CN106327231A - 个性化商品匹配推荐系统及方法 - Google Patents

Abstract

本发明公开了一种个性化商品匹配推荐系统，包括个人属性采集模块，个人风格计算模块，个人数据存储库，商品属性采集模块，商品风格计算模块，商品数据存储库，匹配推荐模块，课程模块，输出展示模块。本发明采集个人的多个维度的个人属性数据，计算并向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品，为用户提供最优的造型指引，达到精准购物的目的，实用性高。此外，本发明还提供一种个性化商品推荐方法。

Description

个性化商品匹配推荐系统及方法

技术领域

本发明涉及电子商务技术领域，尤其涉及个性化商品匹配推荐系统及方法。

背景技术

目前已有的货物核算推荐技术大部分仍然局限在人的外形数据进行核算，如了解人的身型等核算人体型适合的服装款式，由于已有技术仅定位于女性局部外形数据，如体型尺码进行简单的服装匹配，但是却忽略了人们常年所形成的社会审美或性格内心审美等因素，则有时不仅不能有效完善匹配度、而且也是一种风险。

发明内容

针对现有技术的不足，本发明的目的在于提供一种商品匹配推荐系统及方法，可以为个人提供较高匹配度的商品或组合商品搭配。

为了实现上述目的，本发明提供了如下技术方案：

首先，本发明实施例提供了一种个性化商品匹配推荐系统，包括：

个人属性采集模块，采集个人的多个维度的个人属性数据，包括外观属性及社会心理属性；

个人风格计算模块，根据个人属性采集模块采集的属性数据，计算获取个人风格类型数据；

个人数据存储库，存储个人属性采集模块采集的属性数据及个人风格计算模块计算的个人风格类型数据；

商品属性采集模块，采集获取商品的多个维度的商品属性数据，包括外观属性和审美属性；

商品风格计算模块，根据商品属性采集模块采集的商品属性数据，计算获取商品风格类型数据；

商品数据存储库，存储商品属性采集模块采集的商品属性数据及商品风格计算模块计算的商品风格类型数据；

匹配推荐模块，综合个人数据存储库和商品数据存储库的存储数据，向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品；

输出模块，输出匹配推荐的商品及商品搭配结果。

其次，本发明实施例提供了一种个性化商品匹配推荐方法，包括如下步骤：

(1)采集商品信息，初始化商品数据存储库；

(2)采集个人的多个维度的个人属性数据，计算个人风格类型数据；

(3)根据个人风格类型数据，计算并向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品；

(4)输出展示商品搭配效果。

再次，本发明实施例还提供一种电子装置，包括：

存储器；

一个或多个处理器；以及

存储在所述存储器内的一个或多个程序模块，用于被所述一个或多个处理器执行，所述一个或多个程序模块包括：

用于采集商品信息，初始化商品数据存储库的指令；

用于采集个人的多个维度的个人属性数据，计算个人风格类型数据的指令；

用于根据个人风格类型数据，计算并向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品的指令；以及

用于输出商品搭配效果的指令。

本发明实施例提供商品匹配推荐系统、方法及电子装置，通过对个人或商品的多维度的有效属性的剖析分解，利用本发明所述方法，针对个人全方位的分析考虑，可以最大程度的不仅考虑到个人的外观数据，也考虑到个人的内在或社会数据，计算并向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品，为用户提供最优的造型指引，也达到精准购物的目的，实用性非常高。

附图说明

图1为本发明实施例提供的商品匹配推荐系统的示意图。

图2为本发明实施例提供的商品匹配推荐方法的流程图。

图3为本发明实施例提供的电子装置的结构示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施方式。

图1出示本发明个性化商品匹配推荐系统的实施例结构示意图，如图所示，本发明一种个性化商品匹配推荐系统，包括：

个人属性采集模块，采集个人的多个维度的个人属性数据，包括外观属性及社会心理属性，进行人物剖析画像；

个人风格计算模块，根据个人属性采集模块采集的属性数据，计算获取个人风格类型数据；

个人数据存储库，存储个人属性采集模块采集的属性数据及个人风格计算模块计算的个人风格类型数据；

商品属性采集模块，采集获取商品的多个维度的商品属性数据，包括外观属性和审美属性，进行商品剖析画像；

商品风格计算模块，根据商品属性采集模块采集的商品属性数据，计算获取商品风格类型数据；

商品数据存储库，存储商品属性采集模块采集的商品属性数据及商品风格计算模块计算的商品风格类型数据；

匹配推荐模块，综合个人数据存储库和商品数据存储库的存储数据，向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品；

输出模块，输出匹配推荐的商品及商品搭配结果，包含商品搭配使用指南。

本实施例中，所述个人属性采集模块采集的个人属性数据包括：头部数据、脸部数据、身型数据、性格数据、审美偏向数据、社会心理数据，其中，头部数据、脸部数据、身型数据应用观察测量或者扫描的方法获得量化判定结果，性格数据、审美偏向数据、社会心理数据应用问卷调查方法获得量化判定结果。

上述的头部数据例可包括：头形数据(描述头部的整体轮廓)、发型数据(包括发型种类以及颜色)。上述的脸部数据例如可包括：脸形数据以及五官的模型数据和皮肤种类及颜色数据。上述的身形数据例如可包括身高、体重、身体的模型数据。

上述的性格数据例可包括：气质数据，人格数据、此两项从心理学研究出发，可以通过心理学调查问卷获取。气质数据例如可包括内向、外向、混合。人格数据例如可包括九型人格或者任意的人格数据。

审美偏向数据可包括人对色彩的偏好数据，其中色彩包括单色、色彩搭配、色系，色彩数据调研分两个维度：喜欢的颜色和不喜欢的颜色等。

同时，审美偏向数据还包括人对审美风格的偏好数据，如活泼、优雅、神秘、高贵、热情等。

社会心理数据包含一个人的年龄数据，以及职业数据。

本实施例中，每个个人属性采集值取该个人属性类型选择域中一个或多个取值，所述个人风格计算模块计算获取个人风格类型数据时，设对应多个维度的个人属性采集值分别为P1，P2，P3，…，Pn，则P(P1，P2，P3，…，Pn)构成个人的风格类型数据，其中n为个人多重属性的维度数。

本实施例中，个人属性采集值取该个人属性类型选择域中的多个取值时，选取最匹配一个为主值，个人属性采集值取该个人属性类型选择域中的一个取值时，直接取该取值为主值，对应多个维度的个人属性采集主值组合构成个人的主风格类型数据，其余采集值组合构成个人的次要风格类型数据。

本实施例中，所述商品属性采集模块采集的商品属性数据包括：商品形状数据、商品尺码数据、商品颜色数据、商品材质数据、商品审美数据、商品使用场合数据、商品用户年龄数据、商品色彩搭配数据、商品图案数据、商品装饰元素数据、商品工艺数据、商品风格数据、商品价格数据。

上述的商品形状数据定义商品的外形，其可以是简单外形名称，也可以是详细的外形描述数据(通过测量或者扫描得到)。

上述的商品尺码数据定义商品的尺寸大小，其可以是简单的尺码例如XL、L、M、S等，也可以包括详细的尺寸(长、宽、高、甚至更加详细的细节尺寸)，详细的尺寸也可以通过测量或者扫描得到。

商品颜色数据定义商品的颜色，其可以是简单的颜色名称例如红色、绿色等，也可以是颜色代码，例如#3322de，此单项数据中同时包含色相、明度和纯度三个数据，还可以针对商品的三维模型，记载模型中每一处的颜色。同时亦包含商品色彩搭配、色彩面积，色彩心理效应等数据。

商品材质数据是指制造商品所作用的原材料的材质，例如是丝质、亚麻、羊毛、纯绵还是、皮革、塑料、玉石、钻石、金属等。

商品审美数据是指人对商品所呈现的心理数据，包含如：活泼、优雅、、稳重、神秘、可爱、高贵等。上述的商品用户年龄数据是指每个商品适用的用户年龄。例如，商品用户年龄数据可以包括一个年龄段，例如20－30。

商品色彩搭配数据是指商品适合与哪此色彩进行搭配的数据。商品色彩搭配数据可包括一个颜色清单，每个颜色具有一个与当前商品颜色的搭配度。此搭配度可以是根据算法计算出来，也可以是由和设计师直接指定编辑的。进一步地，商品色彩搭配数据中还可针对不同的部位进行区分，例如，若当前商品为上衣，在可商品色彩搭配数据里分别定义裤子以及鞋子的商品色彩搭配数据，也就是说裤子与鞋子的商品搭配数据可以不同。

商品图案数据定义商品表面的图案特征，其可直接包括商品表面的图案，对于图案是以重复的方式延伸的还可以记载图案重复处理的方式。

商品装饰数据定义商品表面的装饰物或者镶嵌在商品表面的装饰物品：如金属装饰、流苏、亮片、铁链子、拉链、皮带、蕾丝、绣花、各类年串珠、绳带等商品工艺数据定义制作商品时所采取的工艺，此工艺包含制作该商品作用于材质的工艺也包含将商品各部分组合成一体时所采取的工艺：如石磨、做旧、刷白、手工印染、撕裂、镂空等。

商品风格数据是指商品审美元素所呈现的历史、区域、文化所沉淀的历史文化元素聚合而成的风格数据，如：巴洛克风格、洛可可风格、朋克风格、百老汇风格、中国民国风格、20年代风格、超现实主义风格、波普风格等等。

商品价格数据定义商品的价格，例如可以包括单独出售价格、与其他商品搭配的折扣、以及任意其他与商品价格相关的数据。

本实施例中，每个商品属性采集值取该商品属性类型选择域中一个或多个取值，所述商品风格计算模块计算获取商品风格类型数据时，设对应多个维度的商品属性采集值分别为G1，G2，G3，…，Gm，则G(G1，G2，G3，…，Gm)构成商品的风格类型数据，其中m为商品多重属性的维度数。

本实施例中的个性化商品匹配推荐系统还可包括规则提供模块以及课程模块。

本实施例中，所述匹配推荐模块向个人推荐匹配度最高的单一类型商品的方法为：规则提供模块提供个人属性与该类型商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，对指定的个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，该类型商品中每种商品风格类型的匹配值，选取匹配值最高的商品作为推荐匹配商品。

本实施例中，所述匹配推荐模块向个人推荐匹配度最高的多类型搭配组合商品的方法为：规则提供模块提供个人属性与商品属性、商品属性与商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，从个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，每组多类型搭配组合商品的匹配值，选择匹配值最高的多类型搭配组合商品作为推荐多类型搭配组合商品。

规则提供模块所提供的个人属性与该类型商品属性的协调匹配规则以及商品属性与商品属性的协调匹配规则来源可分为两类，一类是设计师进行搭配并输入系统，另一类是系统记录用户的商品选择搭配行为，根据记录结果进行相关性分析得到。

本实施例中，所述匹配推荐模块向个人推荐匹配度最高的单一类型商品的实例为：假如用户选定一支粉底液，则只需取个人肤色数据和粉底液颜色数据进行最佳匹配即可。

本实施例中，所述匹配推荐模块向个人推荐匹配度最高的多类型搭配组合商品的方法为：假如用户需要同时选择化妆全套用品，则需取个人属性数据，包含肤色、年龄、职业、偏好等综合核算后指向的Pn类型数据值匹配。同时取化妆品各品类颜色值，如粉底液、腮红、眼影、高光、鼻影、眼线等等，与商品库中商品风格Gm值进行匹配。最后PN值与GM值相匹配，得到最佳值。

本实施例中，课程模块提供搭配使用课程，传递用户审美能力，纠正用户审美误区。上述的课程的具体内容可包括文字、语音、图片、视频、动画及其任意组合。

本实施例中，输出匹配推荐的商品及商品搭配结果例如是指将商品搭配结果显示在屏幕上、以声音方式输出或者发送给其他设备(例如客户端或者其他移动终端)进行显示。

其次，本发明提供了一种个性化商品匹配推荐方法，包括如下步骤：

(1)采集商品信息，初始化商品数据存储库；

(2)采集个人的多个维度的个人属性数据，计算个人风格类型数据；

(3)根据个人风格类型数据，计算并向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品；

(4)输出展示商品搭配效果。

本实施例中，所述步骤(1)中，初始化商品数据存储库的方法为：采集每个商品的商品属性数据，计算获取商品风格类型数据，将商品风格类型数据存入商品数据存储库，其中，商品属性数据包括商品形状数据、商品尺码数据、商品颜色数据、商品材质数据、商品审美数据、商品使用场合数据、商品用户年龄数据、商品色彩搭配数据、商品图案数据、商品装饰元素数据、商品工艺数据、商品风格数据、商品价格数据。

本实施例中，每个商品属性采集值取该商品属性类型选择域中一个或多个取值，计算获取商品风格类型数据时，设对应多个维度的商品属性采集值分别为G1，G2，G3，…，Gm，则G(G1，G2，G3，…，Gm)构成商品的风格类型数据，其中m为商品多重属性的维度数。

本实施例中，所述步骤(2)中，所述个人属性数据包括：头部数据、脸部数据、身型数据、性格数据、审美偏向数据、社会心理数据，其中，头部数据、脸部数据、身型数据应用观察测量/扫描读取方法获得量化判定结果，性格数据、审美偏向数据、社会心理数据应用问卷调查方法获得量化判定结果。

本实施例中，所述步骤(2)中，每个个人属性采集值取该个人属性类型选择域中一个或多个取值，计算获取个人风格类型数据时，设对应多个维度的个人属性采集值分别为P1，P2，P3，…，Pn，则P(P1，P2，P3，…，Pn)构成个人的风格类型数据，其中n为个人多重属性的维度数。

本实施例中，所述步骤(3)中，计算并向个人推荐匹配度最高的单一类型商品的方法为：提供个人属性与该类型商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，对指定的个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，该类型商品中每种商品风格类型的匹配值，选取匹配值最高的商品作为推荐匹配商品。

本实施例中，所述步骤(3)中，计算并向个人推荐匹配度最高的多类型搭配组合商品的方法为：提供个人属性与商品属性、商品属性与商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，从个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，每组多类型搭配组合商品的匹配值，选择匹配值最高的多类型搭配组合商品作为推荐多类型搭配组合商品。

上述的多个维度的个人属性采集值还可构成一个树形结构，在一个具体的实例中，上述的树形结构如下表所示：

每个商品具有商品模型

可以理解的是上述的用户模型与商品模型的示例仅为示意，本领域普通技术人员可以根据实际需要任意扩展。

上述的规则可以定义触发条件以及计算方式。

触发条件定义一个或多个个人和/或者商品属性的值满足特定条件，或者一个或多个模块的值满足特定条件。此处的模块是指包含子元素的模块，例如上述用户模型中的气质，或者商品模型中的社会心理。

计算方式定义计算公式(例如加权计算的参数以及权重，或者演算的公式以及公式的参数)。

由此，根据上述的规则从用户模型和/或商品模型出发即可计算两者(个人与商品、商品与商品、个人与个人)之间的匹配度。

匹配度存可存在多个层次(根据不同的属性以及计算公式计算)，多个层次的匹配度之间存在排序关系(或者说每个规则具有一个排序)。不同层次的匹配度可以施加修正系数以在一起进行排序。

再次，本发明实施例还提供一种电子装置。参阅图2，电子装置1包括一个或多个(图中仅示出一个)存储器11、处理器12、存储控制器13、外设接口14和显示模块15。这些组件通过一条或多条通讯总线/信号线相互通讯。

本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对电子装置1的结构造成限定。例如，终端1还可包括比图2所示更多或者更少的组件，或者具有与图2所示不同的配置。图2所示的各组件可以采用硬件、软件或其组合实现。

存储器11可用于存储软件程序以及模块，如本发明实施例中的商品匹配推荐方法对应的程序指令/模块，处理器12通过运行存储在存储器11内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目商品匹配推荐方法及系统。

存储器11可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器11可进一步包括相对于处理器12远程设置的存储器，这些远程设置的存储器可以通过网络连接至终端1。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。处理器12以及其他可能的组件对存储器11的访问可在存储控制器13的控制下进行。

外设接口14将各种输入/输出装置耦合至处理器12以及存储器11。处理器12运行存储器11内的各种软件、指令以及执行终端1的各种功能以及进行数据处理。

显示模块15用于显示由用户输入的信息、提供给用户的信息以及电子装置1的各种图形接口。这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。在一个实例中，屏幕15包括一个显示面板。该显示面板例如可为一个液晶显示面板(Liquid Crystal Display，LCD)、有机发光二极管(OrganicLight-Emitting Diode Display，OLED)显示面板、电泳显示面板(Electro-PhoreticDisplay,EPD)等。

进一步地，在本实施例中，显示模块15还可以包括一个触控表面，该触控表面可设置于显示面板上从而与显示面板构成一个整体，即触摸屏。可选的，触控表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器12，并能接收处理器12发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控表面。

所述电子装置1的具体实例包括但不限于手机、平板电脑、服务器或者其他类似的运算装置。

存储器11内存储有一个或多个程序模块，具体地，上述的一个或多个程序模块可包括实现第一实施例中的各模块的指令。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (17)

1.一种个性化商品匹配推荐系统，其特征在于，包括：

个人属性采集模块，采集个人的多个维度的个人属性数据，包括外观属性及社会心理属性；

个人风格计算模块，根据个人属性采集模块采集的属性数据，计算获取个人风格类型数据；

个人数据存储库，存储个人属性采集模块采集的属性数据及个人风格计算模块计算的个人风格类型数据；

商品属性采集模块，采集获取商品的多个维度的商品属性数据，包括外观属性和审美属性；

商品风格计算模块，根据商品属性采集模块采集的商品属性数据，计算获取商品风格类型数据；

商品数据存储库，存储商品属性采集模块采集的商品属性数据及商品风格计算模块计算的商品风格类型数据；

匹配推荐模块，综合个人数据存储库和商品数据存储库的存储数据，向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品；

输出模块，输出匹配推荐的商品或商品搭配结果。

2.根据权利要求1所述的商品匹配推荐系统，其特征在于，还包括：规则提供模块，向匹配推荐模块提供个人与商品之间的匹配规则和/或商品与商品间属性协调搭配的经验规则。

3.根据权利要求1所述的商品匹配推荐系统，其特征在于，还包括：课程模块，提供搭配使用课程。

4.根据权利要求1所述的个性化商品匹配推荐系统，其特征在于，所述个人属性采集模块采集的个人属性数据包括：头部数据、脸部数据、身型数据、性格数据、审美偏向数据、社会心理数据中的一种或多种，其中，头部数据、脸部数据、身型数据应用观察测量/3D扫描方法获得量化判定结果，性格数据、审美偏向数据、社会心理数据应用问卷调查方法获得量化判定结果。

5.根据权利要求1所述的个性化商品匹配推荐系统，其特征在于，每个个人属性采集值取该个人属性类型选择域中一个或多个取值，所述个人风格计算模块计算获取个人风格类型数据时，设对应多个维度的个人属性采集值分别为P1，P2，P3，…，Pn，则P(P1，P2，P3，…，Pn)构成个人的风格类型数据，其中n为个人多重属性的维度数。

6.根据权利要求5所述的个性化商品匹配推荐系统，其特征在于，个人属性采集值取该个人属性类型选择域中的多个取值时，选取最匹配一个为主值，个人属性采集值取该个人属性类型选择域中的一个取值时，直接取该取值为主值，对应多个维度的个人属性采集主值组合构成个人的主风格类型数据，其余采集值组合构成个人的次要风格类型数据。

7.根据权利要求1所述的个性化商品匹配推荐系统，其特征在于，所述商品属性采集模块采集的商品属性数据包括：商品形状数据、商品尺码数据、商品颜色数据、商品色彩搭配数据、商品图案数据、商品工艺数据、商品材质数据、商品审美数据、商品风格数据、商品价格数据、商品装饰元素数据、商品使用场合数据、商品用户年龄数据中的一种或多种。

8.根据权利要求1所述的个性化商品匹配推荐系统，其特征在于，每个商品属性采集值取该商品属性类型选择域中一个或多个取值，所述商品风格计算模块计算获取商品风格类型数据时，设对应多个维度的商品属性采集值分别为G1，G2，G3，…，Gm，则G(G1，G2，G3，…，Gm)构成商品的风格类型数据，其中m为商品多重属性的维度数。

9.根据权利要求2所述的个性化商品匹配推荐系统，其特征在于，所述匹配推荐模块向个人推荐匹配度最高的单一类型商品的方法为：规则提供模块提供个人属性与该类型商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，对指定的个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，该类型商品中每种商品风格类型的匹配值，选取匹配值最高的商品作为推荐匹配商品。

10.根据权利要求2所述的个性化商品匹配推荐系统，其特征在于，所述匹配推荐模块向个人推荐匹配度最高的多类型搭配组合商品的方法为：规则提供模块提供个人属性与商品属性、商品属性与商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，从个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，每组多类型搭配组合商品的匹配值，选择匹配值最高的多类型搭配组合商品作为推荐多类型搭配组合商品。

11.一种个性化商品匹配推荐方法，其特征在于，包括如下步骤：

采集商品信息，初始化商品数据存储库；

采集个人的多个维度的个人属性数据，计算个人风格类型数据；

根据个人风格类型数据，计算并向个人推荐匹配度最高的单一类型商品或多类型搭配组合商品；

输出展示商品搭配效果。

12.根据权利要求11所述的个性化商品匹配推荐方法，其特征在于，所述步骤(1)中，初始化商品数据存储库的方法为：采集每个商品的商品属性数据，计算获取商品风格类型数据，将商品风格类型数据存入商品数据存储库，其中，商品属性数据包括商品形状数据、商品尺码数据、商品颜色数据、商品材质数据、商品审美数据、商品使用场合数据、商品用户年龄数据、商品色彩搭配数据、商品图案数据、商品装饰元素数据、商品工艺数据、商品风格数据、商品价格数据中的一种或多种。

13.根据权利要求12所述的个性化商品匹配推荐方法，其特征在于，每个商品属性采集值取该商品属性类型选择域中一个或多个取值，计算获取商品风格类型数据时，设对应多个维度的商品属性采集值分别为G1，G2，G3，…，Gm，则G(G1，G2，G3，…，Gm)构成商品的风格类型数据，其中m为商品多重属性的维度数。

14.根据权利要求11所述的个性化商品匹配推荐方法，其特征在于，所述步骤(2)中，所述个人属性数据包括：头部数据、脸部数据、身型数据、性格数据、审美偏向数据、社会心理数据中的一种或多种，其中，头部数据、脸部数据、身型数据应用观察/技术扫描测量方法获得量化判定结果，性格数据、审美偏向数据、社会心理数据应用问卷调查方法获得量化判定结果。

15.根据权利要求11所述的个性化商品匹配推荐方法，其特征在于，所述步骤(2)中，每个个人属性采集值取该个人属性类型选择域中一个或多个取值，计算获取个人风格类型数据时，设对应多个维度的个人属性采集值分别为P1，P2，P3，…，Pn，则P(P1，P2，P3，…，Pn)构成个人的风格类型数据，其中n为个人多重属性的维度数。

16.根据权利要求11所述的个性化商品匹配推荐方法，其特征在于，所述步骤(3)中，计算并向个人推荐匹配度最高的单一类型商品的方法为：提供个人属性与该类型商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，对指定的个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，该类型商品中每种商品风格类型的匹配值，选取匹配值最高的商品作为推荐匹配商品。

17.根据权利要求9所述的个性化商品匹配推荐方法，其特征在于，所述步骤(3)中，计算并向个人推荐匹配度最高的多类型搭配组合商品的方法为：通提供个人属性与商品属性、商品属性与商品属性的协调匹配规则，每条协调匹配规则具有比重类型的匹配值，从个人风格类型数据，根据协调匹配规则，推演计算商品数据存储库中，每组多类型搭配组合商品的匹配值，选择匹配值最高的多类型搭配组合商品作为推荐多类型搭配组合商品。