0 引言
产品创新设计是企业提高市场竞争力的关键，而传统创新设计方法，如头脑风暴、联想法、情景分析法等，依赖设计者的经验及灵感，不仅提高了设计过程的人工成本，而且效率低下。近年来，专利数据驱动产品创新设计受到学术界的关注。专利一方面是发明人保护技术或者创意的重要法律文件，另一方面也是展示研发成果的重要载体，记载着全球90%以上的技术信息。根据国际知识产权组织的报告，仅2017年全球就提交申请了317万件专利[1]。如果能够有效利用专利信息，不仅可以缩短60%的研发时间，同时能够节省40%的研发费用[2]。专利已经成为产品高效创新的重要信息来源。
目前，专利辅助产品创新设计研究取得一定的进展。根据专利数据量的大小，这些研究分为两类。
一类是基于单一专利或者少量专利的创新设计方法，利用目标专利作为研究对象，通过改进实现创新。江屏等[3-4]基于发明问题解决理论(theory for solving inventive problems, TRIZ)开展专利辅助创新，并结合专家经验，对专利的元件进行分解，通过元件装配关系构建物-场模型，并结合裁剪、替换、添加与组合等方法对局部元件进行改进，从而实现方案的二次创新。在此基础上，韩爽等[5]引入公理化设计理论，通过对专利进行逐级映射，分析元件结构与功能的关联关系，并根据元件耦合情况对专利进行改进。JIA等[6]通过检索获取与目标功能相关的专利，利用类比设计方法对专利进行结构分析，为产品设计提供灵感。李辉等[7]通过全面覆盖、禁止反悔以及等同原则等法律规定对专利进行规避与创新。卢昆宏等[8]结合质量功能配置(quality function deployment, QFD)预先筛选专利，并结合TRIZ对专利方案进行规避。此类方法虽然可以对专利方案进行有效改进，但是往往聚焦于专利具体结构，较少涉及功能需求研究，导致设计偏离需求，存在市场风险。
另一类是基于大批量专利的创新设计方法。该方法预先通过数据挖掘技术抽取专利中的结构化信息以及非结构化信息，结合统计方法以及自然语言处理方法对数据进行分析处理。例如CHENG[9]通过功效矩阵对专利群技术热点及真空进行勘探，并从中选择技术发展机遇。刘怀兰等[10]利用专利申请趋势以及专利引用情况研究技术发展轨迹，从而预测技术发展方向。冀瑜等[11]利用G-M贪婪算法对分类号的文本内容进行聚类及社区划分，通过不同社区以及节点之间的组合实现功能创新。OUYANG 等[12]分析不同申请阶段专利的引文关系，找到核心专利，通过研究专利性能，为产品设计提供研究方向。SONG 等[13]针对产品族设计，通过构建核心-外围网络找出核心功能。YOON等[14]利用线性判别式分析(linear discriminant analysis, LDA)算法挖掘专利信息主题，并通过协同过滤推荐不同申请人的专利，以此作为产品开发的潜在技术机遇。LEE等[15]在文本挖掘的基础上，利用局部异常因子对专利相似性进行分析，从而将具有较强创新性的专利技术作为后续产品设计的参考对象。SEO等[16]通过分析不同专利技术主题共现关系，并利用关联规则方法找出隐含技术，作为产品设计的信息来源。相比第一类方法，此类方法可以批量分析专利，分析过程对人工的依赖程度较小，但是主要为产品设计过程提供功能需求、市场动态或者技术领域方面的信息，较少涉及具体结构信息，距离方案设计还有一定距离。
综上可知，现有研究不论是针对单一专利还是海量专利，主要针对设计过程某个阶段开展，没有形成系统且全面的方法。为此，本文提出了基于复杂网络的专利数据驱动产品创新设计方法，一方面通过网络中心性算法对专利信息进行聚类分析，找出需要满足的核心功能；另一方面结合频繁子图找出符合功能需求的最优原理专利，并利用结构洞方法获取专利核心元件，进而实现产品创新设计。
1 专利数据分析与网络的构建
专利数据驱动产品设计的关键在于信息资源的获取[17]。这些资源蕴含大量非结构化表层信息，如何从这些信息中提取并挖掘深层知识是本文的重要任务。本文通过信息分类，研究不同专利信息的特点，针对不同类型的信息采取相应的抽取手段，以提高信息挖掘的效率，同时通过构建信息网络来改善可视化效果。
1.1 专利技术信息分类
专利技术信息是指专利中能够为产品设计过程提供技术参考和协助技术预测的信息，主要包括分类号含义、专利正文、日期以及附图等，见表1。分类号是全球各个国家官方知识知识产权组织对专利进行技术分类的编号，根据区域的不同又分为国际分类号(international patent classification, IPC)、联合分类号(cooperative patent classification, CPC)以及日本分类号(file forming terms, F-term)。分类号含义是对分类号所蕴含技术信息的文字表达，主要包括目标功能、实现原理、结构及材料等信息[18]。同时,分类号含义是世界知识产权协会官方统一制定的，具有一定的权威性和规范性，但是它所蕴含的内容较为宽泛，信息粒度较粗，不能为设计过程提供更多的细节[19]。
专利正文包含专利标题、摘要、权利要求以及背景介绍等内容，是对技术方案实现手段以及技术创新性的详细描述，是解读专利的重要信息来源。与分类号含义不同，专利文本内容是专利工程师根据发明人原始技术创意撰写得到的，具有很强的主观性，因此文本中会出现大量辅助词汇，例如介词、副词以及形容词，同时存在大量的同义词和近义词,会加大专利文本的提取与分析难度[20]。此外还有申请类型、附图、专利申请及公开日期信息，这些信息可以辅助分类号以及文本分析：一方面通过加入时间维度，为技术发展动态分析以及信息范围选取提供约束条件；另一方面为专利文本分析提供参考，例如部分机械专利需要参考附图才能深入了解技术方案内容。
表1 专利技术信息分类
Tab.1 Classification of patent technological information
信息来源类型信息粒度内容分类号结构化信息粗技术分类正文非结构化信息细技术描述日期结构化信息细技术动态附图非结构化信息细技术方案申请类型结构化信息粗技术分类
1.2 面向功能原理结构的专利文本挖掘
面向创新设计的专利文本挖掘过程主要目的是获取功能、原理及结构等技术信息。基于前文的分析结果可以看出与技术直接相关的专利信息主要包含分类号、分类号含义及正文部分内容。由于分类号含义需要通过检索去获取，而专利群中又包含大量的分类号，故分类号含义分析需要预先对全部专利中的分类号词频进行统计，并找出能够代表专利主流技术的分类号作为后续研究的对象。现假定有N件专利，分类号词频计算公式如下：
(1)
其中，Pj(i)表示分类号i在专利j出现的次数。当出现次数等于或者超过1次时，Pj(i)=1，否则Pj(i)=0。
对于专利正文以及分类号含义，采用自然语言处理技术进行挖掘与分析。首先提取段落文本，对段落句子根据句号进行切割;对句子里面的词组进行分词，并剔除符号及副词、介词、数字等无关词汇。随后基于WorldNet对处于同一层级的同义词和近义词进行识别与合并。针对提取得到的关键词，根据专业词汇数据库、附图以及专家经验进行功能(F)、原理(B)和结构(S)类别判断，将名词定义为结构或者原理，将“动词+名词”定义为功能。最后分别对三部分进行关联分析，并构建映射关系。整个处理流程如图1所示。
图1 专利文本处理流程
Fig.1 Patent text mining process
1.3 专利网络构建及可视化
复杂网络(complex network)是研究多个对象之间动态关系的方法，在20世纪90年代后期得到快速发展[21]。网络由节点及边组成，其中节点代表对象，边代表节点之间的关系。边将不同节点联系起来组成一个关系网络。根据节点对象的不同，复杂网络广泛应用于诸多领域，例如社会学、交通物流、电力电网等。本文将复杂网络应用于产品设计过程，以专利关键词作为复杂网络节点，以不同关键词在同一件专利中的共现关系作为边，从而构建专利数据复杂网络，具体描述见表2。表2中，节点出现的频次表示出现目标关键词专利的数量，而共现频次表示同时出现两组目标关键词专利的数量。
表2 专利共现复杂网络元素含义
Tab.2 Implication of patent co-occurrence networks
节点边网络元素对象内容节点大小对象内容边的权值含义关键词出现频次共现关系共现频次
根据上述介绍，对专利数据网络进行定义：
定义1 假设网络G=(V,E,L)是由|V|=N个节点、|E|=M条边连接以及节点和边的标签映射函数L所组成的一个网络，其中，N代表网络中的全部节点数量，M代表不同节点之间的共现关系数量。
网络的构建过程需要最大程度发挥视觉效果，从而直观、深入地为产品设计人员展示网络结构[22]，因此，整个过程需要满足以下原则：①对称性原则。它是指相同结构的子图围绕图中心平衡布局。②正交性原则。它是将节点布局在网格交叉处。③最小角最大化原则，它是指同一节点任意两条边形成的角度尽量最大。 ④边交叉数量最小原则。它是指绘图时应尽量减少相互交叉边的数量。⑤直线边原则。网络中的边尽量使用直线，避免曲线边。
为了让不同重要度的节点能够根据不同层次进行分布，同时便于产品设计人员理解，本文选择力导向布局(force-directed layout)。该布局最早是Eades于1984年提出的[23]，其基本思想是把网络节点视为钢环，边为弹簧的物理系统，节点与节点之间通过改进胡克定律不断调整自身位置，并结合系统弹性势能的最小化来确定最终的布局，具体效果如图2所示。相比其他布局，该布局能够充分展示网络整体结构及其同构特征，是目前使用较为广泛的布局方法[24]。
图2 力导向布局
Fig.2 Force-directed layout
2 专利数据辅助产品创新及其关键技术
产品设计过程往往是自上而下，由功能域向结构域逐层映射的过程[25]。每个阶段的映射都离不开知识的提取与组织。针对不同阶段知识的特点，本文以专利数据驱动产品设计，融入度中心性、频繁子图以及结构洞等关键技术，分别开展信息筛选、信息组合优化以及信息重用等工作，并以流程框架的形式展示。
2.1 基于复杂网络的专利数据驱动的产品创新设计流程
依照需求-功能-原理-结构自上而下逐层映射设计过程，构建基于复杂网络的专利数据驱动的产品创新设计流程，如图3所示。整个流程主要分为4个阶段。
图3 专利数据驱动产品创新设计流程
Fig.3 Patent data-driven product innovative design process
(1)需求调研阶段。针对企业的需求，分析行业领域以及所要开拓的市场方向，确定需要分析的专利类型。同时根据专利技术特点以及所属行业发展周期，确定专利检索的时间范围。利用技术要求检索分类号数据库，获取专利检索分类号以及关键词，结合布尔关系生成完整检索式。
(2)功能确认。检索并下载相关专利，分析分类号层级情况。例如IPC号和CPC号分为部、大类、小类、大组和小组5个层级。每一层级技术内容细分粒度以及所涉及的专利数据量存在较大差异，需要根据技术要求以及数据量的大小确定所要分析的级别。同时结合正则表达式提取每一件专利的全部分类号，统计分类号出现频次。通过分类号频次综合排名以确定阈值，选择主要分类号作为网络节点，以分类号之间的共现关系为边，结合力导向布局算法构建复杂网络。综合节点频次以及边的数量，借助度中心性(degree centrality)算法对节点的重要性进行评估，选择度中心性值较高的节点作为下一阶段研究对象。
(3)原理组合。筛选获取度中心性较高分类号节点的相关专利，并根据专利附图以及背景说明分析专利技术功能以及原理。这些原理包括效应知识、配置方式、物理形态等。结合形态学分析方法关联每一个功能对应的原理方案集合，同时构建原理共现网络，并通过频繁子图中的apriori算法计算不同原理组合方案的支持度，选择支持度较大的组合作为方案设计的对象。
(4)方案设计。找出满足最优原理组合方案的专利，抽取专利摘要及权利要求中的结构关键词信息，通过共句关系建立元件或者特征有向网络，利用网络结构洞理论找出影响物质、能量及信号资源流动的关键元件，结合TRIZ方法对现有专利基进行二次创新，最终获得新的设计方案。
整个设计过程围绕着专利大数据开展，因此在需要遵循以下方面的原则：
(1)面向创新设计过程的专利数据量较多，如果以全部专利为节点对象构建网络，一方面导致网络平均度远小于节点数，形成稀疏网络，影响了网络分析效率；另一方面是若网络规模较大，则可视化效果差。因此，会预先根据指标排名情况设置阈值，选择排名较为靠前的专利及其共现关系作为网络的节点和边。
(2)数据驱动产品创新设计时，需要考虑数据来源的区域以及数据产生的日期，否则设计结果不能满足目标区域市场的要求或者滞后于市场的变化。因此，在确定专利检索范围时，需要预先做好市场调研，同时与企业工程师进行充分的沟通，以减少研发风险。
(3)大数据驱动产品设计的一个重要目的是改善基于专家经验设计方法的不足，虽然数据选择以及最终方案评定不可避免地需要专家参与，但是整个流程中数据获取以及计算过程完全依赖于数据对象自身的属性，尽量避免人工干预，保证分析过程的客观性。
整个流程依照需求到方案逐层映射的过程开展，每个阶段都分别融入复杂网络以及专利大数据方法，由此不可避免地存在不同方法衔接方面的问题，阻碍整个流程的顺利开展。为此，本文分别引入度中心性、频繁子图以及结构洞等关键技术，通过多种技术集成，一方面促成产品设计、专利数据驱动与复杂网络的有效融合，另一方面丰富并完善整个设计流程体系。
2.2 基于度中心性的关键节点获取
复杂网络中，存在对结构和功能影响程度更大，并表现为与较多节点有直接或者间接联系的特殊节点，通常被称为关键节点[26]。节点重要度是获取关键节点的重要指标。目前节点重要度指标主要有度中心性(degree centrality)、接近中心性(closeness centrality)以及特征向量中心性(eigenvector centrality)等[27]。其中，度中心性通过衡量与目标节点直接相连的节点数量，反映该节点的局部中心性，度中心性值越高，节点的影响力越大，在网络中地位越重要。相比其他指标，度中心性能够更加直观地展示关键节点，同时计算复杂度低，便于操作[28]。为此，本文选择度中心性作为网络节点重要性评价依据。
度中心性计算方法有两类：①不考虑节点直接相连边权重的计算方法，称为不带权计算方法；②考虑节点直接相连边权重的计算方法，称为带权计算方法[29]。由于专利元素之间的关联边是基于元素共现关系产生的，难以对每一次共现进行权值计算，故采取不带权计算方法。假定节点i的度中心性值为DC(i)，则其计算公式为
(2)
式中，mij为节点i与节点j关联的边数。
2.3 基于频繁子图的原理组合优化
针对不同子功能需求，不仅需要从专利数据中获取原理方案，而且需要对原理方案进行组合优化。结合复杂网络技术，通过构建原理网络，同时对不同功能的原理节点进行聚类，以实现组合目标。频繁子图是以图为对象，从图中发现和提取频繁出现的子图，具有效率高、可视化效果好的优点。为此，本文选择频繁子图作为挖掘工具。为了方便叙述，给出频繁子图的相关定义。
定义2 子图同构。假定存在一个子图S=(Vs,Es,Ls)，当且仅当Vs⊆V，Es⊆E，Ls(v)=L(v)对于每个v∈Vs∪Es都成立时，S为G的子图。S在图G中的子图同构是内射函数f:Vs→V，满足[30]：①Ls(v)=L(f(v))对所有的v∈Vs成立；②(f(u),f(v))∈E,并且Ls(u,v)=L(f(u),f(v))对于所有的(u,v)∈Es成立。
定义3 频繁子图。给定一个图G以及一个最小支持度τ，Sup(G,S)表示子图S在G中同构图的计数，当Sup(G,S)≥τ时S为G的一个频繁子图。Sup(G,S)计算公式如下[31]：
Sup(G,S)=Ns/NG
(3)
式中，Ns、NG分别为子图S的数量和全部子图的数量。
目前频繁子图挖掘模式有apriori关联分析算法和发现频繁项集(frequent pattern growth, FP-Growth)两种，其中apriori算法以递归统计为基础，通过逐层产生频繁项集，即k-项集用于探索(k+1)-项集，在图库规模不大、图阶较低(<103)的情况下挖掘效果较好。基于专利数据的特点，本文选择apriri算法作为频繁子图分析工具，算法描述如下[32]。
2.4 基于结构洞的核心元件分析
产品是由诸多元件通过一定装配关系组成的，并通过物质、能量及信号3类资源在系统内部元件之间的有序流动实现功能。在系统内部会出现部分元件，是整个系统或者局部系统资源流动的必经环节，具有不可替代的作用，是系统的核心元件。如果能够对这些元件进行更换或者改进，既可以较大程度实现产品创新，又能够提高产品设计效率。
通过挖掘专利方案中的元件名词及功能词组，构建一个有向复杂网络，其中，节点代表元件及其特征，边代表元件耦合关系。这些节点之间彼此互相作用，交换资源，进而实现产品功能。网络中，会因为这些彼此作用而产生部分控制整个网络功能实现的关键元件节点，如图4所示。可以看出节点B、C和D，除了节点A，彼此之间都没关联。相对于其他3个节点，节点A处于整个网络资源流动的中心位置。借鉴BURT[33]的研究，把节点A定义为整个网络的结构洞(structure hole)。该节点像一个唯一的通道，把资源从网络的一端传递到另一端。
图4 结构洞网络示例
Fig.4 Case of structureholes
对结构洞程度进行衡量是分析元件节点影响力的关键。目前衡量结构洞的算法有中介中心性、结构约束、网络有效规模以及邻居有效矩阵等。相比之下，中介中心性(betweeness centrality)是通过节点路径与总路径比值计算得到的，计算过程更加便于理解。为此，本文借鉴中介中心性判断节点的结构洞程度，程度越大，节点控制的资源就越多。其计算公式如下[34]：
(4)
式中，σst(v)为经过节点v的s到t的最短路径条数；σst为节点s到节点t的所有最短路径条数。
以图4为例，节点A的中介中心性CA=1，表明节点A是其他节点资源流动的唯一节点。而其他节点(例如节点B)始终不在最短路径上，中介中心性CB=0。
3 实例研究
3.1 研究背景
受某卫浴企业委托，对现有美国卫浴花洒专利进行调研，找出相关的技术机会，同时借鉴美国专利进行二次研发。由于美国专利有使用联合分类号CPC，同时CPC的分类比IPC更细，故本文选择CPC联合关键词作为专利检索式。考虑到美国专利从申请到公开的周期较长，同时结合卫浴行业的发展特点，选择近10年公开的专利作为研究对象。最终整个专利检索式为：TAC:(shower OR bath OR wash OR spray OR rouse) AND PBD:[20090101 TO 20190101] AND CPC:(B05B1/18 OR A47K3/28)。经过筛选，一共得到902件专利。
3.2 功能挖掘
首先提取全部专利的分类号及分类号之间的共现关系，经统计一共得到1468个分类号，部分分类号的频次如图5所示。可以看出排名靠后的分类号出现频次下降很明显，同时频次占全部分类号的比例较小。
图5 部分排名靠前的卫浴花洒分类号及频次
Fig.5 Frequency ranking of shower patent CPC
为了减少计算量，同时不影响计算结果，选择出现频次排名前100的分类号作为研究对象，这些分类号的频次占全部分类号频次的56.7%，分析结果能够反映整体情况。采用Gephi软件构建专利复杂网络，利用度中心性计算公式得到每个节点的重要性，并通过节点大小进行表示，最后借助力导向布局算法进行可视化，如图6所示。图6中，度中心性值高的节点所处的位置也趋向于网络中心，凸显其重要性。
为了进一步获取关键节点，设定分类号度中心性阈值为0.1，通过筛选得到符合要求的节点共有19个，见表3。通过数据库检索分类号含义，从中可以看出这些节点功能主要涉及流量调整、手持功能、添加其他物质、多出口选择以及过滤等内容。通过与企业工程师以及市场调查人员的沟通，最终选择水与其他物质混合功能作为下一代产品研发的重点，同时要求方案还需具有调节混合浓度、可以手持以及便于调整位置的功能。
3.3 产品原理组合配置
针对混合功能花洒进行专利检索，一共得到157件专利。通过专利解读，对功能进行分解，并建立功能结构图，如图7所示。通过导入水、物质与信号等资源，分析得到整个结构装置的子功能分别是更换FR21、存储FR22、流量调节FR23、药物注入FR24、药物与水混合FR25。
通过文本挖掘以及专家筛选，对每一件专利实现子功能的情况进行统计及分析。考虑到混合物对象的物理状态，结合子功能需求，一起建立功能原理形态学矩阵，见表4。表4中列元素代表功能，行元素代表与功能需求对应的一系列设计原理方案。
图6 卫浴花洒专利分类号共现网络
Fig.6 Shower patents co-occurrence networks
表3 部分核心分类号节点
Tab.3 Degree centrality ranking of shower patent cpc
排名分类号含义主题度中心性1B05B1/185以其出口元素为特征,安装安排带喷口0.588 9572E03C1/0408特别用于淋浴的水装置淋浴功能0.3251533E03C1/0409淋浴把手手持功能0.286 2994E03C1/046在供水管道(或出水口)添加肥皂、消毒剂等(防止饮用水管道污染)混合功能0.258 3505B05B1/1636通过阀门元件的相对旋转运动调整流量0.242 6726B05B1/16具有选择性有效的出口选择喷口0.205 8627B05B15/654采用万向节调整位置0.192 2298B05B12/002没有任何压缩气体来源,如空气被加压液体吸入产生气泡0.171 0979B05B1/3026控制元件为闸阀、滑阀或旋塞调整流量0.145 19410E03C1/06用于悬挂或支撑淋浴的供水管或供水软管的装置悬挂功能0.134 28811B05B15/65用于将喷射装置或其出口与流动管道流体连接的安装装置调整位置0.125 42612B05B15/652带有多个出口,出口和开口内外有过滤器过滤功能0.120 65413B05B15/067使用万向节型调整位置0.118 60914B05B15/62添加沐浴冲洗液混合功能0.112 47415B05B7/0425手动控制装置,如按钮、杠杆或触发器混合功能0.110 42916B05B3/04由排出的液体或其他流体材料驱动液体驱动0.107 70317B05B1/14选择机构包括一个提升阀调整功能0.106 33918B05B1/169有3个或更多选择性有效出口选择喷口0.105 65819B05B15/061支持喷涂设备、电动吸盘的布置喷涂功能0.102 249
图7 带调节功能的混合花洒功能结构
Fig.7 Function structure of mixture shower
表4 混合花洒功能原理形态学矩阵
Tab.4 Morphological matrix of mixture shower
功能1功能2功能3功能4功能5对象固体液体颗粒粉末黏液FR21注入整盒取出胶囊袋装FR22一体式(里面)分开式(外面)引管式(外面)FR23旋钮按钮扳机磁场非接触FR24喷头钢管手柄其他FR25直冲虹吸回冲重力摩擦力功能6功能7功能8功能9功能10对象气体FR21FR22FR23自动脚踩其他无FR24FR25泵离心力挤压真空毛细管
利用闭频繁项集中的apriori算法，计算6种功能所对应原理方案组合出现的机率，见表5。支持度最高的是{盒式取出, 固体, 喷头, 直冲, 一体式(里面), 旋转}组合，其次分别是排名第2的4种方案。将组合结果导入复杂网络中，其中排名第1的原理组合方案所包含的元素大部分处于网络中心位置，为重要节点。
咨询企业工程师意见，通过小组讨论，他们一致认为排名第1的组合方案性能较好，一方面可以通过转动按钮精准控制水与其他物质的混合浓度；另一方面整体外观更加紧凑。他们同时提出能够在此基础上，可以设计一款同时兼容固体和液体添加物的花洒。
3.4 方案设计
针对目标组合方案，找出已经申请的全部专利，发现满足条件的共有6件专利，具体信息见表6，其中，结构网络表示专利结构耦合关系以及元件重要性。基于上述研究过程，本文设计了一种新的沐浴花洒，如图8所示。表6中的结构网络显示这些花洒将药物容器与喷头直接相连，并通过头部转动控制混合浓度，导致药物储存空间不够。如果通过改变喷头尺寸，又会影响外观。两方面冲突形成物理矛盾。为了解决矛盾，同时考虑到关键元件集中在混合元件和调整装置上，利用TRIZ中的空间分离方法，将存储物质的混合容器放置手柄位置，既增大了物质存储空间，又不会影响喷头尺寸。同时在混合喷头位置安装旋转按钮，用来控制混合液的浓度。
表5 闭频繁项分析结果
Tab.5 Support value of different combination
排名支持度项集10.038461538盒式取出, 固体, 喷头, 直冲, 一体式(里面), 旋转20.023076923液体, 压住, 喷头, 重力, 固定式注入, 一体式(里面)20.023076923液体, 喷头, 直冲, 固定式注入, 一体式(里面), 旋转20.023076923喷头, 直冲, 固定式注入, 液体, 一体式(里面), 旋转20.023076923分开式(外面), 液体, 盒式取出, 压住, 喷头, 虹吸30.015384615液体, 压住, 直冲, 固定式注入, 手柄, 一体式(里面)30.015384615无调节功能, 喷头, 直冲, 固定式注入, 粘液, 一体式(里面)30.015384615盒式取出, 无调节功能, 直冲, 手柄, 一体式(里面), 固体30.015384615分开式(外面), 液体, 压住, 喷头, 重力, 固定式注入30.015384615分开式(外面), 液体, 盒式取出, 压住, 喷头, 重力30.015384615分开式(外面), 液体, 压住, 固定式注入, 钢管, 虹吸30.015384615分开式(外面), 液体, 盒式取出, 压住, 直冲, 钢管30.015384615分开式(外面), 液体, 喷头, 重力, 固定式注入, 旋转)30.015384615分开式(外面), 液体, 盒式取出, 喷头, 虹吸, 旋转30.015384615分开式(外面), 液体, 盒式取出, 直冲, 钢管, 旋转30.015384615分开式(外面), 液体, 盒式取出, 钢管, 虹吸, 旋转30.015384615分开式(外面), 液体, 盒式取出, 重力, 钢管, 旋转30.015384615液体, 泵抽取, 喷头, 泵, 固定式注入, 引管式(外面)30.015384615液体, 泵, 固定式注入, 钢管, 非接触, 引管式(外面)
(a)内部结构图 (b)外观示意图
1.喷头 2.容器盖 3.手柄密封圈 4.手柄 5.容器 6.弹簧 7.垫圈 8.旋转按钮 9.螺丝 10.抬起连杆 11.密封盖 12.喷头密封圈
图8 带有旋钮的花洒及其外观图
Fig.8 Design of mixture shower
图8中，该花洒通过置于喷头下方按钮旋转控制混合物浓度，并将混合物容器置放到手柄位置。旋钮可以控制存储瓶与垫圈的位置。当容器被弹簧作用往上抬升时，水进入瓶内直接冲刷液体或者固体物质，并从容器盖的喷口流出到喷头位置，实现喷出混合液功能。当储存瓶受连杆挤压往下移位时，水不能进入容器，无法冲刷物质，实现喷出纯水功能。该装置操作方便，结构紧凑，受到企业肯定，并申请国家发明和实用新型专利(申请号：201910355747.1，201920610202.6)。
表6 关键专利清单
Tab.6 Key patents list
申请号附图结构网络结构洞结构方案描述US08/586669药物混合室51,用于容纳药物水通过冲洗混合室51里面的药物片剂80,并从喷雾器30中喷嘴10喷出。其中喷嘴10与喷雾器30通过螺纹连接,可以调整,一旦角度不对,水就无法从喷嘴10喷出,起到调整的作用US10/157886混合部分110和容器部分106,用于调整浓度容器106里面装有其他物质,上方有喷口114。喷口通过螺纹114b与喷嘴固定,喷嘴上方有开口104,并连接转动部分108。当转动部分108旋转一定角度时,水通过混合部分110进入容器106与水混合,再从分配器112流出US11/974900混合室3,用于混合水和其他物质花洒喷头中有容器3用来容纳其他物质。容器3的一边有若干孔5,隔板8也有对应的孔。当转动容器3的孔与隔板8的孔一致时,水可以进入容器内,再经混合室3另一侧的孔流出。当两者孔不一致时,水不能进入容器US13/228067阀门54,芳香释放装置24和喷口22,分别用于调整和混合容器46里面装有固体物质24,同时装有旋转阀门54,用来选择水是进入芳香释放装置24还是直接到喷口22US13/390249皂液分配器11,肥皂架13,主要功能是混合肥皂与水水从皂液分配器11进入肥皂架13,里面含有肥皂容器117,并冲刷肥皂,最后从下端的凸起20上面的孔而出。皂液分配器11与水龙头通过保持装置65连接,65可以转动US14/056245转轴141、旋转部26和叶轮14主要功能是气味的散发以及调整当水冲击叶轮14时,会带动风扇23及其旋转部26,从而促使香料22挥发出气味。转轴受到离合器控制,用于是否允许转动
4 结论
(1)本文根据结构化与非结构化特性对专利文本进行分类，并面向产品设计信息的获取设计一套能够同时提取这两种信息的流程，利用力导向布局算法构建专利关键词共现网络。
(2)根据功能-原理-结构产品设计过程，针对不同阶段的信息需求，首先结合度中心性算法对功能节点重要性进行评估，以确定产品设计的目标；其次结合形态学分析方法构建功能原理映射矩阵，并利用频繁子图对原理方案组合进行优化；再次通过专利方案组成元件的耦合关系，结合结构洞理论获取控制资源流动的核心元件，以此作为专利改进的突破口，并结合TRIZ对专利进行二次创新。
(3)应用基于复杂网络的专利数据驱动产品设计方法，对现有卫浴花洒海量专利数据进行分析，确定混合功能作为产品开发的重点，并发明带调节功能的新型混合花洒。
专利数据通过复杂网络与产品设计过程紧密融合在一起，满足设计阶段不同类型信息的需求，通过大数据分析不仅降低了市场风险，而且提高了产品设计效率，为产品设计提供了一种新的方法。产品设计过程所需要的信息资源很多，专利只是其中的一个部分，后期会研究如何将复杂网络应用于其他数据驱动产品设计过程中，进一步扩展该方法的用途。
[1] World Intellectual Property Organization. World Intellectual Property Indicators[R]. Geneva: WIPO ,2018.
[2] CHEN C. Searching for Intellectual Turning Points: Progressive Knowledge Domain Visualization[J]. PNAS, 2004, 101(S1): 5303-5310.
[3] 江屏，张瑞红，孙建广，等. 基于TRIZ的专利规避设计方法与应用[J]. 计算机集成制造系统, 2015，21(4):914-923.
JIANG Ping, ZHANG Ruihong, SUN Jianguang, et al. Method and Application of Patent Design Around Based on TRIZ[J]. Computer Integrated Manufacturing Systems,2015, 21(4):914-923.
[4] 江屏，罗平亚，孙建广，等. 基于功能裁剪的专利规避设计[J]. 机械工程学报, 2012，48(11): 46-54.
JIANG Ping, LUO Pingya, SUN Jianguang, et al. Method about Patent Design Around Based on Function Trimming[J]. Journal of Mechanical Engineering, 2012, 48(11):46-54.
[5] 韩爽，江屏，牛志伟，等. 基于公理设计的专利规避创新知识挖掘[J]. 计算机集成制造系统, 2016，22(6): 1387-1395.
HAN Shuang, JIANG Ping, NIU Zhiwei, et al. Innovation Knowledge Mining of Patent Around Based on Axiomatic Design[J]. Computer Integrated Manufacturing Systems, 2016,22(6): 1387-1395.
[6] JIA L Z , WU C L , ZHU X H , et al. Design by Analogy:Achieving More Patentable Ideas from One Creative Design[J]. Journal of Mechanical Engineering, 2018, 31(2):25-34.
[7] 李辉，檀润华，霍江涛，等. 基于制度与技术约束的机械专利规避设计[J]. 计算机集成制造系统, 2015，21(11): 2849-2860.
LI Hui, TAN Runhua, HUO Jiangtao, et al. Patent Design Around Based on Mechanical Patent’s Technology Constraints and System Constraints[J]. Computer Integrated Manufacturing Systems, 2015,21(11):2849-2860.
[8] 卢昆宏，施同一. 整合专利回避、QFD 与 TRIZ 于新产品设计之研究[J].管理资讯计算, 2014,3: 241-251.
LU Kun-Hung, SHIH Tung-Yi. A Study of the Process of New Product Design-integrating the Patent Design Around, QFD and TRIZ[J]. Management Information Computing, 2014,3: 241-251.
[9] CHENG T. A New Method of Creating Technology/Function Matrix for Systematic Innovation without Expert[J]. Journal of Technology Management & Innovation, 2012,7(1): 118-127.
[10] 刘怀兰，廖岭，周源. 基于知识流动视角的工程技术预测：以谐波减速器为例[J]. 中国机械工程, 2016，27(24): 3317-3325.
LIU Huailan, LIAO Ling, ZHOU Yuan. Knowledge Flow Based Engineering Technology Forecasting: a Case of Harmonic Reducer[J]. China Mechanical Engineering, 2016,27(24): 3317-3325.
[11] 冀瑜，邱清盈，冯培恩，等. 国际专利分类表中设计知识的提取和利用[J]. 浙江大学学报(工学版) , 2016，50(3): 412-418.
JI Yu, QIU Qingying,FENG Peien, et al. Extraction and Utilization of Design Knowledge in International Patent Classification[J]. Journal of Zhejiang University (Engineering Science), 2016,50(3): 412-418.
[12] OUYANG K, WENG C S. A New Comprehensive Patent Analysis Approach for New Product Design in Mechanical Engineering[J]. Technological Forecasting and Social Change,2011,78(7): 1183-1199.
[13] SONG B, LUO J, WOOD K. Data-driven Platform Design: Patent Data and Function Network Analysis[J]. Journal of Mechanical Design, 2019,141(2): 21101.
[14] YOON J, SEO W, COH B, et al. Identifying Product Opportunities Using Collaborative Filtering-based Patent Analysis[J]. Computers & Industrial Engineering, 2017, 107: 376-387.
[15] LEE C, KANG B, SHIN J. Novelty-focused Patent Mapping for Technology Opportunity Analysis[J]. Technological Forecasting and Social Change, 2015, 90: 355-365.
[16] SEO W, YOON J, PARK H, et al. Product Opportunity Identification Based on Internal Capabilities Using Text Mining and Association Rule Mining[J]. Technological Forecasting and Social Change, 2016, 105: 94-104.
[17] 陈思，阎艳，王钊，等. 产品设计知识服务中本体推理技术应用[J]. 中国机械工程, 2014，25(19): 2620-2627.
CHEN Si, YAN Yan, WANG Zhao, et al. Ontology Reasoning Technology Application for Product Design Knowledge Service[J]. China Mechanical Engineering, 2014,25(19): 2620-2627.
[18] 邱清盈，冀瑜，冯培恩. 基于国际专利分类表知识社团发现和重组的功能创新策略[J]. 机械工程学报, 2016，52(23): 43-49.
QIU Qingying, JI Yu, FENG Peien. Functional Innovation Strategies Based on IPC Knowledge Community Detection and Reorganization[J]. Journal of Mechanical Engineering, 2016,52(23): 43-49.
[19] WANG M, CHAI L.Three New Bibliometric Indicators/Approaches Derived from Keyword Analysis[J]. Scientometrics, 2018,116(2): 721-750.
[20] MONTECCHI T, RUSSO D, LIU Y. Searching in Cooperative Patent Classification: Comparison between Keyword and Concept-based Search[J]. Advanced Engineering Informatics, 2013,27(3): 335-345.
[21] STROGATZS H. Exploring Complex Networks[J]. Nature, 2001,410(6825): 268-276.
[22] 水超, 陈涛, 李慧，等. 基于力导向模型的网络图自动布局算法综述[J]. 计算机工程与科学, 2015，37(3):457-465.
SHUI Zhao, CHEN Tao, LI Hui, et al. Survey on Automatic Network Layouts Based on Force-directed Model[J]. Computer Engineering & Science, 2015,37(3):457-465.
[23] FRUCHTERMANT M J. Graph Drawing by Force-directed Placement[J]. Software-Practice and Experience,1991,21(11): 1129-1164.
[24] 王柏，吴巍，徐超群，等. 复杂网络可视化研究综述[J]. 计算机科学, 2007，34(4): 17-23.
WANG Bai, WU Wei, XU Chaoqun, et al. A Survey on Visualization of Complex Network[J]. Computer Science,2007,34(4): 17-23.
[25] 车君华，谭建荣，冯毅雄，等. 产品配置设计的多层次映射求解模型研究[J]. 中国机械工程, 2006，17(8): 849-853.
CHE Junhua, TAN Jianrong, FENG Yixiong, et al. Hierarchical Mapping Modeling for Configuration Design[J]. China Mechanical Engineering, 2006,17(8): 849-853.
[26] ALBERT R, JEONG H, BARAB
SI A L. Error and Attack Tolerance of Complex Networks[J]. Nature, 2000, 406(6794): 378-382.
[27] 陈静，孙林夫. 复杂网络中节点重要度评估[J]. 西南交通大学学报, 2009，44(3): 426-429.
CHEN Jing, SUN Linfu. Evaluation of Node Importance in Complex Networks[J]. Journal of Southwest Jiaotong University, 2009,44(3): 426-429.
[28] REE J, JEONG C, PARK H, et al. Context-problem Network and Quantitative Method of Patent Analysis: a Case Study of Wireless Energy Transmission Technology[J]. Sustainability, 2019,11(5): 1484.
[29] 于会，刘尊，李勇军. 基于多属性决策的复杂网络节点重要性综合评价方法[J]. 物理学报, 2013，62(2): 54-62.
YU Hui, LIU Zun, LI Yongjun. Key Nodes in Complex Networks Identified by Multi-attribute Decision-making Method[J]. Acta Physica Sinica, 2013,62(2): 54-62.
[30] 侯鑫，张旭堂，金天国，等. 面向知识与信息管理的领域本体自动构建算法[J]. 计算机集成制造系统, 2011，17(1): 159-170.
HOU Xin, ZHANG Xutang, JIN Tianguo, et al. Automatic Construction of Domain Ontology Oriented to Knowledge and Information Management[J]. Computer Integrated Manufacturing Systems,2011,17(1): 159-170.
[31] 陈立宁，罗可. Apriori算法用于频繁子图挖掘的改进方法[J]. 计算机工程与应用, 2011，47(10): 113-117.
CHEN Lining, LUO Ke. Improved Method Based on Apriori-based Frequent Sub-graph Mining Algorithm[J]. Computer Engineering and Applications, 2011,47(10): 113-117.
[32] RAMRAJ T, PRABHAKAR R. Frequent Subgraph Mining Algorithms - a Survey[J]. Procedia Computer Science, 2015, 47: 197-204.
[33] BURT R S. Structural Holes: the Social Structure of Competition[M]. Cambridge: Harvard University Press, 2009: 18-19.
[34] LIU C H. The Effects of Innovation Alliance on Network Structure and Density of Cluster[J]. Expert Systems with Applications, 2011, 38(1): 299-305.
