《Sustainable Production and Consumption》:Context-adaptive deep learning for sustainable product recommendation: Application to concrete
编辑推荐:
建筑产品的可持续性和循环性数据日益丰富,但缺乏自动化的多准则决策工具,迫使从业人员依赖成本和可用性启发式方法,系统性地低估了可持续替代方案。本研究提出了一种上下文自适应深度学习模型,用于对建筑产品进行评分和排序,以混凝土为应用领域。采用集成多头自注意力的Set
建筑产品的可持续性和循环性数据日益丰富,但缺乏自动化的多准则决策工具,迫使从业人员依赖成本和可用性启发式方法,系统性地低估了可持续替代方案。本研究提出了一种上下文自适应深度学习模型,用于对建筑产品进行评分和排序,以混凝土为应用领域。采用集成多头自注意力的Set Transformer架构捕捉竞争替代方案之间的相互关系,支持2-5个替代方案的变长候选集。每个产品通过66个输入特征编码,涵盖环境、循环性、经济和性能指标,以及利益相关者偏好和特定应用场景的上下文输入。指标相关性设计为根据提供的上下文动态变化。模型在包含42,874个标注场景的混合数据集上训练,该数据集结合了确定性控制案例、大语言模型生成的合成标签以及按来源可靠性加权的专家标注。在保留测试数据上,两到五个替代方案场景的平均倒数排名(MRR)值在0.98到0.89之间,归一化折损累计增益(nDCG)值在0.97到0.89之间,平均绝对误差(MAE)稳定在0.05。针对32个真实产品场景的六位领域专家外部评估,初步证明了模型输出与专家推理的一致性,模型分析表明指标相关性随利益相关者偏好和应用场景的变化而一致且可解释地响应。该框架与环境产品声明和性能模式的兼容性及其模块化架构,表明其可迁移至其他建筑产品类别,使其成为一种可扩展的决策支持工具,使客户能够在早期采购阶段做出客观决策。
**论文解读:上下文自适应深度学习用于可持续产品推荐——以混凝土为例**
**研究背景与问题**
建筑环境在全球碳排放中占据显著比例,每年贡献超过31%的二氧化碳排放,并是污染最严重的工业部门之一。采用循环经济(CE)原则,如减少废物、材料再评估和降低对关键原材料的依赖,是缓解这些影响的关键途径。尽管政策层面如欧盟绿色新政和产品环境足迹(PEF)倡议不断推进,建筑产品标准(如ISO 14040、EN 15804)和环境产品声明(EPD)日渐普及,但承包商在采购决策中仍主要基于成本和可用性,缺乏对可持续性、循环性、性能指标的系统性多准则评估。现有工具如多准则决策(MCDM)方法需要人工专家参与,机器学习(ML)和深度学习(DL)在建筑产品属性预测方面有进展,但尚未应用于产品推荐。大语言模型(LLM)可用于数据提取,但未与下游优先级排序集成。因此,存在一个明确的空白:缺乏一个能够同时处理应用场景、利益相关者偏好、多维可持续性(环境、循环性、经济)和性能指标,并适应异构、不完整产品数据的统一自动化推荐模型。本研究旨在开发一个基于深度学习的推荐模型,用于建筑产品(以混凝土为例)的可持续性驱动选择,填补这一空白。
**研究内容与结论**
研究人员提出了一种上下文自适应深度学习模型,采用Set Transformer架构,通过多头自注意力机制捕捉候选产品之间的相互关系。模型输入包含66个特征,涵盖环境指标(全球变暖潜能GWP、水耗竭潜力WDP、淡水使用FWU、生物多样性影响评分)、循环性指标(循环原产地、寿命终结路径)、经济指标(生命周期成本)、健康指标(C2C评分)、性能指标(压缩强度、稠度、密度、水灰比等)以及利益相关者偏好(8种原型)和应用场景(4种混凝土应用)。模型使用混合数据集(42,874个标注场景)训练,结合确定性控制案例、LLM生成的合成标签和专家标注。在测试集上,模型在2-5个替代方案场景中实现了平均倒数排名(MRR)0.89-0.98和归一化折损累计增益(nDCG)0.89-0.97,平均绝对误差(MAE)稳定在0.05。外部专家评估(32个真实产品场景,6位专家)显示模型输出与专家排名高度一致(平均Kendall's τ=0.911),顶部匹配率96.4%。SHAP分析证实特征重要性分布根据利益相关者偏好和应用场景动态变化,与专家期望一致。该模型发表于《Sustainable Production and Consumption》。
**关键技术与方法**
本研究采用的主要关键技术方法包括:(1)Set Transformer架构,利用多头自注意力机制实现置换不变性,处理变长候选集(2-5个替代方案);(2)混合数据构建策略,结合确定性控制案例(24,000个场景)、LLM生成标签(gpt-4.1-2025-04-14,18,602个场景)和专家标注(6位领域专家,272个案例),来源包括团队自有数据和EPD、技术数据表等实际产品文档;(3)多源监督学习,使用自定义分组加权损失函数(Smooth L1),控制案例权重2/5,LLM标签2/5,专家标签1/5;(4)SHAP分析用于模型可解释性,量化特征贡献;(5)分层5折蒙特卡洛交叉验证评估模型稳定性。忽略具体试剂和培养操作。
**研究结果**
**4. 混凝土作为应用领域:模型开发**
- **4.1 输入定义**:定义了66个输入特征,包括18个产品属性(每个属性含值、存在标志、相关标志三维编码)、8维利益相关者偏好向量和4维应用类型向量。性能指标依据EN 206标准,涵盖压缩强度、稠度、水灰比、水泥含量、SCM含量、最大骨料尺寸、密度等。应用场景包括标准结构、隔音、隔热和建筑饰面。
- **4.2 数据集**:构建了42,874个标注场景,其中控制案例24,000个(确定性规则),LLM生成案例18,602个(随机采样特征值,约1%缺失),专家标注272个(6位专家,来源涵盖行业和学术背景,符合UPC伦理准则)。训练/测试分割70/30,按来源分层抽样。数据集公开于CORA研究数据仓库。
- **4.3 模型训练、测试与验证**:网络共167,361个可训练参数,训练64个epoch后早停,最佳验证损失3.68×10
-3。5折交叉验证证实训练和验证损失稳定(均值3.70×10
-3±4.8×10
-5)。测试集上,2-5个替代方案场景的MRR从0.98降至0.89,nDCG从0.97降至0.89,MAE和MSE稳定在0.05和0.007。
**5. 评估、案例研究与讨论**
- **5.1 专家评估**:6位专家评估32个五产品场景,模型预测与专家评价平均偏差0.028,Kendall's τ=0.911,顶部匹配率96.4%。偏差集中于中间排名产品,专家不确定性较高时,模型仍能复制专家推理逻辑。
- **5.2 替代方案数量与扰动效应**:偏好分数随候选集构成变化,注意力机制导致分数关系性调整。扰动分析(±10%)显示极端分数产品(明显偏好或拒绝)低变异性,中间产品高变异性。结构化缺失数据模拟(无成本、无EPD、无性能数据)下,Kendall's τ≥0.89,顶部产品不变,表明模型对缺失数据鲁棒。
- **5.3 利益相关者场景影响**:偏好顺序总体稳定,但利益相关者偏好可在边界案例中改变相对排序(如舒适度优先下产品B与A接近,循环经济优先下产品A优于B)。
- **5.4 混凝土应用影响**:隔热应用显著改变排序,低密度产品A因热性能优势超过高密度产品C。应用场景比利益相关者偏好产生更结构性的影响。
- **5.5 SHAP分析**:特征重要性随利益相关者偏好和应用场景动态变化。成本意识开发者以成本主导,可持续性最大化者以GWP主导,循环经济倡导者以循环原产地主导。隔热应用密度主导,建筑饰面应用循环原产地、稠度、最大骨料尺寸主导。方向性SHAP示例(平衡优化者+隔热)显示低密度正向贡献,高GWP负向贡献,高循环原产地正向贡献。
- **5.6 与现有决策方法比较**:与等权重MCDM基线比较,模型准确加权、量化偏好距离、处理缺失属性、适应上下文,优于固定规则方法。
- **5.7 实践意义**:模型嵌入专家判断为可学习权重,自动适应上下文,兼容DPP和BIM工作流,实现早期采购阶段可持续产品推荐。案例中最高分产品D在GWP、WDP、FWU、生命周期成本上分别优于其他产品13.6-85.4%、4.8-91.1%、10-94%、26.2-76.9%。
- **5.8 对其他建筑产品的适用性**:可持续性指标和利益相关者原型可迁移,性能指标需针对产品标准重新定义,Set Transformer架构通用,但数据规模影响超参数。
- **5.9 局限性与未来研究**:缺失相关数据当前采用惩罚而非预测性插补;假设所有产品结构可行,忽略剂量比例;依赖LLM合成标签存在偏差;专家案例数量有限;未在真实采购中验证;输入向量构建仍需手动数据提取。未来需整合预测插补、BIM集成、端到端自动数据提取。
**讨论与结论**
研究结论部分原文翻译如下:本研究开发并评估了一个用于可持续和循环产品推荐的上下文自适应深度学习模型。该模型解决了缺乏能够将可持续性、循环性、性能指标、利益相关者偏好和应用场景集成到单一评分过程中的自动化多准则决策支持工具的问题。在混合数据集(控制案例、LLM生成标签和专家标注场景)上训练的Set Transformer架构,能够生成可解释的关系性偏好分数,无需在不同评估场景间手动重新配置。从结果得出以下结论:(1)模型学习在高维输入空间上生成上下文自适应偏好输出,无需手动重新参数化;(2)利益相关者偏好在紧密匹配的替代方案边界处产生有限影响;(3)应用场景具有更结构性的影响,当产品属性与情境需求方向一致时,能够重新洗牌中档排名;(4)SHAP分析证实特征重要性分布与专家期望行为一致,验证了模型内部决策逻辑;(5)模型与标准化产品声明模式和模块化架构兼容,表明可迁移至其他建筑产品类别。该模型为处方者、承包商、客户等利益相关者提供了数据驱动产品选择的自动化工具,通过将多样化的可持续性、循环性和性能指标集成到统一、可解释的分数中,加速早期采购阶段,减轻成本-可用性判断中的启发式偏差,在日益增长的监管数据要求下实现客观决策。未来工作需完善缺失相关数据的惩罚(通过预测插补)、推广性能指标、集成端到端自动数据提取。