一个基于人工智能的家具设计框架，该框架结合了自然语言处理（NLP）和多标准决策算法，并参考了在线用户评价

《Expert Systems with Applications》：An AI-driven framework for furniture design integrating NLP and multi-criteria decision making based on online user reviews

本研究提出基于生成式人工智能的家具设计框架，整合LDA主题建模与扎根理论提取75,895条评论中的19个子准则需求，运用FAHP量化需求权重，通过LLMs生成加权提示并驱动增强Stable Diffusion生成视觉原型，最终采用TOPSIS方法进行多准则评估排序，案例验证显示该框架有效提升用户偏好解读和设计质量。

　　

邱月|罗杰|杨伟尧|高璐

重庆建筑职业学院，中国重庆400072

摘要

随着人工智能（AI）的进步，产品设计迫切需要框架来准确解读用户需求并生成数据驱动的设计方案。本研究提出了一种用于家具设计的生成式人工智能（GenAI）方法，该方法整合了语义挖掘、提示工程和多标准评估。采用潜在狄利克雷分配（LDA）和扎根理论的混合策略，从75,895条在线评论中提取用户需求，从而建立了一个包含五个核心维度和十九个子标准的层次化语义框架。模糊层次分析法（FAHP）被用来量化用户需求的相对重要性。然后使用大型语言模型（LLMs）生成加权文本提示。这些优化后的提示被输入到经过低秩适应（LoRA）增强的Stable Diffusion（SD）模型中，并受到ControlNet约束的指导。这生成了与用户语义对齐的视觉原型。对于最终评估，该框架使用基于相似性与理想解的排序偏好技术（TOPSIS）对生成的方案进行排名，评估标准涵盖了十九个方面。一个涉及人体工学办公椅的案例研究定量展示了该方法在提高用户偏好解读、设计质量和决策透明度方面的有效性。通过结合用户需求识别、生成概念和客观评估，这个端到端的人工智能框架为推动工业设计的智能化转型提供了一种理论上有依据的方法。

引言

随着电子商务中家具购买的增加，产品设计在传达价值、吸引消费者兴趣和推动购买决策方面变得至关重要。在没有物理互动的情况下，消费者在评估产品时会关注视觉呈现和象征性特征（Chen-Yu等人，2022年），这使得设计成为一个关键因素（Homburg等人，2015年）。为了响应市场需求，家具设计正在扩展其范围，超越视觉美学，探索可持续材料、智能技术和多功能设计。其中一个重要方面是象征性设计。环境认证和可持续性标签等特征可以显著影响环保意识强的买家（Barbaritano & Savelli，2021年）。智能设计是另一个关键趋势。它提高了市场竞争力和设计效果，同时支持可持续性目标（Tsang等人，2022年）。此外，多功能家具改善了空间利用，整合了多种功能，从而简化了日常生活，并部分缓解了室内空间有限带来的问题（D Shaleh等人，2022年）。尽管追求创新和差异化，但仍出现许多与设计相关的挑战。例如，过度强调视觉结果导致美学、功能性和市场契合度之间的脱节。一些产品信息传达不清，阻碍了消费者快速了解其特点。此外，还有一些产品违背了以用户为中心的原则，忽视了用户体验，导致组装复杂、结构薄弱和材料不合适等问题。在这种情况下，电子商务上的用户评论成为捕捉用户体验的关键资源。这些数据不仅表明了消费者需求，还揭示了市场趋势的洞察。因此，准确分析大量在线评论中包含的隐含信息以改善用户体验和指导设计创新已成为学术界和工业界的共同关注点。

为了解决这些挑战，研究人员开始探索使用潜在狄利克雷分配（LDA）和其他自然语言处理（NLP）技术从大规模数据中提取用户需求。模糊层次分析法（FAHP）和基于相似性与理想解的排序偏好技术（TOPSIS）为在不确定性下进行结构化决策提供了强大的工具，因此采用了FAHP和TOPSIS。同时，生成式人工智能（GenAI）如Stable Diffusion（SD）为自动化概念创建开辟了新的可能性。

一项关键评估揭示了几个差距。首先，需求识别和权重之间存在持续的脱节。虽然大多数研究在识别用户需求后就停止了，但它们很少量化这些需求的相对重要性。因此，设计决策仍然依赖于主观判断。另一个差距在于语义到视觉的转换过程。很少有工作提供一种可重复的方法，将抽象的、加权的需求转换为GenAI可读的提示。这一步通常留给设计师的直觉和试错。最后，当前的研究缺乏集成的端到端框架。先前的研究通常在单独的阶段使用单一的AI方法。LDA可以识别用户想要什么，但不知道想要多少。GenAI可以创建设计，但往往缺乏方向。多标准决策（MCDM）方法可以对选项进行排名，但依赖于主观输入。仍然缺少一个将需求挖掘、自动化生成和定量评估链接在一起的端到端框架。

这些差距表明需要一种集成方法。一个完整的框架应该连接语义挖掘、设计生成和多标准评估。它应该创建从用户评论到验证设计方案的无缝流程。据我们所知，这项研究是首批构建和测试此类流程的研究之一。为了填补这一研究空白，我们提出了一个将数据科学与人工智能相结合的系统设计框架。该框架从深入挖掘用户需求开始，结合LDA主题模型和扎根理论，以实现统计广度和定性深度之间的协同平衡。接下来，引入FAHP方法来构建用户需求的定量权重计算模型。在此基础上，我们使用大型语言模型（LLMs，例如ChatGPT）将语义需求映射到设计参数，驱动SD进行自动化概念生成。最后，结合FAHP得出的权重，应用TOPSIS方法来评估和排名生成的主题，克服了传统决策中对主观判断的依赖。这个过程建立了从用户评论到优化设计解决方案的端到端工作流程。总体而言，该框架深入整合了数据驱动的用户需求分析、GenAI和MCDM，为解决需求转换的模糊性和传统设计过程中决策的主观性提供了新的范式。

总之，本研究有三个主要贡献。首先，我们提出了一种混合用户需求识别过程，将LDA主题建模与扎根理论相结合，提高了从多模态在线评论中提取需求的准确性和可解释性。其次，通过结合FAHP和TOPSIS构建了一个基于模糊数学的定量决策框架，从而为传统上依赖专家判断的决策过程引入了方法论的严谨性和决策的稳定性。第三，我们探索了GenAI在设计转换中的应用途径。通过结合LLMs（例如ChatGPT）和SD模型，我们实现了从用户语义到视觉概念的更系统和高效的转换，减少了传统工作流程中对个人经验的依赖。通过整合数据驱动的分析、GenAI和MCDM方法，本研究为家具产品设计提供了一种新颖而精确的范式。

现有的多阶段设计流程通常将MCDM和GenAI视为独立的阶段，并将MCDM限制在事后评估人类生成的概念上。所提出的框架则建立了跨阶段的定量链接。FAHP不仅用于评估，还作为生成过程的结构化驱动器。FAHP得出的权重被纳入LLM辅助的提示构建中，使得在基于扩散的生成过程中能够进行加权语义强调。因此，用户优先级影响了评估结果和生成注意力的分配，增强了可追溯性并减少了各阶段之间的主观干预。

本文的其余部分结构如下：第2节回顾相关文献，第3节详细介绍了研究方法，第4节展示了实证分析和结果，第5节讨论了发现，第6节进行了总结。

章节片段

生成式人工智能和基于扩散的设计

深度学习的进步加速了深度生成式AI（DGMs）的发展——现在这是从现有数据合成新内容的基础技术（Li等人，2025年）。与专注于分类和预测的判别方法不同，生成式人工智能（GenAI）支持创建新的数据实例，包括图像和多模态内容（Banh & Strobel，2023年）。

一个关键里程碑是去噪扩散概率模型（DDPM）的引入（Ho

方法论

本研究提出了一个基于GenAI的家具产品设计框架。该框架以大规模用户评论为输入，并执行一系列相互关联的模块化步骤，涵盖了从识别用户需求到生成设计方案的过程。整个工作流程如图1所示。该框架由五个核心模块组成。首先，用户需求分析和结构化模块采用混合LDA和扎根理论方法深入挖掘大规模用户评论数据，

案例研究：人体工学办公椅

办公家具是现代工作场所的核心部分。远程工作的兴起和对职业健康的重视推动了对人体工学产品需求的显著增加。COVID-19大流行之后，远程工作的常态化进一步突显了人体工学家具在维持生产力和保护健康方面的作用（El Kadri Filho & de Lucca，2022年）。在人体工学家具中，办公椅是最常用的，与用户互动最直接

讨论

本研究的核心目标是解决引言中确定的三个关键研究差距：需求识别和权重之间的脱节、将抽象语义转换为视觉概念的差距，以及缺乏集成的端到端框架。一个关于人体工学办公椅的案例研究说明了该框架如何解决现有方法中的方法论差距。主要发现如下：

• •
  需求获取：传统研究通常停留在

结论

本研究解决了家具产品开发中持续存在的挑战，包括模糊的用户需求分析、设计转换中对主观判断的依赖，以及方案评估缺乏定量标准。它提出并验证了一个智能设计框架，将多源数据、MCDM和GenAI整合到一个从需求识别到方案评估的端到端过程中。该框架系统地结合了互补的方法。LDA和扎根理论

未引用的参考文献

Glaser和Strauss，2017年；Yoon和Hwang，1995年。

CRediT作者贡献声明

邱月：概念化、方法论、软件、形式分析、数据整理、写作——原始草稿、可视化。罗杰：概念化、方法论、验证、形式分析、写作——审阅与编辑、监督。杨伟尧：软件、数据整理、验证、可视化。高璐：调查、资源、写作——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢参与用户评论数据收集和专家评估的参与者。