首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >年轻人逃离算法?更懂你的时尚推荐算法,你会拒绝吗?| FashionHack 专栏

年轻人逃离算法?更懂你的时尚推荐算法,你会拒绝吗?| FashionHack 专栏

作者头像
mixlab
发布于 2021-05-28 08:52:14
发布于 2021-05-28 08:52:14
9440
举报

上一篇:《ACI,一种全新的人工智能艺术与时尚创意视角》

推荐系统近年来被应用于各行各业,非常流行。推荐的对象包括:电影、短视频、音乐、新闻、书籍、学术论文、搜索查询。从让你掏空钱包还透支花呗的某宝,到让你刷到无法自拔的某音,眼看着“520节(ying)日(xiao)” 刚过, “618” 又开始提前预热了。

钱包一次次被掏空,如今的软件是怎么做到越来越 “懂” 用户的呢?软件背后极强大的推荐系统,究竟又是怎么做到的?


推荐系统是什么?

推荐系统是指一种信息过滤系统,用于预测用户对物品的 “评分” 或 “偏好”。(维基百科)

推荐系统背后的原理

推荐系统产生推荐信息时,通常会考虑上下文和用户画像。

上下文

指的是推荐系统会在给你推荐商品时,将会考虑你所在的地理(城市、地区)、时间(季节气候、节假日)等因素。如梅雨天干燥剂比平时好卖,夏天空调需求比较高等等。

用户画像

指年龄、性别等用户属性都可以被作为标签。如 18 岁的用户一般不会 (低概率) 购买纸尿裤一类的婴幼儿产品等等。

有了上下文和用户画像,推荐系统就能通过算法进行个性化推荐,而目前最广泛应用的推荐算法是协同过滤算法

协同过滤主要分为两种:

1 基于用户的协同过滤;

2 基于物品的协同过滤。

基于用户的协同过滤方法是指找到与用户 A 有相同品味的用户 B,然后将相似用户 B 过去喜欢的物品推荐给用户 A。而基于物品的协同过滤方法是通过计算物品之间的相似性来代替用户之间的相似性。

这两种方法也经常互相结合,即混合推荐系统

时尚推荐系统

时尚推荐系统主要涵盖了服装与配饰产品推荐、服饰搭配、发型和彩妆建议等等。

chanel的口红色号推荐

如果你曾针对服装时尚领域的任务运用深度学习算法的话,你会发现时尚感这件事是非常微妙和复杂的,这需要特定领域的专业知识。

例如,如果你想为某个特定的风格搭配一套衣服,我们所需要做的是创造性地平衡颜色和融合不同的风格单品。一方面,时尚这个概念通常是主观且微妙的,虽然一般消费者不是时尚专家,但了解消费者共识也是很有价值的。另一方面,提取时尚图像的特征可能需要大量的属性标签

以下内容将介绍 6 种具有代表性的时尚推荐系统。

1 端到端的深度学习

深度学习领域的论文常常会提到 End-to-end(常译为“端到端”)的神经网络,这里可以简单理解为 “从输入端到输出端” 。这样做的好处是可以确保最后的输出结果达到最优,坏处就是让中间网络部分越来越像一个黑箱(Black Box),可解释性越来越差。

获得具有详尽标签的数据集是非常困难的,因此,现有的大多数研究都局限于一个简单的场景,即检索类似的衣服或为一个特定的活动选择单独的衣服。而 Yuncheng Li 等人提出了用一种数据驱动的方法,来训练一个可以自动组成合适的时尚服装的模型。提出这种方法的动机是由于 Pinterest 和 YouTube 等线上平台中的时尚趋势激增,以及当今青少年热衷于这些网站上创造的各类新颖的时尚文化趋势。

该任务的两个难点:

难点 1 时尚图像中视觉内容的复杂性。对于时尚图像,其属性种类复杂,包括但不限于颜色、纹理、类别和风格等等。

难点 2 时尚服装搭配中丰富的上下文信息。例如,一个人的服装搭配可以反映当前的个性和兴趣,甚至是特定的群体归属或文化归属。

服饰搭配与相应的朋克亚文化群体

针对难点 1,他们提出了一个通过深度卷积网络来编码视觉特征的端到端系统,它把时尚服装图像作为输入并处理它,然后预测用户的喜爱水平。针对难点 2,提出了一个多模式深度学习框架,它利用了来自图像本身的上下文信息,实验表明多模态方法的性能显著优于单个模型。

时尚服装评分模型

该模型主要是对整体搭配的质量进行综合评分,其中的关键步骤为时尚单品的表征(灰色虚线框的部分,即对粉色实线框中 Fashion Item Embedding 的进一步解释)。这个步骤是多模态的,不仅对时尚单品的图像进行特征提取,还对该单品对应的类别、单品名进行特征提取,过程中使用了多种深度学习模型,如 CNN、Word2vec。

2 基于隐式反馈的方法

时尚领域有一些有趣的特性,例如季节、流行趋势、价格的变化等,这使得对时尚产品的个性化推荐比在传统领域更加困难。为了避免在使用显式用户评级时出现潜在的偏差。Hai Thanh Nguyen 等人的研究通过分析处理来自应用程序中用户的隐式反馈来产生时尚推荐

这些隐式反馈包括了:用户的实际行为,如点击、收藏、加购和购买等,这些反馈被用来推断用户对与其交互过的产品的隐含偏好分数。然后将此分数与商品的价格和受欢迎程度以及用户操作结果的近期性信息混合。基于这些隐式偏好分数,并通过应用不同的推荐算法来推断用户对其他时尚项目的排名。

实验结果表明,该方法的性能优于最流行的基线方法,从而证明了它的有效性和可行性。

3 基于弱外观特征时尚评价方法

众所周知,网上购物的相关技术发展迅速,虚拟试衣和其他相关的智能设备也已经被引入到时尚行业。许多不同的高级算法被提出,例如 Yan Zhang 等人所提出的基于弱外观特征时尚评价方法。

首先在该研究中,弱外观特征主要有三种,即妆容、配饰和头发颜色。

本研究基本上认为弱外观特征是影响时尚水平的重要指标。所以有很多与个人时尚水平相关的弱外观特征,即上述提到的三类,这些进一步细分可能包括腮红、唇色、眉毛颜色、帽子、手上和脖子上的任何配件等。通过支持向量机(Support Vector Machine,SVM)算法对这些特征进行分类,并对其时尚水平进行评估。

研究先建立了图像数据库,并提出了外观弱特征的三个方面来描述时尚水平。此外,根据人物的面部特征定位方法提取了外观弱特征。最后,可以通过支持向量机对消费者的时尚水平进行分类,并用层次分析方法进行验证。

对弱外观特征的评估引入了主观的评价标准,即时尚水平,这通常需要通过专家对图像人物进行主观的评价。因此,这在一定程度上受限于专家的知识背景和心理动机。

时尚水平

描述分类

第一级第二级第三级第四级

WonderfulGreatGoodCommon

通过化妆、配饰、发色等弱外观特征来确定消费者的时尚水平,这样,就可以将其应用于智能服装推荐系统中,对时尚推荐系统具有一定意义。

4 基于语义属性区域引导的方法

在时尚推荐系统中,每个产品通常由多个语义属性(例如,袖子、衣领等)组成。在做购买决策时,用户通常会展现出对不同语义属性的偏好 (例如有的用户喜欢带 V 领的衣服)。

以往的传统时尚推荐模型都理解具有全局内容表征的服装图像,但对用户的更加细粒度的语义偏好缺乏详细的理解,这通常会导致推荐的效率低下。为了弥补这一点,Min Hou等人提出了一种新的语义属性可解释推荐系统。

更具体地说,首先引入了一个细粒度的可解释语义空间。然后,研究人员开发了一个语义提取网络和细粒度偏好注意模块,分别将用户和时尚产品投影到这个空间中。使用该方法,不仅能够为用户提供服饰产品推荐,还能够通过直观的视觉属性语义突出的个性化方式解释推荐原因。

5 基于对抗性特征转换器的补充推荐

传统的补充产品推荐的方法依赖于行为和非视觉数据,如用户共同浏览或共同购买。然而,时尚领域的产品主要都是视觉上的。Cong Phuoc Huynh 等人提出了一个框架,以一种无监督的方式利用视觉线索,来产生这些作为补充同时出现在一个屏幕中的时尚产品图像。

某宝中的时尚产品补充推荐

这里是配饰+上衣+凉鞋等不同品类的补充推荐

该模型学习了原单品和目标单品的两个类别(如服装中的上衣和下装)之间的非线性变换。根据一个包含了同时出现的产品类别和实例的大量图像数据集,通过将其转换为对抗性优化问题,在特征表示空间上直接训练转换器网络。这样的条件式生成模型可以根据给定的查询指令,在特征空间中生成多个新的补充推荐单品。

根据输入的裤子图像(Query)

输出相应的上衣推荐

最后的推荐是从最接近生成的互补特征的真实样例中选择的,该框架应用于为给定的下装服装产品推荐上衣产品的搭配任务,并且推荐结果是多样化的。

6 神经网络造型师:服装搭配的兼容性建模

服装作为一种 “拥抱美” 产品,在人类的生活中起着重要的作用。事实上,一套合适的服装的关键通常在于和谐的服装搭配。然而,并不是每个人都擅长服装搭配。幸运的是,新兴的在线社区让时尚领域的 KOL/KOC(关键意见领袖/消费者)们通过展示他们的服装搭配来公开分享他们的搭配技巧和心得,其中每个时尚单品(如上衣或下装) 通常都有一个图像和上下文元数据 (如标题和类别)。如此丰富的时尚数据为我们提供了一个研究服装搭配的新机会。

各类充斥着时尚搭配的内容平台

挑战与机遇共存。挑战:

1 影响时尚物品匹配性的复杂因素,如颜色、材料和形状。

2 由于每个时尚单品都涉及到多种模态的数据(图像和文本),如何处理异构的多模态数据也是一个很大的挑战。

每件单品都包含图像以及文本数据

3 不同类别时尚单品之间的搭配关系相当稀疏。

Xuemeng Song 等人提出了一种基于贝叶斯个性化排序 (BPR) 框架来建立时尚单品之间的搭配性。该方案能够联合建立时尚单品的多模态与用户潜在匹配偏好之间的相关关系。

该推荐系统的一些实验结果

相信你对时尚推荐系统有了一些新的理解和看法,如果这篇文章对你有帮助的话请记得点赞、点在看并星标我们哦!

插播:比赛队友招募

基于AI 对话系统的服装设计

诚招DeeCamp队友)

赛题详情:某集团旗下的 “犀牛智造” 是一家从服装业切入的制造企业,为服装行业带来一场 “数字” 制衣的革命,在制造端已经具备了 5 分钟生产 2000 件不同衣服的能力。这时,如何将消费者对服装定制化设计的需求,高效转化为产品设计,就成为了下一个亟待解决的问题。

我们能否通过设计一个 AI 对话系统来达到目的呢?

人:“我想要一个某明星在某综艺的同款”;

:“那套我知道的,我已经根据你的身形进行了尺寸调整,请看效果图”;

人:“袖子有点长,可以短一些么?领口也可以再收一些;”

:“没问题,这就进行剪裁,请看调整后的效果图”;

人:“还不错,转到背面也看一下?哦,还有,搭配我红色的那双鞋会不会更合适?”

2021 DeeCamp人工智能训练营-赛题 3.3

博士、硕士优先

需要 NLP、CV 背景;若干名!

已经通过面试的,可扫专栏二维码联系专栏作者

-END-

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-05-22,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 无界社区mixlab 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
智能时尚:人工智能在时尚&服装行业的应用综述 | 580+参考文献
标题:Smart Fashion: A Review of AI Applications in the Fashion & Apparel Industry
AI算法与图像处理
2021/11/09
2.8K0
智能时尚:人工智能在时尚&服装行业的应用综述 | 580+参考文献
比男友更了解你的穿搭喜好,这个模型可以陪你挑衣服 | 论文
安妮 编译自 arXiv 量子位 出品 | 公众号 QbitAI 购物网站总想通过推荐系统让你多买几件衣服。 但穿搭可是个不太好把控的东西,复杂的服装风格不仅让人挑得眼花缭乱,推荐系统也无法准确推荐出你想买的。最近一项研究表示,有个模型能准确判断衣服的风格,推荐最有可能被购买的服装。 这项成果来自首尔国立大学计算机科学与工程学系的Hanbit Lee、Jinseok Seol和Sang-goo Lee三人。本周一,他们在arXiv上发表了题为《Style2Vec: Representation Learni
量子位
2018/03/28
1.5K0
比男友更了解你的穿搭喜好,这个模型可以陪你挑衣服 | 论文
基于生成模型的推荐系统综述 (Gen-RecSys)
TLDR: 本篇综述旨在调研生成式推荐模型(Gen-RecSys)的主要进展,包括:交互驱动生成模型的基本概述;大型语言模型(LLM)在生成式推荐、检索和会话推荐中的应用;推荐系统中处理和生成图像视频内容的多模态模型的整合。本文以整体视角讨论了Gen-RecSys的影响和危害,并指出了其面临的挑战。
张小磊
2024/06/18
2.5K0
基于生成模型的推荐系统综述 (Gen-RecSys)
推荐算法理论(一):协同过滤
本文是推荐算法理论系列的第一篇文章, 还是想从最经典的协同过滤算法开始。虽然有伙伴可能觉得这个离我们比较久远,并且现在工业界也很少直接用到原始的协同过滤, 但协同过滤的思想依然是非常强大,因为它借助于群体智能智慧,仅仅基于用户与物品的历史交互行为,就可以发掘物品某种层次上的相似关系或用户自身的偏好。这个过程中,可以不需要太多特定领域的知识,可以不需要物品画像或用户画像本身的特征,可以采用简单的工程实现,就能非常方便的应用到产品中。所以作为推荐算法"鼻祖",我们还是非常有必要先来了解一下这个算法的。
用户9656380
2022/04/14
2.9K0
推荐算法理论(一):协同过滤
个性化推荐算法总结[通俗易懂]
并且,推荐系统能够很好的发掘物品的长尾,挑战传统的2/8原则(80%的销售额来自20%的热门品牌)。
全栈程序员站长
2022/08/15
2.1K0
个性化推荐算法总结[通俗易懂]
个性化推荐沙龙 | 跨领域推荐,实现个性化服务的技术途径
曹健,上海交通大学计算机系教授。近年来在大数据智能分析领域进行研究与应用。 一、跨领域推荐的概念 推荐系统在我们这个时代扮演了越来越重要的角色。如何利用海量数据,来对用户的行为进行预测,向用户推荐其感兴趣的物品与服务成为各大互联网公司非常关注的问题。 目前学术界与工业界对推荐的研究与应用,主要集中在对单领域的个性化推荐,即根据用户对某一领域(如书籍)的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。 领域反映了两组对象相互间的关系,比如用户对书籍的评价数据即可看作一个用户-书籍领域,而这个领域本身
携程技术
2018/03/16
2K0
个性化推荐沙龙 | 跨领域推荐,实现个性化服务的技术途径
基于 Flink 的实时推荐系统:从协同过滤到多模态语义理解
嘿,各位技术小伙伴们!在这个信息爆炸的时代,你是不是常常惊叹于各大平台仿佛能 “读懂你的心”,精准推送你感兴趣的内容呢?今天,小编就带大家深入探寻背后的神奇技术 —— 基于 Flink 的实时推荐系统,从协同过滤一步步迈向超酷的多模态语义理解。准备好开启这场奇妙的技术之旅了吗?
小白的大数据之旅
2025/05/17
2010
多模型融合推荐算法在达观数据的运用
多模型融合推荐算法在达观数据的运用 研发背景 互联网时代也是信息爆炸的时代,内容太多,而用户的时间太少,如何选择成了难题。电商平台里的商品、媒体网站里的新闻、小说网站里的作品、招聘网站里的职位……当数量超过用户可以遍历的上限时,用户就无所适从了。 对海量信息进行筛选、过滤,将用户最关注最感兴趣的信息展现在用户面前,能大大增加这些内容的转化率,对各类应用系统都有非常巨大的价值。 搜索引擎的出现在一定程度上解决了信息筛选问题,但还远远不够,其存在的两个主要弊端是:第一搜索引擎需要用户主动提供关键词来对海量信息进
达观数据
2018/03/30
1.6K0
多模型融合推荐算法在达观数据的运用
学习二值编码只为高效的时尚套装推荐
题目: Learning Binary Code for Personalized Fashion Recommendation
张小磊
2020/11/10
5020
学习二值编码只为高效的时尚套装推荐
利用人工智能解读区域时尚特征(译文)
每天有数百万用户访问 Myntra 来更新他们的衣柜,平台上随时都有数百万件商品列出。用户既没有时间也没有能力浏览这个庞大的商品列表。即使应用了类别和属性过滤器,商品数量通常仍达数千件。因此,对于任何用户来说,顶级搜索结果既相关又个性化至关重要。就像搜索一样,平台上的许多其他推荐小部件也面临着同样的挑战。
闪念基因
2024/10/25
1630
初识推荐算法
推荐系统是根据用户的浏览习惯,确定用户的兴趣,通过发掘用户的行为,将合适的信息推荐给用户,满足用户的个性化需求,帮助用户找到对他胃口但是不易找到的信息或商品。
鳄鱼儿
2024/05/21
1650
初识推荐算法
推荐算法概览
推荐算法概览(一) 为推荐系统选择正确的推荐算法非常重要,而可用的算法很多,想要找到最适合所处理问题的算法还是很有难度的。这些算法每种都各有优劣,也各有局限,因此在作出决策前我们应当对其做以衡量。在实践中,我们很可能需要测试多种算法,以便找出最适合用户的那种;了解这些算法的概念以及工作原理,对它们有个直观印象将会很有帮助。 推荐算法通常是在推荐模型中实现的,而推荐模型会负责收集诸如用户偏好、物品描述这些可用作推荐凭借的数据,据此预测特定用户组可能感兴趣的物品。 主要的推荐算法系列有四个(表格1-4): 协同
CSDN技术头条
2018/02/12
1.7K0
推荐算法概览
【基于协同过滤算法的推荐系统项目实战-2】了解协同过滤推荐系统
用户行为能够真实的反映每个用户的偏好和习惯,其中的显示反馈数据会比较稀疏,隐式的反馈数据蕴含了大量的信息。
程序员洲洲
2024/06/07
4990
【基于协同过滤算法的推荐系统项目实战-2】了解协同过滤推荐系统
智能推荐算法在直播场景中的应用
信息过载: 信息过载是信息时代信息过于丰富的负面影响之一。指社会信息超过了个人或系统所能接受、处理或有效利用的范围,并导致故障的状况。人们接受了太多信息,却无法有效整合、组织及内化成自己需要的信息,以致影响到人们的工作、生活以及人际关系等。信息过载主要表现为:(1)受传者对信息反映的速度远远低于信息传播的速度;(2)大众媒介中的信息量大大高于受众所能消费、承受或需要的信息量;(3)大量无关的没用的冗余的数据信息严重干扰了受众对相关有用信息的准确性的选择。
张小磊
2020/04/21
2.2K0
机器学习学习笔记(2) -- 推荐算法
  基于用户行为数据设计的推荐算法一般称为协同过滤算法,实现方法有基于邻域、基于隐语义模型、基于图的随机游走算法等,目前使用最多的是基于邻域的推荐算法,基于邻域的推荐算法又分为基于物品推荐算法和基于用户推荐算法。
挽风
2021/04/13
7710
基于大数据的推荐算法综述
致力于为机器学习、深度学习、数据挖掘等AI技术的“初学者”或者“爱好者”,进行基础理论与实战技能的介绍和学习。我们团队成员既有各个著名院校的在校硕士生、博士生,也有BAT一线资深工程师,我们会竭诚为您服务!
数据森麟
2019/10/17
3.1K0
系列学习——推荐算法综述
作者:章华燕 编辑:祝鑫泉 前言 1 随着移动互联网技术和社交网络的发展,每天都有大量包括博客,图片,视频,微博等等的信息发布到网上。我们正处于大数据的时代,传统的信息检索技术已经不能满足用户对信息发现的需求,推荐引擎的出现,可以帮用户获取更丰富,更符合个人口味和更加有意义的信息。 个性化推荐主要是根据用户的兴趣和和利时行为特点,向用户推荐所需的信息或商品,帮助用户在海量信息中快速发现真正所需的商品,提高用户黏性,促进信息点击和商品销售。推荐系统是基于海量数据挖掘分析的商业智能平台,推荐主要基于以下信息:
机器学习算法工程师
2018/03/06
1.8K0
Stitch Fix玩转时尚算法,年销7.3亿
Stitch Fix(简称SF)由Katrina Lake 创办于2011年,总部旧金山。其模式最大的特点是:私人造型师为顾客搭配衣服。
IT派
2018/08/10
9950
Stitch Fix玩转时尚算法,年销7.3亿
GANs学会掌握你的时尚品味,并定制出了你的下一套服装
人工智能(AI)可能会催生一种全新的时尚潮流:称之为“预测性时尚”。在ArXiv上发表的一篇论文中,来自加州大学圣地亚哥分校的研究人员和Adobe概述了人工智能不仅可以学习一个人的风格,还可以创造出与
AiTechYun
2018/03/05
8070
GANs学会掌握你的时尚品味,并定制出了你的下一套服装
干货 | 【深度学习】 在 【推荐算法】 上的应用研究进展
关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第一 【Python】:排名第三 【算法】:排名第四 文章来源:知乎 作者:赵鑫 深度学习将在多领域产生重要影响 摘要:最近几年是深度学习发展的黄金时间,在多个领域取得了重要进展,包括图像领域、语音领域、文本领域等。深度学习为科研工作者提供了一种非常有效的技术途径,其本质上是对数据特征进行深层次的抽象挖掘,通过大规模数据来学习有效的特征表示以及复杂映射机制,从而建立起有效的数据模型。从方法上来说,深度学习具有的优点本质上是领域无关的。因
昱良
2018/04/08
1.8K0
干货 | 【深度学习】 在 【推荐算法】 上的应用研究进展
推荐阅读
相关推荐
智能时尚:人工智能在时尚&服装行业的应用综述 | 580+参考文献
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档