CN106489166A - 服装尺码推荐与合身分析系统以及方法 - Google Patents
服装尺码推荐与合身分析系统以及方法 Download PDFInfo
- Publication number
- CN106489166A CN106489166A CN201580018157.XA CN201580018157A CN106489166A CN 106489166 A CN106489166 A CN 106489166A CN 201580018157 A CN201580018157 A CN 201580018157A CN 106489166 A CN106489166 A CN 106489166A
- Authority
- CN
- China
- Prior art keywords
- size
- fit
- clothes
- systems
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
- A41D1/00—Garments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/04815—Interaction with a metaphor-based environment or interaction object displayed as three-dimensional, e.g. changing the user viewpoint with respect to the environment or object
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/16—Cloth
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Textile Engineering (AREA)
- Computing Systems (AREA)
- Architecture (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种计算机实施的服装尺码推荐与合身分析系统,在所述系统中,存储器存储终端用户的虚拟轮廓或模型,并且处理器被编程为接收终端用户对服装的选择并接着使用服装合身算法来确定这个服装将与所述终端用户的轮廓或模型有多合身,并且其中所述算法在实际销售数据上训练。
Description
发明背景
1.发明领域
本发明涉及了一种服装尺码推荐与合身分析系统。当在零售商的网站上购买服装时,顾客选择服装;服装尺码推荐与合身分析系统分析所选尺码服装对于这位顾客而言有多合身;和/或将最合身或尺码最佳的服装推荐给顾客。
2.相关技术描述
从在线的零售商处购买衣服是一快速发展的领域。当在线选择服装时,顾客可以指定尺码,但是由于他们无法试穿衣服,因此许多顾客不太愿意购买。因此,尺码不确定性是抑制进行在线服装订购的显著因素。而且,如果顾客确实在线购买服装并且服装不太合身,那么服装可被退货,并且顾客将非常不愿意以后从该零售商处在线购买。通常,由零售商支付退货费用,并且在退货后,还将必须人工检查货物并将它们重新包装。这是耗成本的。而且,合身较差是真实风险:服装的尺码表在不同的零售商间标准不一(并且有时在相同的零售商旗下不同品牌间也会标准不一),这就导致来自一个零售商或一个品牌的尺码12的连衣裙可能与来自不同零售商或不同品牌的尺码10的连衣裙为相同尺码。当前估计的是,在线购买的衣服的退货率可能高达30%,在很大程度上,这是因为被退货的衣服并不合身。因此,在线服装购买会让用户感到失望,因为他们无法太过依赖在线的零售商提供的尺码表。这导致了与在线服装零售网站接洽的程度无法达到它们能够达到的那样高。而且,从零售商的角度看,这种体验所带来的利益可能小于其应当值。
因此,目前,为了试穿衣服,用户必须去往商店,或者必须等待衣服递送过来,这两者均耗费时间并且有运送或递送成本。如果用户可以在线购买服装并且高度确信服装将会较为合身,将是有帮助的。
近年以来,已做出了相当大的努力来提供构建用户的虚拟人体模型(即,用户的头部和身体的大多数的(在一些情况下,所有)虚拟或基于计算机图形的模型)的计算机实施的系统;此类模型理想地意味着准确描绘用户。这些系统随后提供以变化的准确度来反映用户可购买的物理服装的实际的形状和尺码的虚拟服装集合。服装可由用户选择,并随后贴合或显现到用户虚拟人体模型上。这使用户能够看到服装穿起来的效果如何;具体来说,该服装样式是否适合用户并且该特定尺码的服装的合身是否合适。应当参考PCT/GB2012/05036,其内容全文以引用方式并入本文。
发明内容
本发明的第一方面是一种计算机实施的服装尺码推荐与合身分析系统,在所述系统中,存储器存储终端用户的虚拟轮廓或模型,并且处理器被编程为接收终端用户对服装的选择并接着使用服装合身算法来确定这个服装将与所述终端用户的轮廓或模型有多合身,并且其中所述算法在实际销售数据上训练。
这带来了若干优点:1)所述尺码推荐引擎仅需相对少量初始训练数据就可使其可用,然而,所述引擎可容易地随时间精炼和更新以逐渐适应服装类别的体形分组和该零售商旗下不同服装品牌;2)所述引擎可以跟踪零售商的用户分组的行为的改变趋势;3)通过此方法了解的概率尺码模型可被直观地视觉化并因此可更有助于向零售商传输深入商业信息(关于体形、合身偏好等等);4)所述引擎甚至在完全无法获得好的服装尺码表时或在制品出于某一原因偏离于尺码表时操作
本发明的一个特定实施中的特征包括以下各项:
·所述算法在来自该服装的零售商的实际销售数据上训练,以便调整来自该零售商的尺码表。
·所述销售数据包括以下各项中的一个或多个:订单中购买的物品列表;在所述订单中的服装的尺码;顾客人体参数;顾客的人口信息、位置和合身偏好;所述服装是要留下、退货还是换货。
·所述算法使用实际现场销售数据训练,并且基于所述实际现场销售数据更新。
·关于特定的零售商的所述实际现场销售数据使用顾客浏览该零售商的web零售商网站时启动的工具或应用来跟踪。
·所述算法需要相对少量初始训练数据使其可用,但是随时间更新以适应与不同服装类别关联的不同体形分组。
·所述算法需要相对少量初始训练数据使其可用,但是随时间更新以适应该零售商旗下不同服装品牌。
·所述算法跟踪消费者购买行为和退货行为的趋势。
·所述算法甚至在无法获得所述零售商或品牌的好的服装尺码表时操作。
·所述算法在制品偏离于尺码表时操作。
·所述算法生成可视绘图,诸如散点绘图,示出与零售商尺码表关联的量值如与购买来自该零售商的特定尺码的服装并将其留下或购买来自该零售商的特定尺码的服装并将其退货的顾客相关。
·所述轮廓或模型特定于所述终端用户,并从以下各项中的一个或多个得出:与所述用户相关的个人数据;身高;体重;年龄;体形;胸围(chest/bust);腰围和臀围量值;先前购买或喜欢的服装;先前购买历史。
·所述轮廓或模型特定于所述终端用户,并且因此非特定于类似终端用户群集。
其他任选特征:
·所述算法将所述终端用户的虚拟轮廓或模型与来自所述服装零售商尺码表中的合身点的数据比较。
ο合身点针对给定尺码服装来限定将最适合该服装的用户的量值,诸如胸围、腰围和臀围。
ο所述算法使用被转换为显示给终端用户的文本描述的每一个合身点的合身函数。
ο文本描述包括以下各项中的一个或多个:太小、紧身、建议、宽松、太大或等效术语。
ο用于特定的零售商的尺码X的所述合身函数具有定位在对应于最合身的量值处的峰值。
ο用于特定的零售商的尺码X的所述合身函数具有用来指示合身公差的宽度,并且针对特定服装凭经验确定。
ο所述合身公差基于将覆盖服装和人体图像(或2D或3D)在相关的合身点区域周围的图像量值比较通过自动分类方案进行确定。
ο所述合身函数的输出是合身点的合身评分。
ο所述算法使用作为关于所述服装的所有相关的合身点的所述合身评分的函数的总体合身评分。
·所述算法通过使用距离度量计算所述终端用户的轮廓或模型的相似度以及服装的一个或多个(或每个)尺码的对应量值。
ο服装的一个或多个(或每个)尺码的所述对应量值限定在来自该服装的零售商或制造商的尺码表中。
ο所述距离度量是欧氏距离。
ο所述距离度量是考虑不同人体量值之间的相关度的度量,诸如马氏距离。
ο所述距离度量是考虑不同的合身点具有对尺码推荐的不同程度影响的度量,诸如马氏距离。
·所述算法使用对与服装的每个尺码的实际销售和退货关联的体形分布的估计,并且生成用以校正在所述尺码表中的量值限定(measurement definition)的偏差。
·所述算法使用K最邻近法(KNN)机器学习算法
ο所述KNN算法外推能力通过使用仅在训练实例稀少时主导最终预测的先验改进。
ο所述算法使用软表决和统一方案。
·所述算法使用贝叶斯法从观察到的人体量值数据和默认(例如,原始)的尺码表学习每个服装尺码的概率模型,以便校正在所述尺码表中的量值限定。
·所述默认的尺码表是任意熟知品牌的尺码表。
·所述算法例如使用预定义的术语或类别(例如,‘完全合身’、‘建议合身’等等)告知所述顾客当前正查看的特定尺码物品将与他们的虚拟轮廓/模型(例如,他们胸围、腰围和臀围)有多合身。
·所述算法例如使用预定义的术语或类别(例如,‘完全合身’、‘建议合身’等等)告知所述顾客先前已购买的物品将与他们的虚拟轮廓/模型(例如,他们胸围、腰围和臀围)有多合身。
·所述处理器利用选取或选择图标(例如,勾选方框)或系统(例如,拖放)显示特定尺码物品以及它们的合身信息(例如,完全合身、建议合身等等),所述图标在激活时,将所述物品或每个物品传入在线的购物篮中以供购买。
·所述系统是这样的系统:(a)所述虚拟轮廓或模型从用户数据生成;(b)3D服装图像通过分析和处理所述服装的多个2D图片来生成;并且(c)所述3D服装图像以叠加在所述3D虚拟人体模型上的方式示出。
第二方面是一种计算机实施的服装尺码推荐与合身分析方法,在所述方法中,存储器存储终端用户的虚拟轮廓或模型,并且处理器被编程为接收终端用户对服装的选择并接着使用服装合身算法来确定这个服装将与所述终端用户的轮廓或模型有多合身,并且其中所述算法在实际销售数据上训练。
附图简述
图1是关于顾客腰围量值的零售商的尺码16服装的合身函数的实例。标签14、16、18和20是对应于以黑色实线示出的三角形滤波器的下端(尺码14)、峰值(尺码16)和上端(尺码18)的量值限定的尺码标签。
图2是购买特定尺码连衣裙并将其留下的顾客的胸围和腰围分布的散点绘图;示出尺码为8、10、12、14、16和18的连衣裙的散点图。该图基于消费者web浏览设备上的Metail工具所记录的商业街服装零售商的销售数据。每一个尺码的白圈表示零售商与该尺码关联的量值。黑点表示购买特定尺码连衣裙并将其留下的顾客的实例。
图3示出通过为每个轮询测试中的查询实例的最佳尺码推荐的置信度评分排序的关于交叉验证1020数据实例集的查准率-查全率曲线。置信度评分使用以下章节3.3中描述的扩展KNN算法获得。
图4是示出推荐服装尺码(以加下划线方框来示出,即,尺码10)以及这个尺码将与顾客胸围、腰围和臀围有多合身的屏幕截图。
图5是示出罩衫(尺码14)的推荐服装尺码的屏幕截图;这个尺码应当对于胸围而言较为合身,但是对于腰围而言太大而臀围处完全合身。连衣裙推荐的是尺码14,并且这个尺码对于胸围而言较为合身,但是同样对于腰围而言太大而臀围处完全合身。
图6是总体系统的示意图,包括(a)顾客客户端设备(例如,浏览web的具有实施为iFrame的工具的计算机),(b)连接到服装数据库的零售商web服务器,以及(c)连接到存储所有用户数据(诸如用户限定自身量值的模型或轮廓)的数据库的服装推荐与合身分析系统,其通常为基于云多处理器计算机系统。
图7示出自动分类方案如何可应用以通过比较覆盖的服装和人体图像的图像量值确定合身点的公差。在实例中,连衣裙图像覆盖在虚拟人体模型的图像上。通过比较在每一个合身点处的水平量值的差值,我们分别将胸围、腰围和臀围处的合身点分类为“紧身(tight)”、“宽松(Loose)”和“松垂(Baggy)”。
具体实施方式
1.引言
本章节描述了用于本发明的实施(称为Metail服装尺码推荐与合身分析服务)的若干算法的技术细节。存在两个主流算法:
·基于合身点(Fit-point)的方法:包括以下方法:
-使用零售商尺码表中的合身点的启发算法。
-基于使用尺码表中的合身点的欧氏距离度量算法的算法。
-使用根据所记录的体形数据估计的校正的尺码表的改进启发和距离度量法。
-通过模型选择为特征化每个服装尺码和推荐尺码的概率分布建模的贝叶斯法。
·基于实例的方法:使用体形参数数据和有先验的尺码表的保留数据的扩展K最邻近法算法。
2.基于查找尺码表中的合身点的方法
我们所用来进行尺码推荐的第一方法流基于零售商的尺码表中的合身点。对于大多数尺码表,可用的合身点是假定为合身于每个给定尺码标签的服装的群体的平均胸围、腰围、臀围。例如,在英国Tesco衣服尺码表上,尺码12具有胸围=93cm、腰围=74cm和臀围=99cm等等。
2.1.启发式合身点算法
基于尺码表中的合身点和用户测量输入,我们首先基于对女性顾客通常如何看待现实服装购买体验中的合身情况的凭经验的理解来设计出启发算法。为了对特定服装与用户体形有多合身建模,我们对每一个合身点的合身函数进行估计。特定尺码s的合身函数f被定义为具有范围在0(并不合身)与1(完全合身)之间的输出的三角窗滤波器。实例见于图1。合身函数输出可转换为显示给顾客的作为对对应人体部分的合身分析的文本描述(实例见于表1;图4和图5示出用户web浏览设备上的屏幕显示)。
表1文本描述中的基于就对应人体部分的合身函数的输出的合身分析的实例。
合身函数峰值定位在零售商尺码表上的尺码标签s的量值限定处。窗口宽度(在两侧上)指示合身公差,并且所述合身公差基于以下方式根据服装在该特定服装的特定的测量点处公差如何以针对每个单个服装来确定:1)对服装样品的人工测试和凭经验的估计,或者2)通过将覆盖服装和人体图像(或2D或3D)在相关的合身点区域周围的图像量值进行比较的自动分类方案(实例见于图7)。这意味着它们随指定服装合身样式而变化,即,更宽窗口宽度被指定给松垂或宽松合身的服装,并且更窄窗口宽度被指定给紧身服装。在图1中还可看出,在滤波器响应达到零前,合身函数包含位于三角窗口左侧上的非零常数区域(在实施中,设定为f=0:1)。这种滤波器设计的特征在于以下事实:非常小的体形仍可适于较大尺码服装,但反过来并非如此。
对特定尺码的总体合身评分f总体被定义为服装的所有相关的合身点的合身评分的乘积。在我们算法中,将使用的相关合身点集随服装类型而变化,具体如下。
·连衣裙:胸围+腰围+臀围;
·上衣、衬衫和夹克:胸围+腰围;
·裤子和半身裙:腰围+臀围。
举例来说,连衣裙的总体合身评分f为:
f总体(s)=f胸围(s)·f腰围(s)·f臀围(s)。 (1)
这得出了针对尺码表S中的每个可用尺码s的在0与1之间的最终评分。最佳尺码给定为具有最高评分的尺码。
对于更普遍的多个尺码推荐,这些尺码可根据合身评分以降序来排序。
2.2.基于距离度量的算法
另一向特定用户推荐服装尺码的方法是要计算顾客的人体量值x(在多数情况下包括胸围、腰围和臀围,因此通常为3D矢量)与尺码表S中限定的每个尺码s的对应量值限定m(s)之间的相似度。在数学中,我们需要限定距离度量d(·,·),以便估计两个量值的相似度。距离越短,两个量值就越相似。最佳尺码可推荐为得到量值的最短距离的尺码。
用于服装尺码推荐的简单但有用的距离度量是欧氏距离,也被称为平方距离总和,如下等式所示。
dE(x,m(s))=||x-m(s)||2。 (4)
这个简单距离度量对于服装尺码推荐而言用起来很合理。
欧氏距离同等且独立地估计每次尺量上的差值。另外,不考虑到在不同人体量值间的相关性。在实践中,我们发现人体量值通常是相关的,例如,具有比平均胸围量值更高的体形更有可能同样具有比平均腰围量值更高的腰围量值等等。另外,不同的合身点对针对不同服装类型的尺码推荐可具有不同程度影响。例如,对于上衣或T恤,胸围的合身要比腰围和臀围的更为重要。因此,用于尺码推荐的更佳距离度量是马氏距离,如下等式所示:
dM(x,m(s))=(x-m(s))T∑-1(s)(x-m(s)), (5)
其中Σ(s)是用于服装的尺码标签s的人体量值的协方差矩阵。在使用以下三个量值情况下:胸围、腰围和臀围,Σ(s)是3×3矩阵。在原则上,协方差矩阵Σ(s)可以随尺码以及服装类型而变化,并且它表示了购买特定尺码s的特定服装并将其留下的群体的体形的偏差。在实践中,Σ(s)可根据Metail工具(参见章节2.3)所记录的顾客体形数据来估计。
2.3.基于销售数据的尺码表调整和协方差估计
虽然服装零售商尺码表为选择尺码提供了一般指南,但是应注意到,购买某尺码并将其留下的实际群体分组的人体量值可显著地偏离该尺码表中指定的量值。为了对与每个尺码的销售关联的实际体形分布做出更好估计,我们查找以下两个数据来源:
·由Metail工具记录的销售记录(包括订单中购买的物品列表、订购的服装的尺码和顾客体形参数)。
·来自零售商的跟踪订单中的每个物品在前一个月内是否被顾客退货的每月的销售数据和退货数据。
关于服装尺码的体形分布的实例在图2中示出,其中我们绘出购买每一个尺码的连衣裙类型服装并将其留下的顾客的胸围和腰围分布。该图基于在2013年3月与2013年6月之间Metail工具所记录的商业街服装零售商的销售数据。红点指示对尺码表的所有尺码的量值限定。我们可观察到,除了一些离群值(outlier)之外,购买特定尺码s服装的顾客的人体量值x的实际分布近似经历多变量型高斯分布N(x;μ(s),Σ(s))。它的均值(即,分布形心)通常具有与尺码表定义值的明显偏差,范围从2.5cm到5cm。这种偏差水平会显著地影响尺码推荐执行。鉴于这个问题,我们尝试通过针对原始的尺码表S中限定的每个尺码s将量值限定m(s)修改为观察到的分布均值μ(s)来校正尺码表,具体如下:
m′(s)=μ(s)=m(s)+b(s),s∈S。 (6)
其中b(s)=μ(s)-m(s)是校正在尺码表上的量值限定的偏差矢量。
然而,在实践中,我们观察到的数据点的数量通常不足以针对每个尺码来准确估计偏差矢量b(s),尤其对于一些样本稀少的过小或过大尺码如此。作为近似,我们使用对所有尺码的均一偏差矢量b来校正尺码表,所述均一偏差矢量不考虑服装尺码来根据销售记录中提供的所有N个实例进行估计,如等式(7)所示。
其中xi是指顾客i的人体量值,并且m(si)是指尺码表中顾客i选择的尺码si的量值限定。所得校正的尺码表可以用于使启发算法(章节2.1)和基于距离度量的算法(章节2.2)两者的推荐准确度提高。
此外,测量分布Σ(s)的估计的协方差矩阵可基于马氏距离(参见等式(5))来用于尺码推荐算法。类似等式(7),当可用数据样本稀少时,可通过等式(8)来估计均一的量值协方差Σ。
3.基于实例的尺码推荐
基于实例的方法是使用我们从Metail工具收集的尺码数据和体形数据以及来自零售商的销售数据(参见章节2.3了解更多细节)的尺码推荐方法的替代解决方案。在这个章节中,我们描述出于服装尺码推荐目的来扩展K最邻近法算法的方式。
3.1.K最邻近法(KNN)算法
K最邻近法(KNN)算法是用于基于附近观察到的样本来解决分类和回归问题的常用机器学习算法。尺码推荐可视为是多标签式分类问题。作为数学公式,假定我们已经得到呈特征-标签对格式的总共N个训练实例,并且我们拥有具有已知特征x*但具有未知标签的测试实例I*。在我们服装尺码推荐问题的上下文中,“特征”是通过进行变换或维数缩减获得的人体量值和/或其他形式数据(例如,BMI、体形主要分量等等)的矢量,而“标签”选择为服装上的每个尺码标签后的量值限定和/或服装尺码和弹性的其他量值的矢量。
在KNN中,我们预测来自特征空间中的其K最邻近训练实例的I*的标签l*。对于尺码推荐,我们合计将查询的标签算为所有K邻近值的标签的加权均值。
其中加权因数wi是从测试实例到每个训练实例的距离的函数。在此,它们被计算为:
其中d(·)表示欧氏距离;并且λi是数据实例的有效值,它在一些数据点更重要并且因此具有比其他更高的权值时使用。在所述算法中,我们对保留销售与退货销售进行区分。对于特定销售,如果我们发现物品在一段时间内已被退货,那么我们通过设定λi=0.125忽略数据影响,同时另一方面,对于其他保留销售,我们设定λi=1。
当训练实例具有与测试实例完全相同的特征并且未记录有退货情况时,它的权值将为1;另一方面,当训练实例远远偏离测试实例时,权值随距离而减小并且在训练实例无限远地偏离时趋近于0。
3.2.在KNN算法前对尺码编码
上述常规KNN算法是纯粹数据驱动的。这种算法的主要缺点是它的外推能力是相当有限,即,当查询实例是训练实例稀少的特征空间时,预测将非常不可靠。关于这个问题,我们建议对所具有的先验量值限定的矢量l*将参与加权平均的查询实例I*的先验尺码编码。
在所述公式中,新的参数β是先验尺码的恒定权值。如果β=0,那么模型被缩减成基本KNN模型。在实施中,我们设定β=1。当查询实例接近许多训练实例时,实例权值满足并且因此从数据进行的估计将会主导先验估计。当查询实例远远偏离训练实例时,将会较小,并且因此先验术语主导并决定了最终预测。
为了获得这个先验尺码1*先验,我们使用方法(例如,启发合身估计(章节2.1)或距离度量方法(章节2.2)等等)执行另一非数据驱动或非机器学习的尺码推荐,并且将输出尺码标签变换成在尺码表上限定的对应尺量的矢量。
3.3.软表决统一方案和多个尺码推荐
给定顾客查询特征矢量,我们使用软表决和统一方案执行尺码推荐。在所有K邻近训练实例中,每个实例将会证明所具有的量值限定(即,标签矢量)类似于实例中的量值限定的尺码范围。
对于在尺码表中限定的每个尺码s,我们根据先验情况的每个附近实例xi和权值v先验(s)估计置信度表决权值vi(s),如下:
其中l(s)是尺码的相关联的服装量值;
限定关于每个人体尺寸的服装弹性和合身公差。在实施中,我们将公差半径σ胸围、σ腰围和σ臀围分别选择为5cm、5cm和7cm,这是基于尺码表的平均相邻分级差值。先验情况的公差半径设定为更大:σ先验,胸围=σ先验,腰围=σ先验,臀围=10cm。
给定所有表决权值,尺码s的总体置信度评分(在0与1之间的值)随后被估计为加权组合,具体如下。
其中实例的权值wi(i=1,2,…,K)限定在(10)中。在实施中,我们发现设定β=2实现最佳性能。
这种算法提供对所有尺码的置信度估计。为了推荐最佳尺码,我们返回具有最高置信度评分的尺码s先验
这可容易用来给出多个尺码推荐以及它们各自置信度评分。在实验过程中,我们进行对1020实例的数据集的交叉验证,并且在图3中,我们通过为每个轮询测试中的查询的最佳尺码推荐的置信度评分排序绘出查准率-查全率曲线。指示预测查准率与置信度评分的值之间的强相关性。
3.4.工作算法
最后,我们总结出了算法1中的用于服装尺码推荐的端对端工作的扩展KNN算法。算法中的所有参数明确给出。
算法1用于服装尺码推荐的扩展KNN算法。
输入:具有特征x=[身高,体重,胸围,胸围,腰围,臀围]和服装类别g∈{连衣裙,上衣,裤子}的测试实例I;呈尺码表条目列表{l(s)={胸围(s),腰围(s),臀围(s)},s∈{所有可用尺码}}形式的尺码表。
输出:服装尺码s先验、在0与1之间的置信度值c。
1.利用校正的尺码表(章节)使用欧氏距离算法计算先验尺码s先验。
其中腰^围(s),臀^围(s)}是校正的尺码表上限定的尺码s的服装量值。先验服装量值标签被给定为l先验={胸围(s先验),腰围(s先验),臀围(s先验)}。
2.对于属于相同服装类别gj=g并具有反馈评分≥3(即,“有可能不退货”或“明确地不退货”)的训练集合中的每个实例Ij,计算欧氏特征距离。
3.获取具有最邻近特征距离的K=16实例,并且利用如下等式计算每个实例i的距离权值wi:
其中对于保留物品的数据点,λi=1,并且对于退货物品的数据点λi=0.1。
4.对于在尺码表中限定的每个尺码s,我们根据每个附近实例xi和先验情况估计置信度表决权值vi(s)和v先验(s):
其中l(s)是尺码s的相关联的服装量值;(以及)限定关于每个人体尺寸的服装弹性和合身公差。
5.尺码s的总体置信度评分被估计为:
其中β=2。
6.返回具有最高置信度评分c(s*)的尺码s*。s*=arg maxs c(s).
4.用于尺码表校正和尺码建议的贝叶斯法
鉴于我们观察到的数据点的数量通常不足以针对每个尺码来估计偏差矢量(如章节2.2中提到)这一事实,一种替代解决方案是在最大化后验值意义上使用贝叶斯法以根据观察到的人体量值数据和默认的尺码表两者来学习每个服装尺码的概率模型(即,零售商限定的原始的尺码表,或者如果零售商尺码表未知,则为另一熟知品牌的尺码表)。作为解释,当给出许多体形观察结果时,模型在很大程度上是由数据确定,而其他情况中,模型将更多地受到先验情况(即,我们的上下文中的原始的尺码表)影响并且具有较大不确定性。
这种贝叶斯法还给出了服装尺码建议解决方案,这显示出当按服装类型来学习模型时,比章节2.3中提到的均一的尺码表校正方法略好的性能。
4.1.模型训练
在训练阶段中,就特定服装类型的零售商的每个尺码标签s,我们尝试为购买此尺码的服装并将其保留的用户的体形分布建模(在此,我们忽略尺码标签,而仅从大至小将尺码简单标引为s=1,2,…,S)。我们当前假定的是,这个模型经历多变量型高斯分布(但应注意,这个假定的有效性是能够证实的,因为有时人体参数可以不对称地分布在量值空间中。为了容易公式形成和数学运算,进行高斯假定)。
其中Ms代表尺码标记s的尺码模型;随机矢量x是指订购这个尺码的用户的人体量值;c是数据的置信度,这取决于我们模型中的订购的保留率。在实施中,对于保留订购,我们指定c=1,并且对于退货订购,我们指定c=0.25。
在现实生活中,大多数服装零售商使用尺码表来限定特定服装尺码的平均人体度量。例如,一个零售商会指定尺码12的标准尺量是胸围=93cm、腰围=74cm和臀围=99cm。这种尺码分级给予我们关于分布均值μs应如何的有力线索。在数学上,我们引入用于所有尺码模型Ms(s=1,2,…,S)的先验。在模型中,我们引入两类先验尺码:1)先验参考尺码;以及2)先验尺码区间。
对于尺码标签,不同的零售商可以具有略微不同量值限定。我们考虑最常用的尺码sref(称为“参考尺码”),并且尝试使用先验参考尺码为这个尺码的变化建模来作为以下多变量型高斯分布:
其中Ω一般指示尺码模型所有的超参数;超参数μ0=[μ0,胸围,μ0,腰围,μ0,臀围]T是参考尺码的估计平均量值限定,同时方差Σ0在所有的零售商间粗略地为此参考尺码的方差建模。在实施中,我们使用任意熟知零售商的尺码定义(例如,Warehouse的尺码10),同时我们设定Σ0=diag(5.3,12.5,12.8)cm2,其根据对许多不同的零售商(包括MaryPortas、Js Collections、Barbour、Planet等等)的公共尺码标签的定义进行估计。
在大多数的零售商尺码表中,两个相邻尺码分级(例如,尺码8与尺码10,或者尺码10与尺码12)之间的量值限定的区间约为相等间距。这种关于每一个量值的区间通常在4cm至6cm之间。因此,我们限定关于两个相邻尺码的量值差值的先验(即,先验尺码区间),以便约束尺码表的分级间距。这还可以通过多变量型高斯分布建模
其中δsl,s是两个相邻尺码sl和s的默认间距,并且他们被设定为初始化过程中的估计的尺码表的区间;同时方差Σδ粗略地为可能尺码间距误差建模,这种可能尺码间距误差被假定为球形高斯分布Σδ=σ2I=diag(0.25,0.25,0.25)cm2。因此,贝叶斯模型的通用先验可分解为以上所限定的两个类型的先验模型的组合,如下等式所示:
现在,我们还被呈现来自所有销售记录的多个观察结果来作为可能性,其中指示订购尺码s的所有Ns个用户的数据,包括用户人体量值xs,i和数据的置信度cs,i。通过组合等式(16)、(17)和(18),我们可得出所有尺码模型相对于观察到的数据X(即,可能性)和具有超参数 的先验模型两者的总体后验分布的公式:
为了在最大化后验值意义上学习尺码模型Ms,我们需要经由模型参数μs和Σs(s=1,2,…,S)解决(21)中的以下优化问题,以使(20)中的L最大化。
我们可以解决(21)中的优化问题并且学习针对服装(类型)限定的所有尺码s∈S的尺码模型Ms,而且在所有服装类型上进行迭代。
4.2.解决训练中的优化
(21)中的优化问题可以通过计算L相对于参数μs和Σs的导数解决,并令并且我们可以得到:
其中
T是指示参数。通过变换等式(22)和(23),我们可以得到以下固定点集等式:
通过根据大概估计设定初始值μs=μs,0和并且接着迭代估计以上等式(24)和(25),我们可快速地达成满足(22)和(8)两者的μ*和的解决方案。在实施中,将会有益的是,略微调节每个迭代中的方差矩阵,以便避免在矩阵求逆过程中出现奇异。
Σs=∑s+λI, (26)
4.3.通过模型选择的查询和尺码推荐
对于具有查询人体量值x的用户并且在提供要试穿的服装的所有预学习的尺码模型{Ms}s∈S情况下,我们可以借助模型选择推荐最佳尺码s*(即,推荐模型给出最高的后验值的尺码)。在数学上,这个问题以如下公式来解决:
其中是尺码s的先验分布,并且我们通常根据其在大量销售数据中的频率进行估计。(27)中的用于估计尺码的log后验的公式很类似于章节2.2的等式(5)中的马氏距离度量。不同之处在于,在此考虑到了尺码标签频率。
Claims (38)
1.一种计算机实施的服装尺码推荐与合身分析系统,在所述系统中,存储器存储终端用户的虚拟轮廓或模型,并且处理器被编程为接收终端用户对服装的选择并接着使用服装合身算法来确定这个服装将与所述终端用户的轮廓或模型有多合身,并且其中所述算法在实际销售数据上训练。
2.如权利要求1所述的系统,其中所述算法在来自该服装的零售商的实际销售数据上训练,以便调整来自该零售商的尺码表。
3.如权利要求1或2所述的系统,其中所述销售数据包括以下各项中的一个或多个:订单中购买的物品列表;在所述订单中的所述服装的尺码;顾客人体参数;所述顾客的人口信息、位置和合身偏好;所述服装是要留下、退货还是换货。
4.如任何前述权利要求所述的系统,其中所述算法使用实际现场销售数据训练,并且基于所述实际现场销售数据更新。
5.如任何前述权利要求所述的系统,其中关于特定的零售商的所述实际现场销售数据使用顾客浏览该零售商的web零售商网站时启动的工具或应用来跟踪。
6.如任何前述权利要求所述的系统,其中所述算法需要相对少量初始训练数据使其可用,但是随时间更新以适应与不同服装类别关联的不同体形分组。
7.如任何前述权利要求所述的系统,其中所述算法需要相对少量初始训练数据使其可用,但是随时间更新以适应该零售商旗下不同服装品牌。
8.如任何前述权利要求所述的系统,其中所述算法跟踪消费者购买行为和退货行为的趋势。
9.如任何前述权利要求所述的系统,其中所述算法甚至在无法获得所述零售商或品牌的好的服装尺码表时操作。
10.如任何前述权利要求所述的系统,其中所述算法在制品偏离于所述尺码表时操作。
11.如任何前述权利要求所述的系统,其中所述算法生成可视图,诸如散点图,示出与零售商尺码表关联的量值如何与购买来自该零售商的特定尺码的服装并将其留下或购买来自该零售商的特定尺码的服装并将其退货的顾客相关。
12.如任何前述权利要求所述的系统,其中所述轮廓或模型特定于所述终端用户,并从以下各项中的一个或多个得出:与所述用户相关的个人数据;身高;体重;年龄;体形;罩杯;胸围/胸围;腰围和臀围量值;先前购买或喜欢的服装;先前购买历史。
13.如任何前述权利要求所述的系统,其中所述轮廓或模型特定于所述终端用户,并且因此非特定于类似终端用户群集。
14.如任何前述权利要求所述的系统,其中所述算法将所述终端用户的所述虚拟轮廓或模型与来自所述服装零售商尺码表中的合身点的数据比较。
15.如权利要求14所述的系统,其中合身点针对给定尺码服装来限定将最适合该服装的用户的所述量值,诸如胸围、腰围和臀围。
16.如任何前述权利要求14至15所述的系统,其中所述算法使用被转换为显示给所述终端用户的文本描述的每一个合身点的合身函数。
17.如权利要求16所述的系统,其中文本描述包括以下各项中的一个或多个:太小、紧身、建议、宽松、太大或等效术语。
18.如任何前述权利要求14至17所述的系统,其中用于特定的零售商的尺码X的所述合身函数具有定位在对应于最合身的所述量值处的峰值。
19.如任何前述权利要求14至18所述的系统,其中用于特定的零售商的尺码X的所述合身函数具有用来指示合身公差的宽度,并且针对特定服装凭经验确定。
20.如权利要求19所述的系统,其中所述合身公差基于将覆盖服装和人体图像(或2D或3D)在相关的合身点区域周围的图像量值比较通过自动分类方案进行确定。
21.如任何前述权利要求14至20所述的系统,其中所述合身函数的输出是合身点的合身评分。
22.如任何前述权利要求14至21所述的系统,其中所述算法使用作为关于所述服装的所有相关的合身点的所述合身评分的函数的总体合身评分。
23.如任何前述权利要求所述的系统,其中所述算法通过使用距离度量计算所述终端用户的轮廓或模型的相似度以及服装的每个尺码的对应量值。
24.如权利要求23所述的系统,其中服装的每个尺码的所述对应量值限定在来自该服装的零售商或制造商的尺码表中。
25.如权利要求23或24所述的系统,其中所述距离度量是欧氏距离。
26.如权利要求23或24所述的系统,其中所述距离度量是考虑不同人体量值之间的相关度的度量,诸如马氏距离。
27.如权利要求23或24所述的系统,其中所述距离度量是考虑不同的合身点具有对尺码推荐的不同程度影响的度量,诸如马氏距离。
28.如任何前述权利要求所述的系统,其中所述算法使用对与服装的每个尺码的实际销售和退货关联的体形分布的估计,并且生成用以校正在所述尺码表中的所述量值限定的偏差。
29.如任何前述权利要求所述的系统,其中所述算法使用K最邻近法(KNN)机器学习算法。
30.如权利要求29所述的系统,其中所述KNN算法外推能力通过使用仅在训练实例稀少时主导最终预测的先验改进。
31.如权利要求29或30所述的系统,其中所述算法使用软表决和统一方案。
32.如任何前述权利要求所述的系统,其中所述算法使用贝叶斯法从观察到的人体量值数据和默认的尺码表学习每个服装尺码的概率模型,以便校正在所述尺码表中的所述量值限定。
33.如权利要求32所述的系统,其中所述默认的尺码表是任意熟知品牌的尺码表。
34.如任何前述权利要求所述的系统,其中所述算法例如使用预定义的术语或类别告知所述顾客当前正查看的特定尺码物品将与他们的虚拟轮廓/模型(例如,他们胸围、腰围和臀围)有多合身。
35.如任何前述权利要求所述的系统,其中所述算法例如使用预定义的术语或类别告知所述顾客先前已购买的物品将与他们的虚拟轮廓/模型(例如,他们胸围、腰围和臀围)有多合身。
36.如任何前述权利要求所述的系统,其中所述处理器利用选取或选择图标(例如,勾选方框)或系统(例如,拖放)显示特定尺码物品以及它们的合身信息,所述图标在激活时,将所述物品或每个物品传入在线的购物篮中以供购买。
37.如任何前述权利要求所述的系统,其中(a)所述虚拟轮廓或模型从用户数据生成;(b)3D服装图像通过分析和处理所述服装的多个2D图片来生成;并且(c)所述3D服装图像以叠加在所述3D虚拟人体模型上的方式示出。
38.一种计算机实施的服装尺码推荐与合身分析方法,在所述方法中,存储器存储终端用户的虚拟轮廓或模型,并且处理器被编程为接收终端用户对服装的选择并接着使用服装合身算法来确定这个服装将与所述终端用户的轮廓或模型有多合身,并且其中所述算法在实际销售数据上训练。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB1406539.5A GB201406539D0 (en) | 2014-04-11 | 2014-04-11 | Garment size recommendation |
GB1406539.5 | 2014-04-11 | ||
PCT/GB2015/051108 WO2015155550A1 (en) | 2014-04-11 | 2015-04-13 | Garment size recommendation and fit analysis system and method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106489166A true CN106489166A (zh) | 2017-03-08 |
Family
ID=50844857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580018157.XA Pending CN106489166A (zh) | 2014-04-11 | 2015-04-13 | 服装尺码推荐与合身分析系统以及方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20170039622A1 (zh) |
EP (1) | EP3129943A1 (zh) |
KR (1) | KR20160143697A (zh) |
CN (1) | CN106489166A (zh) |
GB (2) | GB201406539D0 (zh) |
WO (1) | WO2015155550A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203266A (zh) * | 2017-05-17 | 2017-09-26 | 东莞市华睿电子科技有限公司 | 一种基于vr的数据处理方法 |
CN107577897A (zh) * | 2017-09-25 | 2018-01-12 | 广州云翥轩设计有限公司 | 一种个性化服装设计专家推荐系统 |
CN107609933A (zh) * | 2017-08-24 | 2018-01-19 | 深圳市云智数据服务有限公司 | 一种基于门店成交记录的量脚定制方法、系统 |
CN108875092A (zh) * | 2018-08-22 | 2018-11-23 | 成都理工大学 | 一种基于协方差的商品推荐方法 |
CN111353844A (zh) * | 2018-12-24 | 2020-06-30 | 上海时元互联网科技有限公司 | 虚拟试衣的舒适度评估方法及系统、存储介质及终端 |
CN111667330A (zh) * | 2019-03-08 | 2020-09-15 | 天津大学 | 一种基于用户评价的大数据分析的服饰尺码推荐方法 |
CN112418986A (zh) * | 2020-11-19 | 2021-02-26 | 定智衣(上海)服装科技有限公司 | 一种高稳定智能量体的算法升级解决方案 |
CN112529670A (zh) * | 2021-02-07 | 2021-03-19 | 上海英立视电子有限公司 | 一种虚拟试衣方法 |
CN113272851A (zh) * | 2019-01-03 | 2021-08-17 | 株式会社艾迪讯 | 利用图像测量身体尺寸并推荐服装尺寸的方法、服务器及程序 |
TWI792035B (zh) * | 2019-09-03 | 2023-02-11 | 財團法人工業技術研究院 | 製作產品之材料推薦系統與材料推薦方法 |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11869024B2 (en) | 2010-09-22 | 2024-01-09 | The Nielsen Company (Us), Llc | Methods and apparatus to analyze and adjust demographic information |
US9092797B2 (en) * | 2010-09-22 | 2015-07-28 | The Nielsen Company (Us), Llc | Methods and apparatus to analyze and adjust demographic information |
EP3171323A1 (de) * | 2015-11-20 | 2017-05-24 | Anil Kohli & Heide Meyer GbR | System und verfahren zum ermitteln und ausgeben eines oder mehrerer passgenauer bekleidungsartikel |
CN105956780A (zh) * | 2016-05-11 | 2016-09-21 | 东华大学 | 一种基于贝叶斯判别理论的服装合体性评估方法 |
US9984550B2 (en) | 2016-05-24 | 2018-05-29 | International Business Machines Corporation | Smart garment that communicates at least one parameter to a receiver |
CN106157094A (zh) * | 2016-07-06 | 2016-11-23 | 深圳合梦科技有限公司 | 一种基于自动测量的适体文胸推荐方法 |
JP6322781B1 (ja) * | 2016-08-25 | 2018-05-09 | 楽天株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
US20180247363A1 (en) * | 2017-02-24 | 2018-08-30 | Home Depot Product Authority, Llc | Feature-based product recommendations |
US10963812B1 (en) * | 2017-03-17 | 2021-03-30 | Amazon Technologies, Inc. | Model-based artificial intelligence data mining system for dimension estimation |
US11164233B2 (en) * | 2017-05-15 | 2021-11-02 | Savitude, Inc. | Computer system for filtering and matching garments with users |
KR102415472B1 (ko) * | 2017-05-29 | 2022-07-01 | 주식회사 위메프 | 체형정보 보정장치 및 보정방법 |
US11983748B2 (en) | 2017-09-07 | 2024-05-14 | Stitch Fix, Inc. | Using artificial intelligence to determine a size fit prediction |
US10984342B2 (en) | 2017-10-10 | 2021-04-20 | Stitch Fix, Inc. | Using artificial intelligence to determine a value for a variable size component |
CN112106067A (zh) | 2018-05-18 | 2020-12-18 | 北京嘀嘀无限科技发展有限公司 | 一种用于用户分析的系统和方法 |
KR102209888B1 (ko) * | 2018-08-17 | 2021-01-29 | 동의대학교 산학협력단 | 단말기 상에서 체형 정보를 입력하는 방법 및 입력된 체형 정보에 기초하여 가상 의류 착용 방법과 이를 위한 시스템 |
KR102129820B1 (ko) * | 2018-10-04 | 2020-07-03 | 동의대학교 산학협력단 | 가상 의류 및 의류 착용 예측 시스템 |
KR102319997B1 (ko) * | 2018-10-10 | 2021-11-01 | 이재갑 | 머신러닝 기반의 의류 핏 추천 장치 |
WO2020141800A1 (ko) * | 2019-01-03 | 2020-07-09 | 주식회사 미즈 | 이미지를 이용하여 신체 사이즈를 측정하고, 의류 사이즈를 추천하는 방법, 서버 및 프로그램 |
CN109711083A (zh) * | 2019-01-09 | 2019-05-03 | 王雪微 | 一种基于正态分布的服装尺寸确定方法 |
WO2020203656A1 (ja) * | 2019-04-05 | 2020-10-08 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
EP3745352B1 (en) * | 2019-05-31 | 2023-01-18 | presize GmbH | Methods and systems for determining body measurements and providing clothing size recommendations |
KR102259592B1 (ko) * | 2019-08-05 | 2021-06-02 | 장옥균 | 사용자 성향에 기초한 커피 원두 추천 서비스의 제공 장치 및 방법 |
CN110705023A (zh) * | 2019-08-30 | 2020-01-17 | 杭州海飘科技有限公司 | 一种基于神经网络算法的体感支撑技术方法 |
KR102224056B1 (ko) * | 2019-10-07 | 2021-03-09 | 주식회사 예스나우 | Ai 기반 착용감 예측 시스템 및 방법 |
KR102382633B1 (ko) * | 2019-11-29 | 2022-04-04 | 오드컨셉 주식회사 | 패션 정보 제공 방법, 장치 및 시스템 |
IT202000013087A1 (it) | 2020-06-03 | 2021-12-03 | Goccia S R L | Sistema e metodo di abbinamento di indumenti in vendita online al corpo di un utente acquirente |
KR102224572B1 (ko) * | 2020-07-31 | 2021-03-09 | (주) 성의통상 | 주문 패턴을 이용한 체형 추론 기반의 의류 추천 장치 |
KR102506356B1 (ko) * | 2020-08-13 | 2023-03-03 | 건국대학교 글로컬산학협력단 | 코디 추천 장치 및 방법 |
KR102535249B1 (ko) * | 2020-12-11 | 2023-05-22 | 주식회사 엘지유플러스 | 3d 컨텐츠 제공 시스템 및 그 동작방법 |
US20220207394A1 (en) * | 2020-12-31 | 2022-06-30 | SelfieStyler, Inc. | Garment size recommendation system |
KR102410246B1 (ko) * | 2021-05-04 | 2022-06-22 | 오수혁 | 의류 피팅 시스템 |
WO2022265136A1 (ko) * | 2021-06-18 | 2022-12-22 | 주식회사 예스나우 | 학생의 신체 치수 및 선호도에 기초하여 착용감을 고려한 교복 치수를 추천하는 장치 및 그 방법, 컴퓨터 판독가능 기록 매체 및 컴퓨터 프로그램 |
US11733853B1 (en) * | 2022-09-28 | 2023-08-22 | Zazzle Inc. | Parametric modelling and grading |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768135A (en) * | 1994-08-12 | 1998-06-16 | Custom Clothing Technology Corporation | Custom apparel manufacturing apparatus and method |
US6546309B1 (en) * | 2000-06-29 | 2003-04-08 | Kinney & Lange, P.A. | Virtual fitting room |
US20020059248A1 (en) * | 2000-07-20 | 2002-05-16 | Samuel Farchione | Method for determining proper color for makeup and clothing |
WO2002017160A2 (en) * | 2000-08-23 | 2002-02-28 | Koninklijke Philips Electronics N.V. | Method and system for generating a recommendation for a selection of a piece of clothing |
US6701207B1 (en) * | 2000-11-02 | 2004-03-02 | Kinney & Lange, P.A. | Method for integrating information relating to apparel fit, apparel sizing and body form variance |
US6665577B2 (en) * | 2000-12-20 | 2003-12-16 | My Virtual Model Inc. | System, method and article of manufacture for automated fit and size predictions |
US20020188372A1 (en) * | 2001-05-10 | 2002-12-12 | Lane Kenneth M. | Method and system for computer aided garment selection |
US7953648B2 (en) * | 2001-11-26 | 2011-05-31 | Vock Curtis A | System and methods for generating virtual clothing experiences |
US20050044732A1 (en) * | 2002-01-14 | 2005-03-03 | Mccormick Bruce | Garment fitting system |
KR20060002830A (ko) * | 2003-03-20 | 2006-01-09 | 엠브리오, 엘엘씨 | 개선된 기성복 피트를 위한 시스템 및 방법 |
US20090234489A1 (en) * | 2005-03-09 | 2009-09-17 | Jodi Healy | Fitting Systems |
US20070005174A1 (en) * | 2005-06-29 | 2007-01-04 | Sony Ericsson Mobile Communications Ab | Virtual apparel fitting |
US7714912B2 (en) * | 2007-01-24 | 2010-05-11 | International Business Machines Corporation | Intelligent mirror |
US20090182612A1 (en) * | 2008-01-10 | 2009-07-16 | Lenovo (Singapore) Pte. Ltd. | System and method for online sizing and other applications involving a root measurable entity |
US7905028B2 (en) * | 2008-02-04 | 2011-03-15 | William A. Ward | Systems and methods for collecting body measurements, virtually simulating models of actual and target body shapes, ascertaining garment size fitting, and processing garment orders |
US20130215116A1 (en) * | 2008-03-21 | 2013-08-22 | Dressbot, Inc. | System and Method for Collaborative Shopping, Business and Entertainment |
US20100191770A1 (en) * | 2009-01-27 | 2010-07-29 | Apple Inc. | Systems and methods for providing a virtual fashion closet |
US8429025B2 (en) * | 2010-03-17 | 2013-04-23 | Amanda Fries | Method, medium, and system of ascertaining garment size of a particular garment type for a consumer |
US9646340B2 (en) * | 2010-04-01 | 2017-05-09 | Microsoft Technology Licensing, Llc | Avatar-based virtual dressing room |
US20140279289A1 (en) * | 2013-03-15 | 2014-09-18 | Mary C. Steermann | Mobile Application and Method for Virtual Dressing Room Visualization |
US20140379515A1 (en) * | 2013-06-25 | 2014-12-25 | Stantt LLC | Method For Providing A Custom-Like Fit In Ready-To-Wear Apparel |
-
2014
- 2014-04-11 GB GBGB1406539.5A patent/GB201406539D0/en not_active Ceased
-
2015
- 2015-04-13 GB GB1506191.4A patent/GB2526915A/en not_active Withdrawn
- 2015-04-13 CN CN201580018157.XA patent/CN106489166A/zh active Pending
- 2015-04-13 US US15/303,369 patent/US20170039622A1/en not_active Abandoned
- 2015-04-13 EP EP15717219.8A patent/EP3129943A1/en not_active Withdrawn
- 2015-04-13 KR KR1020167029738A patent/KR20160143697A/ko unknown
- 2015-04-13 WO PCT/GB2015/051108 patent/WO2015155550A1/en active Application Filing
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203266A (zh) * | 2017-05-17 | 2017-09-26 | 东莞市华睿电子科技有限公司 | 一种基于vr的数据处理方法 |
CN107609933A (zh) * | 2017-08-24 | 2018-01-19 | 深圳市云智数据服务有限公司 | 一种基于门店成交记录的量脚定制方法、系统 |
CN107609933B (zh) * | 2017-08-24 | 2020-06-23 | 深圳市云智数据服务有限公司 | 一种基于门店成交记录的量脚定制方法、系统 |
CN107577897B (zh) * | 2017-09-25 | 2020-07-14 | 广州衣路美互联网科技有限公司 | 一种个性化服装设计专家推荐系统 |
CN107577897A (zh) * | 2017-09-25 | 2018-01-12 | 广州云翥轩设计有限公司 | 一种个性化服装设计专家推荐系统 |
CN108875092A (zh) * | 2018-08-22 | 2018-11-23 | 成都理工大学 | 一种基于协方差的商品推荐方法 |
CN108875092B (zh) * | 2018-08-22 | 2022-07-12 | 成都理工大学 | 一种基于协方差的商品推荐方法 |
CN111353844A (zh) * | 2018-12-24 | 2020-06-30 | 上海时元互联网科技有限公司 | 虚拟试衣的舒适度评估方法及系统、存储介质及终端 |
CN113272851A (zh) * | 2019-01-03 | 2021-08-17 | 株式会社艾迪讯 | 利用图像测量身体尺寸并推荐服装尺寸的方法、服务器及程序 |
CN111667330A (zh) * | 2019-03-08 | 2020-09-15 | 天津大学 | 一种基于用户评价的大数据分析的服饰尺码推荐方法 |
TWI792035B (zh) * | 2019-09-03 | 2023-02-11 | 財團法人工業技術研究院 | 製作產品之材料推薦系統與材料推薦方法 |
CN112418986A (zh) * | 2020-11-19 | 2021-02-26 | 定智衣(上海)服装科技有限公司 | 一种高稳定智能量体的算法升级解决方案 |
CN112529670A (zh) * | 2021-02-07 | 2021-03-19 | 上海英立视电子有限公司 | 一种虚拟试衣方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20160143697A (ko) | 2016-12-14 |
GB201506191D0 (en) | 2015-05-27 |
GB2526915A (en) | 2015-12-09 |
EP3129943A1 (en) | 2017-02-15 |
GB201406539D0 (en) | 2014-05-28 |
US20170039622A1 (en) | 2017-02-09 |
WO2015155550A1 (en) | 2015-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106489166A (zh) | 服装尺码推荐与合身分析系统以及方法 | |
CN109559208B (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
US20210209510A1 (en) | Using artificial intelligence to determine a value for a variable size component | |
US20190073335A1 (en) | Using artificial intelligence to determine a size fit prediction | |
Sahoo et al. | Research note—the halo effect in multicomponent ratings and its implications for recommender systems: The case of yahoo! movies | |
US20130268317A1 (en) | Arrangement for facilitating shopping and related method | |
CN108665333A (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
US11676194B2 (en) | Faceted item recommendation system | |
CN103824192A (zh) | 混合推荐系统 | |
Jia et al. | Users' brands preference based on SVD++ in recommender systems | |
Baumann et al. | Changing perspectives: Using graph metrics to predict purchase probabilities | |
Oliveira | Analytical customer relationship management in retailing supported by data mining techniques | |
US20200320468A1 (en) | Computer System for Optimizing Garment Inventory of Retailer Based on Shapes of Users | |
Mikeli et al. | A multi-criteria recommendation method for interval scaled ratings | |
US11062377B1 (en) | Fit prediction | |
Huang et al. | Mining the change of customer behavior in dynamic markets | |
Nath et al. | Ad impression forecasting for sponsored search | |
CN108416611B (zh) | 一种超市路径推荐系统及其方法 | |
Periakaruppan et al. | Self-attention generative adversarial capsule network optimized with atomic orbital search algorithm based sentiment analysis for online product recommendation | |
Zuo et al. | Using bayesian network for purchase behavior prediction from rfid data | |
CN113781134A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
Jankowski et al. | Fuzzy modeling of digital products pricing in the virtual marketplace | |
Singh et al. | Optimizing approach of recommendation system using web usage mining and social media for E-commerce | |
Sinha et al. | Consumer Buying Behavior Analysis During COVID-19 Phase Using Statistical Data Mining and Multi-verse Stochastic Algorithm | |
Shukla et al. | Retracted: Performance optimization of unstructured E‐commerce log data for activity and pattern evaluation using web analytics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170308 |