随时代发展,消费者对产品的需求由简单的功能需求转化为情感需求。如何准确的获取用户需求,设计出符合用户情感需求的产品,成为当代设计师面临的重要挑战之一。在此时代背景下,感性工学作为一门十分注重用户感受及需求的学科越来越受到广大学者的青睐。大数据技术的传播与应用,给感性工学的发展带来了新的契机。因为大数据作为一种数量庞大的真实用户在日常生活中产生的数据,是重要的用户需求一手数据来源。但在现今的感性工学研究中,大数据技术的应用并不广泛,部分研究因缺乏针对性而显得不够深入。为解决上述问题,本文选择以感性工学中的一个环节—感性意象词汇为研究对象,首先对感性意象词汇的文献研究现状进行综述,指出传统的感性意象词汇提取方式人工成本高、过于依赖专家、干扰因素过多等缺点,接着以感性意象理论为基础,大数据技术中的网络评论挖掘为技术手段,提出了一种基于词向量聚类的感性意象词汇提取方法。本方法无需问卷调研与专家介入,由算法完成运算统计,因此在极大程度上降低了感性意象词汇提取实验的人工成本。并改善了传统的词汇提取方法无法获取大量用户样本的问题,具有良好的拓展性。本方法主要包括以下三个步骤:1、原始语料库的获取与建立。通过Python软件获取产品评论文本数据,去除图片、ID、颜色等无用信息,以文本内容建立了原始语料库。2、维度语义词汇的获取。以高频词汇为参考依据,建立维度语义词汇网络,用于感性意象词汇的提取实验。目的是区分评论的评价维度,提取出只针对外观造型的形容词,用于下一步感性意象词汇的提取。3、感性意象词汇的提取。本方法基于词向量意义相近的词汇词向量也同样相近这一特征,利用word2vec模型输出原始感性词汇及其词向量。再对原始感性意象词汇的词向量进行聚类,根据k-means聚类的中心点提取代表性的感性意象词汇。在获取词向量的基础上,本文还进行了部件编码实验。以高频名词与词向量为依据,分析用户关注热点,以此对产品部件进行编码。本文以燃气灶为研究案例,利用神经网络技术建立了感性意象词汇与产品造型之间的联系,构建了意象造型映射系统,使设计师能够通过输入用户意象数值来获取具体的产品造型推荐方案,更加具象地理解用户对于产品的感性意象。