Product Design Using Generative Adversarial Network: Incorporating Consumer Preference and External Data

生成式人工智能（AI）的发展使得大规模产品设计自动化成为可能。然而，这种自动化过程通常不会将公司内部数据集中的消费者偏好信息纳入考虑。此外，社交媒体和用户生成内容（UGC）网站等外部来源通常包含丰富的产品设计和消费者偏好信息，但公司在生成设计时并不利用这些信息。我们提出了一种半监督深度生成框架，将消费者偏好和外部数据整合到产品设计过程中，使公司能够以一种成本效益高且可扩展的方式生成消费者喜爱的设计。我们训练一个预测模型来学习消费者偏好，并使用预测的受欢迎程度作为额外的输入标签来指导连续条件生成对抗网络（CcGAN）的训练过程。CcGAN可以被指示生成具有一定受欢迎程度的新设计，使公司能够高效地创建消费者喜爱的设计，并通过避免开发和测试不受欢迎的设计来节省资源。该框架还整合了来自外部来源的现有产品设计和消费者偏好信息，这对于内部数据有限且面临“冷启动”问题的小型或初创公司尤其有帮助。我们将所提出的框架应用于中国一家大型自助摄影连锁店的实际业务场景，帮助其设计新的照片模板。我们展示了我们提出的模型在生成公司吸引人的模板设计方面表现良好。

如何将消费者偏好和外部数据整合到产品设计过程中，以便公司以成本效益和可扩展的方式生成消费者喜欢的设计？

本文提出了一种半监督深度生成框架，将消费者喜好和外部数据整合到产品设计过程中。通过训练预测模型来学习消费者偏好，并使用预测的受欢迎程度作为额外的输入标签来指导连续条件生成对抗网络（CcGAN）的训练过程。CcGAN可以生成具有特定受欢迎程度的新设计，从而使公司能够高效地创建消费者喜欢的设计并节省资源。该框架还包括来自外部来源的现有产品设计和消费者偏好信息，特别适用于内部数据有限且面临“冷启动”问题的小型或初创公司。

本文在一个真实的商业场景中应用了所提出的框架，帮助中国一家大型自助摄影连锁店设计新的照片模板。实验表明，所提出的模型在生成吸引人的模板设计方面表现良好。

相关研究包括基于GAN的图像生成、半监督学习和使用外部数据进行模型训练的研究。例如，Semi-Supervised Learning with Generative Adversarial Networks（Salimans等，2016）和Conditional Generative Adversarial Nets（Mirza和Osindero，2014）。