗传算法与经典遗传算法的比较,结果表明,本文算法不仅具有种群多样性、抑制算法早熟的优点,而且收敛速度也比经典算法快。
4 结束语
本文提出了面向用户需求的基于灰色关联度的资源聚类法。该方法采用选择复合λ值来适应用户需求,并将用户需求满意度作为评价聚类方法质量的指标之一,避免了仅考虑单一λ值的不周和难以优化的缺点,增强了资源聚类的柔性。同时,运用遗传算法对资源聚类结果进行优化,根据自适应遗传算法原理建立了交叉概率和变异概率的自适应重构策略,防止了算法的早熟、加快了收敛的速度。通过算例验证了该算法优于传统遗传算法的特性。
参考文献
[1]Ruspini E H.A New Approach to Clustering[J].Inf.Count.,1969,15(1):22-32.
[2]Tamra S.Pattern Classification Based on Fuzzy Rela-tions[J].IEEE Trans.SMC,1971,1(1):217-242.
[3]Backer E,Jain A K.A Clustering Performance Meas-ure Based on Fuzzy Set Decomposition[J].IEEETrans.PAMI,1981,3(1):66-74.
[4]Zadeh L A.Similarity Relations and Fuzzy Orderings I[J].Inf.Sci.,1971,3:177-200.
[5]Dunn J C.A Graph Theoreticanalysis of Pattern Classi-fication Via Tamura’s Fuzzy Relation[J].IEEETrans.SMC,1974,4(3):310-313.
[6]Zkim Le.Fuzzyrelation Compositions and Pattern Rec-ognition[J].Inf.Sci.,1996,89:107-130.
[7]Wu Z,Leathy R.An Optimal Gragh Theoretic Ap-proach to Data Clustering:Theory and Its Applicationto Image Segmentation[J].IEEE Trans.PAMI,1993,15(11):1101-1113.
[8]Wang Weina,Zhang Yunjie.A Fuzzy Clustering Ap-proach for Finding Similar Documents Using a NovelSimilarity Measure[J].Fuzzy Sets and Systems,2007,158(19):2095-2117.
[9]王爱民,孟明辰,黄靖远.聚类分析法在产品族设计中的应用研究[J].计算机辅助设计与图形学报,2003,15(3):343-347.
[10]吕大刚,王力,张鹏,等.结构方案设计模糊多属性决策的灰色关联度方法[J].哈尔滨工业大学学报,2007,39(6):841-844.
面向用户需求 篇8
年初举行的2011年全国环境保护工作会议, 明确制定了我国“十二五”环保工作的目标, 对节能减排提出了更高的要求。“基于国家节能减排的环保目标和用户降低经营成本的迫切需求, 米其林凭借着在轮胎科技方面的领先地位和研发投入, 不断为中国用户带来更多的省油轮胎解决方案。”米其林 (中国) 投资有限公司高级副总裁夏茂廷先生表示:面对中国快速增长的卡客车省油轮胎市场, 此次发布的两款省油轮胎兼具卓越的安全性和可翻新性能, 可满足用户在长途高速运输中对轮胎产品的多重需求。
米其林XDA 2 Energy是一款适用于长途高速货运车辆驱动轴轮位的有内胎轮胎, 具有节省燃油、更长里程和高翻新率等特点。得益于米其林Energy技术在胶料配方、胎体结构设计上的应用, 此款轮胎的滚动阻力显著降低。与相同规格的米其林XDE 2+Energy相比, 该款轮胎滚动阻力降低约15%, 可为卡客车用户节省约3%的燃油成本。举例来说, 如果一个车队拥有60台车辆, 假设每辆卡车每年行驶24万公里, 如果整个车队都是用米其林省油轮胎, 车队每年每台车可节省18900元 (假设油耗为35升/公里, 油价7.5元/升) , 这也意味着每年可为车队节省总共超过110万元的费用。在一些特定路况和行驶环境下, 米其林省油轮胎的使用寿命普遍超过一年, 可为用户带来更多的油耗节省。更多案例用户可通过米其林卡客车轮胎网站www.michelintransport.com.cn上的省油计算器计算节省的燃油价值, 或拨打米其林无忧行热线4008890088联系米其林当地技术销售代表了解更多相关情况。
另外, 着眼于长途高速运输状态下轮胎极易磨损的困扰, 米其林XDA 2 Energy优化的花纹设计, 有效地减少了轮胎中心花纹沟槽的不规则磨损及花纹块趾踵状磨损;增加的胎冠强度也为胎体提供了更好的保护, 在延长轮胎使用寿命的同时, 大大提高了轮胎的可翻新性。此次发布的轮胎尺寸为11.00R20和12.00R20, 覆盖了国内大多数的有内胎卡客车轮胎市场。
4 月20日发布的另一款适用于驱动轴轮位的无内胎省油轮胎, 米其林XDA 2+Energy以其低滚动阻力带来的省油效果, 为从事长途高速货运的无内胎卡客车轮胎用户们提供了又一省油轮胎解决方案。尤其值得一提的是, 升级的胎面花纹设计, 为该款轮胎带来了卓越的湿地抓地力。新型的胎肩花纹、特殊的胶料配方, 在增强轮胎路面操控性的同时, 极大改进了轮胎的耐磨性, 使得胎体更加坚固, 不仅为用户带来更高的安全性, 更延长了轮胎的使用寿命, 实现超长里程。此次发布的两个规格尺寸为295/80R22.5和315/80R22.5。
作为中国市场首发的驱动轴专用省油轮胎产品, 米其林XDA 2 Energy和XDA 2+Energy, 进一步丰富了米其林省油轮胎产品线。自2006年面向中国卡客车轮胎市场率先推出第一条采用米其林Energy省油技术的轮胎米其林XZA 2+Energy以来, 米其林向中国市场提供的多种不同规格、花纹的卡客车省油轮胎, 共计为广大米其林车队用户节省了超过一亿升燃油, 碳减排近24万吨, 相当于种植了728万棵成年树木。作为卡客车省油轮胎市场的开拓者和引领者, 米其林不断丰富自己的省油轮胎产品线, 目前能够提供8个规格、6种花纹的卡客车省油有内胎和无内胎轮胎产品, 满足包括中长途高速客运、货运以及城市公交运输在内的不同行业对省油轮胎的需求, 不仅为用户带来可观的经济效益, 更为社会创造了巨大的环保效益。
米其林是全球领先的轮胎生产商, 在全球170多个国家拥有111, 000名员工。米其林致力于全球可持续移动性的提高, 其设计、制造并销售的轮胎被广泛用于飞机、汽车、自行车、重型推土机、农机设备, 重型卡车、摩托车、甚至于美国的太空飞船上。目前, 米其林在全球五大洲的19个国家拥有72家工厂。另外, 米其林还出版旅游指南、酒店和餐饮指南、地图、道路地图集, 并通过ViaMichelin.com为出行提供电子服务。米其林在欧洲、美国和日本拥有技术中心, 为米其林源源不断地提供研发和科技创新支持。
面向用户需求 篇9
“在没有精细化智能管道的运维模式下, 70%的流量被ARPU很低的数据业务占据了带宽资源, 其余30%的流量对运营商收入贡献很大, 但其业务质量和用户体验可能并不是最优的。改善这种情况就需要运维服务的全面转型。”
——中兴通讯服务业务部副总经理周勇
在LTE、OTT加速发展趋势下, 电信网络迎来前所未有的转型压力, 技术变革、业务转型、网络结构变化等等压力使得运营商在经营、维护各方面都面临着更大挑战。此前, 运营商网络运行维护部门人士对本刊记者表示, 网络运维工作是运营商经营发展的基础, 在电信企业转型时期如果运维转型不得当, 将影响整个企业经营和发展。
此前, 网络KPI评估体系一直是运营商面对系统和设备的考核目标, 但通常网络KPI指标很好时并不意味着用户体验也相应很好。在大流量业务的冲击下, 这样的矛盾一再升级。
按照运营商运维部门的规划, 现阶段运维转型除了从企业战略调整、经营模式变化、网络技术演进、维护手段改进、网络规模发展以及人员结构变化这六个方面入手来进行, 还需将运维转型考核从面向网络全面转向面向用户体验和面向业务发展。
对此, 中兴通讯服务业务部副总经理周勇在日前的国际通信展上接受本刊记者采访时也重点提到, 面向用户和面向业务的运维服务, 是实现智慧运营的关键。“过去面向网络的运维服务主要是为了降低成本, 提升运维效率。但当前的运维服务不仅仅要降低成本, 更重要的是实现开源, 让运营商更好地理解客户和市场, 实现增量并增收。因此, 新时期的网络运维的核心理念就是面向业务运营, 甚至面向商业智能化方向转变。”
据悉, 针对这一趋势, 中兴通讯已推出“基于NOC (Network Operation Center) 的网络运维, 向基于SOC (Service Operation Center) 的业务运营, 甚至基于BIC (Business Intelligence Center) 的商业智能支撑”的服务演进蓝图。
新时期运维服务的三个关键
要改变从前面向网络基础设施的运维, 运营商需要深入理解服务的深层次价值。周勇提到, 面向用户与业务的运维服务有三大关键, 分别是人、流程、工具。这三者所形成的有机整体, 才是保障端到端用户体验的全方位服务方案。流程是实现业务价值的基础;工具是整个流程的载体, 不管是面向用户的流程、商业流程还是业务流程, 都需要工具作为载体;同时, 服务仍然要靠专业的人员保障。
基于这三个关键, 无论是业务发展, 还是商业方面的智能化运营支撑, 都可以更充分地利用针对业务质量保障和用户体验管理的工具, 引导服务转型, 使运营商运维体系更加稳步有序进行转变, 实现业务流程的转变。
周勇解释, 运维服务不仅仅是传统意义上的OSS, 因为服务工具要跟服务特性、业务流程紧密的结合起来, 工具体现的是功能, 而服务流程是载体, 运维服务要能依托于流程去承载服务业务活动, 又能在这个过程中监控与评估整个流程和业务活动的效率。
运维服务的转型, 在国际上尤其在发达国家, 已经有明显的成效。成熟市场对于流程的标准化、工具的自动化、服务的集中化已经体现得较为突出。据周勇介绍, 此前在欧洲操作过的运维服务项目, 工具可以达到几十种甚至上百种, 背后的OEM厂商、服务商也有几十家, 依托于流程标准化、工具自动化, 如此繁多的品牌也能够协力将服务效率提升不小的幅度。
国内运营商对OSS/BSS服务工具优化也投入了相当大的精力, 综合代维、一体化代维、服务外包都成为运营商关注的重点。集约化的运维服务、运维组织的扁平化等也都体现了运维服务的标准化、自动化、智能化, 在这些趋势下运维效率得以进一步提升, 成本也得以降低。
管道价值的深层次挖掘
运营商几年前提出的智能管道目标一方面是力图改变增量不增收的收入情况, 另一方面也是为了改善运营支撑、运行维护、网络管理的效率与能力。周勇表示, 在智能管道这一方向上, 运营商和包括中兴在内的专业服务提供商有很多方面可以合作, 一是分析清楚业务特性与管道需求;二是针对不同业务制定不同的策略, 包括接入策略、资费策略、业务保障策略 (确保高价值用户获得最佳的用户体验) ;三是更好地对用户进行细分, 精准地做业务推广和营销。
促使运营商加大智能管道的转型力度, 与当下OTT、LTE带来的数据业务分流和大流量网络冲击分不开。随着固定移动网络的融合, 全业务运营时代加速了运营商加大服务外包的力度。
渠道、用户、市场、商业计划等等, 是可以给运营商带来直接收益和商业价值的核心。为了更好地为这些核心提供支撑, 运营商正在越来越多地把网络运维交由专业服务提供商做。
国内三大运营商从此前的抵触OTT到现在尝试开放与OTT合作的转变, 也是为了进一步扩大这些商业核心从更高价值的市场获得盈利的能力。
面向终端用户的远程监控系统设计 篇10
随着技术的进步, 远程监控成为一项应用非常成熟的技术。它大多用于对无人值守, 不便作业的复杂偏远环境下的系统进行监控。远程监控系统的应用在大大降低了人力资源的同时, 还对那些不需要经常巡视或者人力无法长期生存的区域都能保持了及时可靠的监控, 极大的满足了人们生产生活的需要[1,2]。
沼气站建设是一项历史悠久、利国利民的好政策。农村沼气建设把可再生能源技术和高效生态农业技术结合起来, 对解决农户炊事用能, 改善农民生产生活条件, 促进农业结构调整和农民增收节支, 巩固生态环境建设成果具有重要意义。
但是, 目前由于沼气站由于处在比较远的养殖场或是农村, 有关监管部门及运营商们对下面沼气站的运行没有一个直观的检测, 也不能每天都去沼气站现场监督, 所以需要一套全面的、适合的监控系统来对下面的一个或是几个沼气站进行监控及信息的处理。
本文介绍了一种面向终端用户开发远程监控系统, 并将其应用于沼气站的远程监测和控制中。该系统利用沼气站现有的控制系统采集数据, 通过有线或是无线传输网络, 送到每位能源操作者、管理者和决策者面前, 使他们随时监测沼气站的运行状态、配备专家诊断系统以达到提高能源效益、减少能源损耗、稳定运行的目的。
1 系统架构
图1所示为沼气远程监控平台硬件部分的拓扑结构方案图。其中, 外部网络是与Internet相连接的, 存在病毒与骇客的不安全区域, 外部网络与系统服务器使用硬件防火墙进行隔离。
代理服务器负责隔离Internet与处于各安全区域的服务器。所有用户提出的请求都提交给代理服务器, 由代理服务器进行处理, 将其中合法、安全的请求交由应用服务器进行处理, 再将应用服务器处理结果以及数据反馈给用户。这保障了应用服务器与数据服务器的安全[3,4]。
应用服务器是本系统的核心服务器。它负责处理请求-响应及各类业务逻辑。主要包括接收代理服务器转递的请求、处理SMS收发模组提出的数据请求、向数据库服务器发出数据操作请求并接收数据库服务器的反馈数据、生成人机界面并响应用户提出的请求[5]。
数据库服务器应用关系型DBMS进行数据的存储与处理。备份服务器负责定时进行数据双机备份, 以便发生意外情况时进行数据恢复[6]。
2 系统操作流程
系统操作流程如图2所示。从系统操作流程图可以看出, 本系统包括沼气站远程运行监控子平台、预警信息管理子平台、在线技术服务三大子平台[7,8]。其中, 远程监控子平台包括沼气站站点管理系统、监控管理、数据统计、设备管理、设备全寿命周期管理五个模块;预警信息管理子平台包括预警信息发布、实时报警、报警数据管理及报警日志四个模块;在线技术服务包含数据分析、专家诊断、视频协助、在线技术培训及新技术信息发布五个模块, 具体各模块功能简单介绍如下。
1) 沼气站站点管理系统
沼气站站点管理子平台主要用于各个沼气生产站点进行管理, 要求能够通过GIS地理信息查询各站点的地理分布, 在GIS图像上能够显示各站点主要情况说明, 并且能够通过点击图像直接进入站点监控的主界面。此功能主要包含GIS地理信息、站点主要资料说明、站点资料管理、各站点实时监控画面动态链接四大功能。
2) 监控管理
此功能模块要求用于对各个沼气站点的实时监控画面进行管理。此功能包含实时监控画面、对话窗口两个功能。
3) 数据统计
提供所采集数据的查询功能, 可以实时显示用户所需要的数据值, 可以查询历史分类数据的统计值, 并以曲线图或报表的形式体现出来。
4) 设备管理
设备管理功能用于对各个沼气站的运行设备进行管理。该功能包括设备清单与设备运行管理两大模块。
5) 专家分析及诊断
主要包括对历史数据的分析、运行与管理建议以及对话视频和在线支援。
6) 预警信息管理
预警信息管理系统是用于当某个沼气站发生意外情况时, 实时向平台发出信息, 由平台对外根据报警级别做出反应。预警信息管理应当包含预警信息发布管理、实时报警、报警数据管理与报警日志四个功能模块。
3 软件配置
开发环境:
系统采用B/S三层架构, 开发工具:.NET (2005) 、ASP.NET (C#) 。数据库设计工具:Sybase Power Designer 11.0, SQL Server2005。网页制作工具Macromedie Dreamweaver发布环境:.Net Framework3.0、IIS 6.0、SQL Server2005。
4 结果
本监控系统已经投入运行, 运行中能够实现对每个沼气站生产工艺过程进行远程实时监测;在沼气站发生故障时, 能及时发布报警信息;能为沼气工程企业提供远程管理服务等, 达到了预期的目标。
摘要：本文主要介绍了一种面向终端用户开发的远程监控系统。分别从系统架构和操作流程设计两个方面对该系统做了具体的阐述, 并将此系统应用于沼气站中, 实际运行结果表明, 该系统能实时高效的实现远程监控的任务。
关键词：远程监控,面向客户端
参考文献
[1]王志勃, 史梦安, 刁志刚.B/S模式下监控系统设计与实现[J].软件, 2014, 35 (8) :46-49.
[2]刘业辉.基于光纤工业以太环网的矿井安全监控系统设计及应用[J].软件, 2014.35 (1) :123-124.
[3]戴维, 吴南建, 赵柏秦.基于CS架构的天然气远程监控系统[J].软件, 2014.35 (3) :20-23.
[4]朱志刚, 肖大薇, 王颖.Go Ahead Web Server在嵌入式远程监控系统中的应用[J].软件, 2014, 35 (7) :103-105.
[5]何宇, 施丛丛, 桑笑楠等.水利泵站远程监控安全系统设计[J].软件, 2015, 36 (9) :66-69.
[6]彭鑫, 谭彰, 黄文君, 等.基于Android的工业控制监控软件设计[J].新型工业化, 2012, 2 (5) :32-38.
[7]王要伟, 阎春平.基于Internet的钻井工程参数远程实时监测系统[J].新型工业化, 2013, 3 (8) :41-49.
如何抓住用户需求 篇11
作者：[美] 亚德里安·斯莱沃斯基（Adrian Slywotzky） 卡尔·韦伯（Karl Weber）
译者：魏薇 龙志勇
出版社：浙江人民出版社
出版日期：2013年4月（第一版）
亚德里安·斯莱沃斯基认为，真正的需求并不是用户明确提出的，用语言表述的部分。这些部分你看得见，你的竞争对手也同样看得见，只抓住看得见的部分，你就已经陷入红海了。只有想用户之所想，急用户之所急，在用户了解到自己的需求之前，就帮他们提供可行的解决方案，才能创造出真正抓住人心的产品。作者为成功创造需求指明了六条道路：
情感：与买车相比，Zipcar会员每年节省几千美元的开支，而且不用将大把时间投入停车、维护、修理、保险等琐事之中。然而，真正促成人们加入Zipcar会员的原因，却不是理性的分析，而是因为他们发现，车就停在离家步行5分钟的位置，并不是10分钟。5分钟的差异触动了用户的情绪，这甚至比金钱和时间的节约对用户的影响力更大。伟大的需求创造者懂得如何调动起客户情感上的兴奋度，来强化卓越的产品性能。不管是苹果公司，还是海底捞，都成功做到了这一点。
麻烦：无论在哪个领域，对于尚待实现的潜在需求而言，麻烦都是最先出现的提示线索和最早的闪光信号。打开成功大门的钥匙，不是将目光锁定在设备性能本身，而是以用户问题为中心的创新方案。索尼公司第一款阅读器2006年9月在美国上市，它设计精良，利用了电子墨水技术，甚至算得上是一款革命性的消费电子设备。但是，恐怕没有多少人购买过它。它需要和电脑连接才能下载图书，这简单的步骤使不少阅读爱好者望而却步。14个月后，亚马逊推出连接WiFi、可以轻松找到你想要图书的Kindle。仅仅帮用户省掉一个麻烦，就使亚马逊成为电子阅读器大比拼中的赢家。
需求创造从来都不是一次成型的事，也不可能因成功的产品发布就告终。有些产品的提升轨迹是以平坦的5度角向前发展的，另一些产品则是以强大的45度角向上攀升。
充分利用背景要素：利乐枕是一款优秀产品，但当初也面临成长的局限，美国消费者由于对牛奶包装的传统认识，普遍不愿尝试无菌包装的产品。利乐为了帮助消费者认识到无菌包装食品的安全和便利，先从豆浆产品开始打破僵局。
熟人推荐和试用：给客户一个爱上产品的机会，他们真的会爱上它。雀巢旗下的胶囊咖啡机定位于家用和办公室用，在推广过程中，他们不仅使用广告，更创新性地把咖啡机体验店安插到百货商场，甚至把咖啡机提供给头等舱乘客。2000年，20家不同航空公司的1100架飞机都在使用这部机器。每年，350万名旅客有机会品尝到胶囊咖啡机制作咖啡的浓郁香气和味道。今天，差不多一半的胶囊咖啡机销售是口口相传推动的，另外一半来自于电器商店或胶囊咖啡机体验店的免费试用。
迅速迭代，不断改进：需求创造从来都不是一次成型的事，也不可能因成功的产品发布就告终。有些产品的提升轨迹是以平坦的5度角向前发展的，另一些产品则是以强大的45度角向上攀升。斜率越大，现有客户就会越满意，也越容易吸引到新客户。
差异化：设计一款吸引“普通客户”的产品是毫无意义的，这纯粹是时间和金钱的浪费。差异的存在给了需求创造者机会去为更多人提供更为精准、利润更高的服务。
面向用户需求 篇12
首先感谢您及您所在的企业多年来对中国电子技术标准化研究所 (CESI) 和北京赛西电子科技公司的关心与支持。在中国电子技术标准化研究所成立45周年与北京赛西电子科技公司成立10周年之际, 为了做好标准出版发行工作, CESI标准信息服务中心面向全国读者和用户广泛征求意见, 希望得到您的热情支持与协助。我们主要从以下三个方面征求意见:
《信息技术与标准化》期刊:
标准信息服务:
CESI科技服务:
您的个人资料:
回执方式:
1.E-mail:84029209@163.com E-mail:wum9217@163.com
2.传真:010-64007812