通过产品创意的细粒度功能方面扩大创意灵感

文献标题

Scaling Creative Inspiration with Fine-Grained Functional Aspects of Ideas

文献信息

• 主题领域: 创意支持工具、文本处理与信息挖掘、设计思维与创新
• 关键词: 创意支持工具、功能表示、设计空间探索、机器学习、信息抽取、创新搜索、设计灵感、工程设计

研究背景与问题

• 发现的问题或挑战:

  1. 产品、专利和科学论文等资源中蕴含了大量创新潜力，但其描述通常为非结构化文本，缺乏支持创意交互所需的关键细节。
  2. 大多数现有方法仅支持有限的表达性，需要人工标注或依赖覆盖率有限的知识库。
  3. 如何从大规模文本中抽取功能性要素（目的和机制），以打破创意思维的固定性并浏览设计空间，是当前的一大挑战。

• 重要性:

  1. 通过发掘隐藏的灵感，提高跨领域创新和设计解决问题的能力，是推动技术和知识应用的重要途径。
  2. 大规模文本资源如专利、科学论文中蕴含的创意潜力尚未被充分挖掘。

• 研究动机与相关工作:

  1. 人类创造力的核心依赖于跨领域的结构性匹配和机制转移（例如雷达技术启发微波炉）。
  2. 大型组织如NASA等积极搜索技术的适应性用途，为创意创新树立了强大的应用导向。
  3. 目前的创意支持工具，如WordTree方法和基于本体的抽象功能方法，存在有限的规模性和覆盖率问题。

解决方案

• 提出的方法或解决方案: 作者提出了一种可扩展的计算模型，该模型能够从大规模文本数据中自动提取 "目的" 和 "机制" 等细粒度的功能方面，并以此创建灵感支持的设计工具和功能图。

• 创新点:

  1. 自动化抽取: 使用神经网络自动解析非结构化文本，提取短语级功能单元（目的和机制）。
  2. 功能图构建: 构建跨多个产品的“功能网络”，展示功能层次结构和相关性以促进设计灵感及创意探索。
  3. 设计空间探索方法: 支持不同抽象层级的创新交互，如通过目的-机制图找到邻近问题及灵感。

• 实施步骤/关键技术:

  1. 开发基于序列标记的神经网络，包括BiLSTM-CRF、GCN（图卷积网络）等模型。
  2. 采用文本聚类方法（如K-means）构造概念节点，并使用频繁项集规则挖掘生成功能图节点之间的关系。
  3. 实验原型系统包括“功能搜索引擎”和“设计空间探索工具”，用来展示所提方法在创意支持方面的价值。

研究成果

• 取得成果:

  1. 功能搜索引擎: 支持基于目的和机制的搜索，提供了表达性更强的查询功能。
  2. 功能概念图: 自动提取功能关系并构建设计空间探索工具，可帮助创新者链接到灵感和潜在解决方案。
  3. 实验表明，该方法能显著提升灵感质量，平均精准度比强基线高50%-60%。

• 与现有解决方案的比较:

  1. 与基于传统分布式表示的文本搜索相比，提供了更细粒度的功能表示与更高的结果可解释性。
  2. 与现有抽象方法相比（如WordNet），提供了更具表达性与自动化的解决方案。

• 实验或评估结果:

  1. 功能搜索任务中的平均精准度（MAP）达87%，远高于传统基线（40%-60%）。
  2. 设计空间探索工具的灵感发现中，62%的灵感被评为有用且新颖。

• 局限性与未来方向:

  1. 标注挑战: 众包标注任务存在噪音，可探索弱监督方法和更适合区分目的与机制的标注方法。
  2. 功能语义的限制: 当前功能抽取仍受表层词汇形式影响，跨领域的抽象匹配能力有限。
  3. 未来方向: 进一步扩展功能图的表达力，探索功能嵌套、上下抽象层级的自动优化，以及对灵感价值的网络化计算。

总结

该研究通过细粒度的功能性表示，成功结合机器学习技术和设计思维理念，为创意支持工具设计开辟了新路径，证明了在大规模文本资源中挖掘隐藏灵感的可行性。