使用技术层面的精神内涵和情感诉求是什么

情感化设计在产品设计中的应用

随着科学的日新月异，物物质产品的种类越来越丰富，产品功能越来越强大。在满足了基本物质生活功能的需求上，人们的消费需求开始上升到更高几的精神情感层面上来。随着情感的重要以及扩大化，设计的本质也在发生变化，这里的设计的本质是加载了情感化设计应用产品设计。

情感亦称“感情”,指人的喜怒哀乐等心理表现,是人在认识世界和改造世界的过程中产生和发展的。情感化设计是着眼于人的内心情感需求,针对使用者精神层面的设计。在设计产品时融入情感的因素,通过产品外形上某种特定的符号和语义形式或产品的材质、色彩等设计要素将情感传达给其他人。根据产品的功能进行合理设计,使使用者在进行物质享受的同时也可以获得精神上的愉悦,换起人们心中的美好情感,达到沟通和交流的效果,最终使人获得内心充实的审美体验。

情感化设计产生的社会背景及理论基础情感化设计是设计在消费社会日益丰富的物质生活的促生下发生的调整与改变。当代消费社会对设计的需求不再仅仅停留在实用功能的层面,而更加强调物品的精神内涵。情感化设计在满足人的使用需要的前提下,更强调物品的精神内涵及给使用者带来的精神愉悦,这符合了现代人在丰富的物质生活的基础上追求高品质精神生活的诉求。

向客户宣布涨价的技巧

1、直接向客户宣布涨价

如果客户突然发现你的产品涨价了，这对客户是不公平的。如果发生涨价，请确保通过邮件告知你的全部客户知晓这一变化。

2、提前让客户知道

你应该为客户提供充足的时间来接受涨价。因为他们可能需要重新评估预算或考虑其他选择，所以你应该让他们尽快了解情况。此外，你还应该提醒或鼓励他们在涨价生效之前，对产品进行一次或多次订购。

3、有话直说，不要拐弯抹角

告诉对方你的电子邮件只是为了告知一件事：涨价。

最好的办法就是快速进入正题，告诉他们价格将上涨多少，之后的价格是多少，以及这一切何时生效。简短地呈现所有的关键点，不要把它变成一篇关于价格概念背后哲学的论文。

如果你在邮件开场白上浪费了太多时间，他们会想：”拜托，有什么坏消息？”，所以他们如果你直奔主题他们会觉得舒服一些。

销售案例：

某小区的小卖铺，因为最近一些货品进货价上涨的厉害，而顾客基本上都是附近较熟的老客户。一下子提价了怕老顾客会感觉损失了什么，这时可以使用“语义效应”，可以这样改写涨价话术为，“取消原有的折扣”，这样人们会以为之前买的那些货品是折扣价，之前省到了，现在只是恢复原价了而已，自然更容易接受，这同样是语义效应的作用。

当然，“语义效应”这个词只不过是一个概念的总结而已，用了这个词来代替了对一件事用不同行为产生不同效果的概念。有些人也说这是逆向思维，我想这么说也不为过，只要有点粘边都说的过去，原理就是站在有利于自己的立场上做行为决策。

语义效应特别在话术领域的运用比较广泛，因为一个同样销售目的，用不同的话术将会引导不同的销售结果，就像我们上面所举的涨价一样，不要直接说涨价，而是说恢复原价，给人的心理就不太一样。

产品语义学（Product Semantics）则是研究产品语言（Product Language）的意义的学问。其理论架构始于1950年德国乌尔姆造型大学的“符号运用研究”，更远可追溯至芝加哥新包豪斯学校的查理斯·莫理斯（Charles Morris）的记号论。

与其他的人工智能技术相比，情感分析(Sentiment Analysis)显得有些特殊，因为其他的领域都是根据客观的数据来进行分析和预测，但情感分析则带有强烈的个人主观因素。情感分析的目标是从文本中分析出人们对于实体及其属性所表达的情感倾向以及观点，这项技术最早的研究始于2003年Nasukawa和Yi两位学者的关于商品评论的论文。

随着推特等社交媒体以及电商平台的发展而产生大量带有观点的内容，给情感分析提供了所需的数据基础。时至今日，情感识别已经在多个领域被广泛的应用。例如在商品零售领域，用户的评价对于零售商和生产商都是非常重要的反馈信息，通过对海量用户的评价进行情感分析，可以量化用户对产品及其竞品的褒贬程度，从而了解用户对于产品的诉求以及自己产品与竞品的对比优劣。在社会舆情领域，通过分析大众对于社会热点事件的点评可以有效的掌握舆论的走向。在企业舆情方面，利用情感分析可以快速了解社会对企业的评价，为企业的战略规划提供决策依据，提升企业在市场中的竞争力。在金融交易领域，分析交易者对于股票及其他金融衍生品的态度，为行情交易提供辅助依据。

目前，绝大多数的人工智能开放平台都具备情感分析的能力，如图所示是玻森中文语义开放平台的情感分析功能演示，可以看出除了通用领域的情感分析外，还有汽车、厨具、餐饮、新闻和微博几个特定领域的分析。

那么到底什么是情感分析呢？从自然语言处理技术的角度来看，情感分析的任务是从评论的文本中提取出评论的实体，以及评论者对该实体所表达的情感倾向，自然语言所有的核心技术问题，例如：词汇语义，指代消解，此役小气，信息抽取，语义分析等都会在情感分析中用到。因此，情感分析被认为是一个自然语言处理的子任务，我们可以将人们对于某个实体目标的情感统一用一个五元组的格式来表示：(e,a,s,h,t)

以图为例，e是指某餐厅，a为该餐厅的性价比属性，s是对该餐厅的性价比表示了褒义的评价，h为发表评论者本人，t是19年7月27日。所以这条评论的情感分析可以表示为五元组（某餐厅，性价比，正向褒义，评论者，19年7月27日）。

情感分析根据处理文本颗粒度的不同，大致可以分为三个级别的任务，分别是篇章级、句子级和属性级。我们分别来看一下。

1 篇章级情感分析

篇章级情感分析的目标是判断整篇文档表达的是褒义还是贬义的情感，例如一篇书评，或者对某一个热点时事新闻发表的评论，只要待分析的文本超过了一句话的范畴，即可视为是篇章级的情感分析。

对于篇章级的情感分析而言有一个前提假设，那就是全篇章所表达的观点仅针对一个单独的实体e，且只包含一个观点持有者h的观点。这种做法将整个文档视为一个整体，不对篇章中包含的具体实体和实体属性进行研究，使得篇章级的情感分析在实际应用中比较局限，无法对一段文本中的多个实体进行单独分析，对于文本中多个观点持有者的观点也无法辨别。

例如评价的文本是：“我觉得这款手机很棒。”评价者表达的是对手机整体的褒义评价，但如果是：“我觉得这款手机拍照功能很不错，但信号不是很好”这样的句子，在同一个评论中出现了褒义词又出现了贬义词，篇章级的分析是无法分辨出来的，只能将其作为一个整体进行分析。

不过好在有很多的场景是不需要区分观点评价的实体和观点持有者，例如在商品评论的情感分析中，可以默认评论的对象是被评论的商品，评论的观点持有者也是评论者本人。当然，这个也需要看被评论的商品具体是什么东西，如果是亲子旅游这样的旅游服务，那么评论中就很有可能包含一个以上的观点持有者。

在实际工作中，篇章级的情感分析无法满足我们对于评价更细致，如果需要对评论进行更精确，更细致的分析，我们需要拆分篇章中的每一句话，这就是句子级的情感分析研究的问题。

2 句子级情感分析

与篇章级的情感分析类似，句子级的情感分析任务是判断一个句子表达的是褒义还是贬义的情感，虽然颗粒度到了句子层级，但是句子级分析与篇章级存在同样的前提假设是，那就是一个句子只表达了一个观点和一种情感，并且只有一个观点持有人。如果一个句子中包含了两种以上的评价或多个观点持有人的观点，句子级的分析是无法分辨的。好在现实生活中，绝大多数的句子都只表达了一种情感。

既然句子级的情感分析在局限性上与篇章级是一样的，那么进行句子级的情感分析意义何在呢？关于这个问题，需要先解释一下语言学上主观句与客观句的分别。在我们日常用语当中，根据语句中是否带有说话人的主观情感可以将句子分为主观句和客观句，例如：“我喜欢这款新手机。”就是一个主观句，表达了说话人内心的情感或观点，而：“这个APP昨天更新了新功能。”则是一个客观句，陈述的是一个客观事实性信息，并不包含说话人内心的主观情感。通过分辨一个句子是否是主观句，可以帮助我们过滤掉一部分不含情感的句子，让数据处理更有效率。

但是在实操过程中，我们会发现这样的分类方法似乎并不是特别准确，因为一个主观句也可能没有表达任何的情感信息，知识表达了期望或者猜测，例如：“我觉得他现在已经在回家的路上了。”这句话是一个主观句，表达了说话人的猜测，但是并没有表达出任何的情感。而客观句也有可能包含情感信息，表明说话者并不希望这个事实发生，例如：“昨天刚买的新车就被人刮花了。”这句话是一个客观句，但结合常识我们会发现，这句话中其实是包含了说话人的负面情感。

所以，仅仅对句子进行主客观的分类还不足以达到对数据进行过滤的要求，我们需要的是对句子是否含有情感信息进行分类，如果一个句子直接表达或隐含了情感信息，则认为这个句子是含有情感观点的，对于不含情感观点的句子则可以进行过滤。目前对于句子是否含有情感信息的分类技术大多都是采用有监督的学习算法，这种方法需要大量的人工标注数据，基于句子特征来对句子进行分类。

总之，我们可以将句子级的情感分析分成两步，第一步是判断待分析的句子是否含有观点信息，第二步则是针对这些含有观点信息的句子进行情感分析，发现其中情感的倾向性，判断是褒义还是贬义。关于分析情感倾向性的方法与篇章级类似，依然是可以采用监督学习或根据情感词词典的方法来处理，我们会在后续的小节详细讲解。

句子级的情感分析相较于篇章级而言，颗粒度更加细分，但同样只能判断整体的情感，忽略了对于被评价实体的属性。同时它也无法判断比较型的情感观点，例如：“A产品的用户体验比B产品好多了。”对于这样一句话中表达了多个情感的句子，我们不能将其简单的归类为褒义或贬义的情感，而是需要更进一步的细化颗粒度，对评价实体的属性进行抽取，并将属性与相关实体之间进行关联，这就是属性级情感分析。

3 属性级情感分析

上文介绍的篇章级和句子级的情感分析，都无法确切的知道评价者喜欢和不喜欢的具体是什么东西，同时也无法区分对某一个被评价实体的A属性持褒义倾向，对B属性却持贬义倾向的情况。但在实际的语言表达中，一个句子中可能包含了多个不同情感倾向的观点，例如：“我喜欢这家餐厅的装修风格，但菜的味道却很一般。”类似于这样的句子，很难通过篇章级和句子级的情感分析了解到对象的属性层面。

为了在句子级分析的基础上更加细化，我们需要从文本中发现或抽取评价的对象主体信息，并根据文本的上下文判断评价者针对每一个属性所表达的是褒义还是贬义的情感，这种就称之为属性级的情感分析。属性级的情感分析关注的是被评价实体及其属性，包括评价者以及评价时间，目标是挖掘与发现评论在实体及其属性上的观点信息，使之能够生成有关目标实体及其属性完整的五元组观点摘要。具体到技术层面来看，属性级的情感分析可以分为以下6个步骤：

关于文本中的实体抽取和指代消解问题，我们已经在知识图谱的相关章节中做了介绍，这里就不再赘述。针对篇章级、句子级、属性级这三种类型的情感分析任务，人们做了大量的研究并提出了很多分类的方法，这些方法大致可以分为基于词典和基于机器学习两种，下面我们进行详细的讲解。

做情感分析离不开情感词，情感词是承载情感信息最基本的单元，除了基本的词之外，一些包含了情感含义的短语和成语我们也将其统称为情感词。基于情感词典的情感分析方法，主要是基于一个包含了已标注的情感词和短语的词典，在这个词典中包括了情感词的情感倾向以及情感强度，一般将褒义的情感标注为正数，贬义的情感标注为负数。

具体的步骤如图所示，首先将待分析的文本先进行分词，并对分词后的结果做去除停用词和无用词等文本数据的预处理。然后将分词的结果与情感词典中的词进行匹配，并根据词典标注的情感分对文本进行加法计算，最终的计算结果如果为正则是褒义情感，如果为负则是贬义情感，如果为0或情感倾向不明显的得分则为中性情感或无情感。

情感词典是整个分析流程的核心，情感词标注数据的好坏直接决定了情感分类的结果，在这方面可以直接采用已有的开源情感词典，例如BosonNLP基于微博、新闻、论坛等数据来源构建的情感词典，知网（Hownet）情感词典，台湾大学简体中文情感极性词典（NTSUSD），snownlp框架的词典等，同时还可以使用哈工大整理的同义词词林拓展词典作为辅助，通过这个词典可以找到情感词的同义词，拓展情感词典的范围。

当然，我们也可以根据业务的需要来自己训练情感词典，目前主流的情感词词典有三种构建方法：人工方法、基于字典的方法和基于语料库的方法。对于情感词的情感赋值，最简单的方法是将所有的褒义情感词赋值为+1，贬义的情感词赋值为-1，最后进行相加得出情感分析的结果。

但是这种赋值方式显然不符合实际的需求，在实际的语言表达中，存在着非常多的表达方式可以改变情感的强度，最典型的就是程度副词。程度副词分为两种，一种是可以加强情感词原本的情感，这种称之为情感加强词，例如“很好”相较于“好”的情感程度会更强烈，“非常好”又比“很好”更强。另外一种是情感减弱词，例如“没那么好”虽然也是褒义倾向，但情感强度相较于“好”会弱很多。如果出现了增强词，则需要在原来的赋值基础上增加情感得分，如果出现了减弱词则需要减少相应的情感得分。

另一种需要注意的情况是否定词，否定词的出现一般会改变情感词原本的情感倾向，变为相反的情感，例如“不好”就是在“好”前面加上了否定词“不”，使之变成了贬义词。早期的研究会将否定词搭配的情感词直接取相反数，即如果“好”的情感倾向是+1，那么“不好”的情感倾向就是-1。但是这种简单粗暴的规则无法对应上真实的表达情感，例如“太好”是一个比“好”褒义倾向更强的词，如果“好”的值为+1，那么“太好”可以赋值为+3，加上否定词的“不太好”变成-3则显然有点过于贬义了，将其赋值为-1或者-05可能更合适。

基于这种情况，我们可以对否定词也添加上程度的赋值而不是简单的取相反数，对于表达强烈否定的词例如“不那么”赋值为±4，当遇到与褒义词的组合时褒义词则取负数，与贬义词的组合则取正数，例如贬义词“难听”的赋值是-3，加上否定词变成“不那么难听”的情感得分就会是（-3+4=1）。

第三种需要注意的情况是条件词，如果一个条件词出现在句子中，则这个句子很可能不适合用来做情感分析，例如“如果我明天可以去旅行，那么我一定会非常开心。”，在这句话中有明显的褒义情感词，但是因为存在条件词“如果”，使得这个句子的并没有表达观点持有者的真实情感，而是一种假设。

除了条件句之外，还有一种语言表达也是需要在数据预处理阶段进行排除的，那就是疑问句。例如“这个餐厅真的有你说的那么好吗？”，虽然句子中出现了很强烈的褒义情感词“那么好”，但依然不能将它分类为褒义句。疑问句通常会有固定的结尾词，例如“……吗？”或者“……么？”，但是也有的疑问句会省略掉结尾词，直接使用标点符号“？”，例如“你今天是不是不开心？”，这个句子中含有否定词和褒义词组成的“不开心”，但不能将其分类为贬义情感。

最后一种需要注意的情况是转折词，典型词是“但是”，出现在转折词之前的情感倾向通常与转折词之后的情感倾向相反，例如：“我上次在这家酒店的住宿体验非常好，但是这次却让我很失望。”在这个转折句中，转折词之前的“非常好”是一个很强的褒义词，但真实的情感表达却是转折词之后的“很失望”，最终应该将其分类为贬义情感。当然，也存在出现了转折词，但语句本身的情感并没有发生改变的情况，例如“你这次考试比上次有了很大的进步，但是我觉得你可以做得更好”，这里的转折词没有转折含义，而是一种递进含义。在实际操作中，我们所以需要先判断转折句真实的情感表达到底是哪个，才能进行正确的分析计算。

构建情感词典是一件比较耗费人工的事情，除了上述需要注意的问题外，还存在精准度不高，新词和网络用语难以快速收录进词典等问题。同时基于词典的分析方法也存在很多的局限性，例如一个句子可能出现了情感词，但并没有表达情感。或者一个句子不含任何情感词，但却蕴含了说话人的情感。以及部分情感词的含义会随着上下文语境的变化而变化的问题，例如“精明”这个词可以作为褒义词夸奖他人，也可以作为贬义词批评他人。

尽管目前存在诸多问题，但基于字典的情感分析方法也有着不可取代的优势，那就是这种分析方法通用性较强，大多数情况下无需特别的领域数据标注就可以分析文本所表达的情感，对于通用领域的情感分析可以将其作为首选的方案。

我们在机器学习算法的章节介绍过很多分类算法，例如逻辑回归、朴素贝叶斯、KNN等，这些算法都可以用于情感识别。具体的做法与机器学习一样需要分为两个步骤，第一步是根据训练数据构建算法模型，第二步是将测试数据输入到算法模型中输出对应的结果，接下来做具体的讲解。

首先，我们需要准备一些训练用的文本数据，并人工给这些数据做好情感分类的标注，通常的做法下，如果是褒义和贬义的两分类，则褒义标注为1，贬义标注为0，如果是褒义、贬义和中性三分类，则褒义标注为1，中性标注为0，贬义标注为-1

在这一环节中如果用纯人工方法来进行标注，可能会因为个人主观因素对标注的结果造成一定影响，为了避免人的因素带来的影响，也为了提高标注的效率，有一些其他取巧的方法来对数据进行自动标注。比如在电商领域中，商品的评论除了文本数据之外通常还会带有一个5星的等级评分，我们可以根据用户的5星评分作为标注依据，如果是1-2星则标注为贬义，如果是3星标注为中性，4-5星标注为褒义。又比如在社区领域中，很多社区会对帖子有赞和踩的功能，这一数据也可以作为情感标注的参考依据。

第二步是将标注好情感倾向的文本进行分词，并进行数据的预处理，前文已经对分词有了很多的介绍，这里就不再过多的赘述。第三步是从分词的结果中标注出具备情感特征的词，这里特别说一下，如果是对情感进行分类，可以参考情感词典进行标注，也可以采用TF-IDF算法自动抽取出文档的特征词进行标注。如果分析的是某个特定领域的，还需要标注出特定领域的词，例如做商品评价的情感分析，需要标注出商品名称，品类名称，属性名称等。第四步根据分词统计词频构建词袋模型，形成特征词矩阵，如表所示。在这一步可以根据业务需要给每个特征词赋予权重，并通过词频乘以权重得到特征词分数。最后一步就是根据分类算法，将特征词矩阵作为输入数据，得到最终的分类模型。

当训练好分类模型之后，就可以对测试集进行分类了，具体的流程与建模流程类似，先对测试的文本数据进行分词并做数据预处理，然后根据特征词矩阵抽取测试文本的特征词构建词袋矩阵，并将词袋矩阵的词频数据作为输入数据代入之前训练好的模型进行分类，得到分类的结果。

采用基于机器学习的方法进行情感分析有以下几个不足之处，第一是每一个应用领域之间的语言描述差异导致了训练得到的分类模型不能应用与其他的领域，需要单独构建。第二是最终的分类效果取决于训练文本的选择以及正确的情感标注，而人对于情感的理解带有主观性，如果标注出现偏差就会对最终的结果产生影响。

除了基于词典和基于机器学习的方法，也有一些学者将两者结合起来使用，弥补两种方法的缺点，比单独采用一种方法的分类效果要更好，另外，也有学者尝试使用基于LSTM等深度学习的方法对情感进行分析，相信在未来，情感分析会应用在更多的产品中，帮助我们更好的理解用户需求，提升用户使用智能产品的体验。

随着深度神经网络等算法的应用，情感分析的研究方向已经有了非常大的进展，但依然存在着一些难题是目前尚未解决的，在实操过程中需特别注意以下几种类型数据：

情绪轮在用户体验设计上被广泛的应用，很多情感化设计都是基于情绪轮进行的。但是在人工智能领域，将情绪进行多分类比情感分析的三分类任务要难得多，目前大多数分类方法的结果准确性都不到50%。这是因为情绪本身包含了太多的类别，而且不同的类别之间又可能具有相似性，一个情绪词在不同的语境下有可能表达的是不同的情绪类别，算法很难对其进行分类。即使是人工对文本进行情绪类别标注也往往效果不佳，因为情绪是非常主观性的，不同的人对不同的文本可能产生不同的理解，这使得人工标注情绪类比的过程异常困难。如何让机器可以理解真实的情绪目前还是一个未能攻克的难题。

这一概念于1983年由美国的克里彭多夫（K Krippendorf）、德国的布特教授（R Butter）明确提出，并在1984年美国克兰布鲁克艺术学院（Cranbrook Academy of Art）由美国工业设计师协会（IDSA）所举办的“产品语义学研讨会”中予以定义：产品语义学乃是研究人造物的形态在使用情境中的象征特性，以及如何应用在工业设计上的学问。它突破了传统设计理论将人的因素都归入人机工程学的简单作法，扩宽了人机工程学的范畴；突破了传统人机工程学仅对人物理及生理机能的考虑，将设计因素深入至人的心理、精神因素。随着社会发展与进步、物质的极大丰富、消费层次进一步细化，人们对产品的精神功能需求不断提高，产品造型除表达其的功能性目的以外，还要透过其语义特征来传达产品的文化内涵，体现特定社会的时代感和价值取向。正如法国著名符号学家皮埃尔 杰罗所说的，在很多情况下，人们并不是购买具体的物品，而是在寻求潮流、青春和成功的象征。

　　[摘　要]通过分析目前中国汽车设计中对于色彩的情感化因素缺少文化内涵以及缺少针对消费者对于汽车产品色彩的情感诉求的现状，对国内外几款汽车产品色彩情感化因素进行对比分析研究。并且随着中国设计本土化的呼声越来越高，细化、分期的中国文化研究以及色彩情感化因素的诉求将可能越来越多；另外，传统理论深入产品色彩形式背后去挖掘其文化基础及情感需求，对产品色彩设计情感化因素进行文化研究，分析当代中国汽车产品色彩情感化设计的发展之路。

[关键词]汽车设计　色彩　情感要素

一、国内外汽车设计的色彩情感化因素

国外的汽车色彩情感化设计，无论是设计的战略、色彩的环境适应性研究、流行色和常用色的研究等先进经验和方法都是较为完善和科学的。例如，在日本的汽车企业，色彩设计有专门的人，在机构的设置上，外形设计与色彩设计是完全分开的。色彩设计分别由不同国籍的人组成，旨在使商品色彩多样化、民族化或地域化。欧洲各国轿车的造型与色彩设计，其特点在于注重个人风格，而日本则首先通过广泛的市场调查，合理利用和开发新材料，开拓新市场，其特点在于注重集体的智慧和才能。色彩情感化设计在欧洲和日本发展较为充分，取得了骄人的成就。

中国被色彩专家论断为“世界上最大的色彩消费与应用市场”，随着对色彩认识的不断深化以及色彩设计者的不懈努力，中国轿车产品色彩设计正在快速发展。但在色彩的情感化设计的发展上，国内多数汽车生产企业基本上还是个空白。

在我国的工业制造业起步较晚，基础较薄弱。因此，轿车产品色彩的运用属起步阶段，而在色彩设计的系统研究以及对于设计中色彩的情感化因素方面，国内当前的水平与西方先进国家存在很大的距离。

二、 汽车设计中色彩情感化要素研究

1产品设计中的色彩心理因素

各类消费者对产品的功能需求可能是相同的，但不同的年龄、性别，不同的民族和宗教信仰的消费者对产品的色彩有明显不同的感受，这影响着他们的购买行为。所以，进行汽车产品色彩设计时，要考虑消费者的心理因素。

民族不同，风俗习惯不同，爱好、禁忌也不同；受教育程度、文化层次不一，对色彩的喜好都不一样。对于中国人和西方人来说，西方人视粉红色为生命之色，因为粉红色有多愁善感、易激动和浪漫的感情色彩，这是和西方人热情、外向、夸张的性格相对应的;而中国人把绿色看成是生命之色，绿色象征着希望、青春、朝气，绿色也代表着和平、稳定，有安于现状求安宁的情感成份，这又是和中华民族含蓄、稳重、平和的美德分不开的。因此，轿车产品的色彩设计一定要了解不同国家、民族的喜好与禁忌。

2产品设计中的感知认识

不同的商品，人们对它的色彩要求不一样。例如：美容化妆品，可采用较柔和、娇嫩、洁净的色彩，如粉红、淡黄、白色等；食品，一般以嫩绿色表示蔬菜的鲜嫩，以蓝白色表示纯净水、矿泉水的清凉可口，以高纯度的红、黄、橙等，体现食物的色、香、味和营养感，以丰富的复色表达美满的醇香和悠久的历史；同样，因为红色代表着运动、激情，所以跑车往往采用这种色彩，例如法拉利的跑车往往都采用红色。不同档次的车型，色彩设计往往也会有所不同。高档的行政、商务车型色彩力求高贵华丽、沉稳内敛，如采用金色、银色、黑色、灰色等；中低档的家用车型的色彩设计则着重于消费者的心理，且要与商品本身相调和。

3产品设计中的色彩语义学

（1）色彩的功能性表达

汽车在使用过程中已经形成惯用色彩。例如，消防车采用红色，除了红色亮度高、醒目、容易发觉外，主要是人们一见到红色的消防车，就会想到有火灾发生，因而赶紧避让。白色用于医疗救护车，是运用白色的洁白、神圣的含义。邮政车选择绿色，是因为绿色给人以和平、安全的感觉。作为军用车辆，一般都为深绿色，使车辆与草木、黑色的沥青路面颜色相近，达到隐蔽安全的目的。工程车辆多采用黄黑相间的色彩，是运用**亮度高、醒目的特点，以引起行人和其他车辆注意。还有，汽车在底色上采用有功能标志的图案，例如白色救护车上的红十字标志，冷藏车上的雪花、企鹅等图案。还有一些专用汽车其色彩应符合人们的传统习惯，贴近人们的思想感情。例如，殡仪车的色彩应具有肃穆、庄重的气氛，白色和黑色是最优选择。

（2）流行色因素

在当今这个时代，色彩越来越被人所重视，产品色彩不依据流行趋势来进行设计而获得成功的情况越来越小，而且流行色已经越来越影响着人们对产品价值的评价。

人们的色彩视觉，直接影响到流行色的变化和发展。而消费者追求新颖、时髦的心理状态，又是流行色存在和发展的决定因素。流行色的发展和变化，必须在色相、明度、纯度和冷暖等方面区别于以往的色彩，并且有向对应的方向发展的趋势。这就是人眼在色彩视域中，如果对某一种色彩或色调产生视觉疲劳时，就会产生色彩补充的欲望，即“生理上平衡和补充”原理。

实践证明，流行色本身可以给产品带来越来越大的附加价值和经济效益。许多企业己经深深认识到这一点。在竞争激烈的市场经济中，流行色已成为商品市场的媒介、竞争的手段。进入21世纪，随着科技和制漆技术的发展，各种各样的色彩都开始流行起来。比如:苹果电脑透色透明的色彩处理，在市场上取得了成功而产生了一股色彩流行的风潮。再比如：杜邦公司曾发布的2006年和2007年中国汽车流行色报告书，可以发现近年来，银色、黑色、白色和蓝色的汽车较受中国消费者喜爱，尤其是银、黑两色，一直占据着流行色的前两名，这也显示出消费者对富有庄重、现代感的色彩的欢迎。

（3）产品色彩与地域关系

由于不同地区的地理环境有别、气候状况不同，造成了人们对不同色彩的偏爱。热带地区由于温度高，人们喜欢能给人带来清凉感觉的浅色调汽车，而寒冷地区正相反，深色调的汽车使人有温暖、热烈的感受。同样，低纬度地区，日照时间长，光照相对较强，车身的日照面与背面颜色的反差很大，所以人们喜欢柔和的中间色调来消除这种反差，而在高纬度地区，日照时间短，光强相对较弱，反差小，人们喜欢强烈的纯色以加强车身造型效果。比如，在美国，以纽约市为中心的大西洋沿岸的人们喜欢淡色，而在旧金山太平洋沿岸的人们则喜欢鲜明色。北欧的阳光接近发蓝的**，人们喜欢青绿色。意大利人喜欢**和红色，法拉利跑车全是红色。伊朗、科威特、沙特阿拉伯和伊拉克等国家禁忌**，却推崇绿色，认为绿色是生命之源。

1、他突破了传统设计理论，将人的因素都规入人机工程学的简单做法，扩展了人机工程学的范畴。

2、突破了传统人机工程学仅对人物理及生理机能的考虑，将设计因素深入到人的心理、精神因素。