CN107993131B - 穿搭推荐方法、装置、服务器和存储介质 - Google Patents
穿搭推荐方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN107993131B CN107993131B CN201711445411.1A CN201711445411A CN107993131B CN 107993131 B CN107993131 B CN 107993131B CN 201711445411 A CN201711445411 A CN 201711445411A CN 107993131 B CN107993131 B CN 107993131B
- Authority
- CN
- China
- Prior art keywords
- clothing
- user
- data
- sample
- recommendation model
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种穿搭推荐方法、装置、服务器和存储介质，属于机器学习技术领域。该方法包括：获取用户提供的n件服饰的服饰数据，n为大于或等于1的整数；将n件服饰的服饰数据输入用户对应的穿搭推荐模型，用户对应的穿搭推荐模型为根据用户选择的至少一个目标样本服饰集合训练而成的模型，目标样本服饰集合包括有多个服饰搭配样本以及每个服饰搭配样本的搭配评分；向用户提供用户对应的穿搭推荐模型输出的穿搭数据。本发明获取用户提供的服饰数据，并通过该服饰数据以及基于该用户选择的样本服饰集合训练而成的模型来确定穿搭数据。解决了相关技术难以满足每个人的喜好的问题。达到了能够满足每个人不同的喜好的效果。
Description
技术领域
本发明涉及机器学习技术领域，特别涉及一种穿搭推荐方法、装置、服务 器和存储介质。
背景技术
随着人们生活水平日益提高，人们对衣着、服饰等有了更高的要求，不单 单要考虑天气因素，还要考虑服饰的颜色、款式等是否搭配，如果服饰搭配效 果好能够反映出一个人的品味。
相关技术中的一种穿搭推荐方法中，由用户选定一件服饰，之后根据该服 饰的服饰数据在预设的样本服饰数据库(该数据库中包括多个服饰搭配样本以 及每个服饰搭配样本的搭配评分)搜索，并将与用户选定的服饰的搭配评分较 高的服饰推荐给用户。
发明内容
本发明实施例提供了一种穿搭推荐方法、装置、服务器和存储介质，能够 解决相关技术中每个人对于搭配的喜好并不相同，通过统一的一个样本服饰数 据库获取的用于搭配的服饰难以满足每个人的喜好的问题。所述技术方案如下：
根据本发明的第一方面，一种穿搭推荐方法，所述方法包括：
获取用户提供的n件服饰的服饰数据，所述n为大于或等于1的整数；
将所述n件服饰的服饰数据输入所述用户对应的穿搭推荐模型，所述用户 对应的穿搭推荐模型为根据所述用户选择的至少一个目标样本服饰集合训练而 成的模型，所述目标样本服饰集合包括有多个服饰搭配样本以及每个所述服饰 搭配样本的搭配评分；
向所述用户提供所述用户对应的穿搭推荐模型输出的穿搭数据；
其中，当所述n等于1时，所述穿搭数据包括根据所述穿搭推荐模型获取 的与所述服饰数据的搭配评分高于阈值的至少一件服饰的服饰数据；当所述n 大于1时，所述穿搭数据包括根据所述穿搭推荐模型获取的所述服饰数据的搭 配评分。
根据本发明实施例的第二方面，提供一种穿搭推荐装置，所述穿搭推荐装 置包括：
数据获取模块，用于获取用户提供的n件服饰的服饰数据，所述n为大于 或等于1的整数；
数据输入模块，用于将所述n件服饰的服饰数据输入所述用户对应的穿搭 推荐模型，所述用户对应的穿搭推荐模型为根据所述用户选择的目标样本服饰 集合训练而成的模型，所述目标样本服饰集合包括有多个服饰搭配样本以及每 个所述服饰搭配样本的搭配评分；
数据提供模块，用于向所述用户提供所述用户对应的穿搭推荐模型输出的 穿搭数据；
其中，当所述n等于1时，所述穿搭数据包括根据所述穿搭推荐模型获取 的与所述服饰数据的搭配评分高于阈值的至少一件服饰的服饰数据；当所述n 大于1时，所述穿搭数据包括根据所述穿搭推荐模型获取的所述服饰数据的搭 配评分。
第三方面，提供了一种服务器，所述服务器包括处理器、与所述处理器相 连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序 指令时实现如第一方面所述的穿搭推荐方法。
第四方面，提供了一种计算机可读存储介质，其上存储有程序指令，所述 程序指令被处理器执行时实现如第一方面所述的穿搭推荐方法。
本发明实施例提供的技术方案带来的有益效果是：
获取用户提供的服饰数据，并通过该服饰数据以及基于该用户选择的样本 服饰集合训练而成的模型来确定穿搭数据。解决了相关技术中每个人对于搭配 的喜好并不相同，通过统一的一个样本服饰数据库获取的用于搭配的服饰难以 满足每个人的喜好的问题。达到了能够根据每个人的不同喜好推荐不同的穿搭 数据，以满足每个人不同的喜好的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。
图1为本发明一些实施例所涉及的实施环境的示意图；
图2是本发明实施例示出的一种穿搭推荐方法的流程图；
图3A是本发明实施例示出的另一种穿搭推荐方法的流程图；
图3B是图3A所示实施例中一种终端显示样本服饰集合选择页面的示意图；
图3C是图3A所示实施例中另一种终端显示样本服饰集合选择页面的示意 图；
图4是本发明实施例示出的一种穿搭推荐装置的框图；
图5是根据一示例性实施例示出的一种穿搭推荐装置的框图；
图6示出了本申请一个示例性实施例提供的终端的结构方框图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。 这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通 过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明 实施方式作进一步地详细描述。
首先，对本申请涉及的若干名词进行介绍。
样本服饰数据库：是一种从各种途径(如网络和供应商等)搜集的多个服 饰搭配样本，并由本领域人员对于每个搭配样本给出的搭配评分，其中的每个 搭配样本包括至少两个服饰的服饰数据，该服饰数据可以包括穿戴位置参数(如 上身、下身、脚步、颈部、头部和腕部等)、总体形状参数(如直筒、锥形和三 角等)、尺寸参数(如小号(S号)、中号(M号)和大号(L号)等)、颜色参 数(如红、黄和蓝灯)、图案花纹参数(如三角碎花、菱形碎花和条纹等)中的 至少一种。
样本服饰集合：该样本服饰集合可以是从样本服饰数据库中获取的包括多 个服饰搭配样本，每个样本服饰集合中的服饰搭配样本的风格可以不同。一个 样本服饰数据库可以分割为多个样本服饰集合。此外，目标样本服饰集合为用 户在多个样本服饰集合中选择的样本服饰集合。
可选的，可以通过聚类算法来将样本服饰集合分为多个样本服饰集合。
穿搭推荐模型：是一种用于根据输入的服饰数据预测穿搭数据的数学模型。 根据输入的服饰数据是一件服饰的服饰数据还是多件服饰的服饰数据，该穿搭 推荐模型输出的穿搭数据的类型可以不同。
可选的，当输入的是一件服饰的服饰数据时，穿搭推荐模型输出的穿搭数 据包括根据穿搭推荐模型获取的与服饰数据的搭配评分高于阈值的至少一件服 饰的服饰数据。示例性的，当用户提供的是一个上衣的服饰数据，则穿搭推荐 模型可以输出与该上衣的搭配评分高于阈值的一件下装和一个鞋子的服饰数 据。
此外，该阈值可以根据样本服饰集合中整体的评分分布来设置，示例性的， 可以设置前10％的搭配样本的评分的平均分为该阈值。
而当输入的是多件服饰的服饰数据时，穿搭推荐模型输出的穿搭数据包括 根据穿搭推荐模型获取的服饰数据的搭配评分。示例性的，用户提供的是一件 上衣和一件下装的服饰数据，则穿搭推荐模型输出的穿搭数据可以包括该搭配 的评分。
此外，当输入的是多件服饰的服饰数据时，穿搭推荐模型输出的穿搭数据 仍可以包括与服饰数据的搭配评分高于阈值的至少一件服饰的服饰数据，本发 明实施例不进行限制。示例性的，当用户数据的用户提供的是一件上衣和一件 下装的服饰数据，则穿搭推荐模型输出的穿搭数据可以包括与该上衣和下装的 搭配评分高于阈值的一双鞋子。
可选的，该穿搭推荐模型可以为逻辑回归(英文：Logistic Regression；简 称：LR)模型，逻辑回归模型是指在线性回归的基础上，套用一个逻辑函数建 立的模型。此外，，该穿搭推荐模型还可以为其他类型的模型，比如：深度神经 网络(英文：Deep NeuralNetwork；简称：DNN)模型、循环神经网络(英文： Recurrent Neural Networks；简称：RNN)模型、嵌入(英文：embedding)模型、 梯度提升决策树(英文：Gradient Boosting DecisionTree；简称：GBDT)模型等， 本发明实施例在此不再一一列举。
DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或 称，中间层)和输出层。可选地，输入层、至少一层隐层(或称，中间层)和 输出层均包括至少一个神经元，神经元用于对接收到的数据进行处理。可选地， 不同层之间的神经元的数量可以相同；或者，也可以不同。
RNN模型是一种具有反馈结构的神经网络。在RNN模型中，神经元的输 出可以在下一个时间戳直接作用到自身，即，第i层神经元在m时刻的输入， 除了(i-1)层神经元在该时刻的输出外，还包括其自身在(m-1)时刻的输出。
embedding模型是基于实体和关系分布式向量表示，将每个三元组实例中的 关系看作从实体头到实体尾的翻译。其中，三元组实例包括主体、关系、客体， 三元组实例可以表示成(主体，关系，客体)；主体为实体头，客体为实体尾。 比如：小明的爸爸是大明，则通过三元组实例表示为(小明，爸爸，大明)。
GBDT模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树 的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值，以年 龄为例，预测值为属于年龄对应的节点的所有人年龄的平均值。
图1为本发明一些实施例所涉及的实施环境的示意图，该实施环境可以包 括服务器10和至少一个终端20。
服务器10可以为独立的一台服务器主机；或者，也可以是多台服务器主机 构成的服务器集群。
终端20具有通信功能，终端20包括但不限于：手机、平板电脑、可穿戴 式设备、智能机器人、智能家居设备、膝上型便携计算机和台式计算机中的至 少一种。
终端20中安装有操作系统和客户端。可以将该终端20认为是本申请一些 实施例中的用户。
可选地，操作系统111包括但不限于：IOS(iPhone OS)系统、安卓(Android) 系统、windowPhone系统。
服务器10和至少一个终端20之间可以通过有线网络或无线网络建立连接。
可选地，本申请中，无线网络或有线网络使用标准通信技术和/或协议。网 络通常为因特网、但也可以是任何网络，包括但不限于局域网(英文：Local Area Network；简称：LAN)、城域网(英文：Metropolitan Area Network；简称：MAN)、 广域网(英文：Wide AreaNetwork；简称：WAN)、移动、有线或者无线网络、 专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标 记语言(英文：Hyper Text Mark-up Language；简称：HTML)、可扩展标记语言(英 文：Extensible Markup Language；简称：XML)等的技术和/或格式来代表通过网 络交换的数据。此外还可以使用诸如安全套接字层(英文：SecureSocket Layer； 简称：SSL)、传输层安全(英文：Transport Layer Security；简称：TLS)、虚拟专 用网络(英文：Virtual Private Network；简称：VPN)、网际协议安全(英文：InternetProtocol Security；简称：IPsec)等常规加密技术来加密所有或者一些链路。在另 一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据 通信技术。
图2是本发明实施例示出的一种穿搭推荐方法的流程图，本发明实施例以 该穿搭推荐方法应用于图1所示实施环境中的服务器中来举例说明。该穿搭推 荐方法可以包括如下几个步骤：
步骤201、获取用户提供的n件服饰的服饰数据，n为大于或等于1的整数。
步骤202、将n件服饰的服饰数据输入用户对应的穿搭推荐模型，用户对应 的穿搭推荐模型为根据用户选择的样本服饰集合训练而成的模型，样本服饰集 合包括有多个服饰搭配样本以及每个服饰搭配样本的搭配评分。
步骤203、向用户提供该用户对应的穿搭推荐模型输出的穿搭数据。
其中，当n等于1时，穿搭数据包括根据穿搭推荐模型获取的与服饰数据 的搭配评分高于阈值的至少一件服饰的服饰数据；当n大于1时，穿搭数据包 括根据穿搭推荐模型获取的服饰数据的搭配评分。
综上所述，本发明实施例提供的穿搭推荐方法，获取用户提供的服饰数据， 并通过该服饰数据以及基于该用户选择的样本服饰集合训练而成的模型来确定 穿搭数据。解决了相关技术中每个人对于搭配的喜好并不相同，通过统一的一 个样本服饰数据库获取的用于搭配的服饰难以满足每个人的喜好的问题。达到 了能够根据每个人的不同喜好推荐不同的穿搭数据，以满足每个人不同的喜好 的效果。
图3A是本发明实施例示出的另一种穿搭推荐方法的流程图，本发明实施例 以该穿搭推荐方法应用于图1所示实施环境中的服务器中来举例说明。该穿搭 推荐方法可以包括如下几个步骤：
步骤301、服务器通过聚类算法对样本服饰数据库进行分类，得到至少两个 样本服饰集合。
聚类算法是一种根据样本的各种特征进行分类的一种算法。该聚类算法可 以包括K均值(英文：K-means)算法、K中心点(英文：K-MEDOIDS)算法 和大型应用中的聚类(英文：Clustering LARge Applications；简称：CLARA) 算法等。
服务器通过聚类算法对样本服饰数据可进行分类后，得到的每个样本服饰 集合的风格可以不同，示例性的，样本服饰集合可以包括暖色系的样本服饰集 合和冷色系的样本服饰集合等。
步骤302、服务器向用户提供样本服饰集合选择页面，样本服饰集合选择页 面包括至少两个样本服饰集合的选项。
服务器可以向用户操作的终端发送样本服饰集合选择页面，用户操作的终 端可以显示该样本服饰集合选择页面。
如图3B所示，其为一种终端显示样本服饰集合选择页面的示意图，该终端 可以显示有个样本服饰集合a、样本服饰集合b、样本服饰集合c和样本服饰集 合d四个选项，可选的，任一样本服饰集合的选项(a、b、c和d)为任一样本 服饰集合中的一个服饰搭配的图像。用户在图3B所示的样本服饰集合选择页面 中可以选择至少一个样本服饰集合。
可选的，为了便于用户进行选择，样本服饰集合选择页面包括至少一个子 选择页面，每个子选择页面包括两个样本服饰集合的选项，此时，服务器可以 依次向用户提供每个子选择页面，如此能够使用户更容易的做出选择。如图3C 所示，其为终端显示的一个子选择页面的示意图，该子选择页面包括样本服饰 集合a和样本服饰集合b，用户可以选择样本服饰集合a，或选择样本服饰集合 b，或选择样本服饰集合a和样本服饰集合b，或均不选。
服务器在依次向用户提供每个子选择页面时，可以在提供一个子选择页面 后，接收到用户的选择之后再向用户提供下一个子选择页面，或者，服务器可 以使每个子选择页面在终端显示预定的时长(如10秒等)，若在该预定的时长 内接收到用户的选择，则显示下一个子选择页面，若未接收到的用户的选择， 则确定用户的选择中的两个样本服饰集合未被选择，并显示下一个子选择页面。
步骤303、服务器通过样本服饰集合选择页面确定用户选择的至少一个目标 样本服饰集合。
用户在其操作的终端上显示的样本服饰集合选择页面进行选择之后，终端 会将用户选择至少一个目标样本服饰集合的信息发送给服务器，服务器可以确 定用户在样本服饰集合选择页面选择的至少一个目标样本服饰集合。
可选的，在样本服饰集合选择页面包括至少一个子选择页面，服务器依次 向用户提供每个子选择页面时，服务器可以在每个子选择页面接收用户的选择 信息，任一子选择页面接收的选择信息用于指示用户选择了任一子选择页面中 包括的两个样本服饰集合中的至少一个，或者任一子选择页面接收的选择信息 用于指示用户未选择任一子选择页面中包括的两个样本服饰集合。
步骤304、服务器获取用户对应的穿搭推荐模型。
服务器获取用户对应的穿搭推荐模型的方式可以包括下面两种：
第一种方式：以用户选择的至少一个目标样本服饰集合作为训练数据，以 预设算法训练得到用户对应的穿搭推荐模型。
该第一种方式是在确定了用户选择的至少一个目标样本服饰集合之后，以 该至少一个样本服饰集合作为训练数据，以预设算法即时训练得到用户对应的 穿搭推荐模型。其中，预设算法可以参考上述对于穿搭推荐模型的解释，在此 不再赘述。
第二种方式：将预先以至少一个目标样本服饰集合作为训练数据，以预设 算法训练得到的模型确定为用户对应的穿搭推荐模型。
此种方式是预先将所有的样本服饰集合的每种可能的组合作为训练数据训 练得到穿搭推荐模型，示例性的，样本服饰集合共有a、b和c这3个，设定训 练数据至少包括两个样本服饰集合，则服务器可以预先根据a和b、a和c以及 b和c这3个样本服饰集合的组合训练得到3个穿搭推荐模型，这样无论用户如 何选择，服务器均能够直接获取用户对应的穿搭推荐模型，加快了服务器向用 户提供穿搭数据的速度。
步骤305、服务器获取用户提供的n件服饰的服饰数据，n为大于或等于1 的整数。
用户可以操作终端在服务器提供的页面上向服务器发送n间服饰的服饰数 据，在用户想要至少多件服饰的搭配评分时，可以向服务器发送多件服饰的服 饰数据，在用户想要知道如何搭配某一件服饰时，可以向服务器发送一件服饰 的服饰数据。
步骤306、服务器将n件服饰的服饰数据输入该用户对应的穿搭推荐模型。
步骤307、服务器向用户提供该用户对应的穿搭推荐模型输出的穿搭数据。
当n等于1时，该穿搭数据可以包括根据穿搭推荐模型获取的与用户提供 的服饰数据的搭配评分高于阈值的至少一件服饰的服饰数据；当n大于1时， 该穿搭数据可以包括根据穿搭推荐模型获取的服饰数据的搭配评分。
服务器可以以图片的形式向用户提供穿搭数据，以更直观的向用户展示各 种服饰数据，此外，当服务器向用户提供与用户提供的服饰数据的搭配评分高 于阈值的至少一件服饰的服饰数据时，服务器还可以向用户提供该服饰数据对 应的商品链接，以方便用户购买对应的商品。
当n大于1时，本发明实施例还可以包括下面两个步骤。
步骤308、服务器获取用户选择的服饰数据。
当n大于1时，用户操作的终端可以在显示屏上显示服务器提供的至少一 个服饰数据(或服饰数据对应的图片)，用户可以在这些服饰数据选择一个(用 户选择的服饰数据可以认为是用户最喜欢的一个服饰数据)，服务器可以获取用 户选择的服饰数据。
步骤309、服务器根据用户选择的服饰数据以及用户提供的服饰数据对用户 对应的穿搭推荐模型进行训练，得到训练后的穿搭推荐模型。
该用户选择的服饰数据可以用于对用户对应的穿搭模型中的参数进行调 整，以使该穿搭模型能够更符合其对应的用户的喜好。该训练后的穿搭推荐模 型用于根据用户后续提供的服饰数据向用户提供穿搭数据。
可选的，本发明实施例还可以由终端来执行，本发明实施例不进行限制。
综上所述，本发明实施例提供的穿搭推荐方法，获取用户提供的服饰数据， 并通过该服饰数据以及基于该用户选择的样本服饰集合训练而成的模型来确定 穿搭数据。解决了相关技术中每个人对于搭配的喜好并不相同，通过统一的一 个样本服饰数据库获取的用于搭配的服饰难以满足每个人的喜好的问题。达到 了能够根据每个人的不同喜好推荐不同的穿搭数据，以满足每个人不同的喜好 的效果。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开 装置实施例中未披露的细节，请参照本公开方法实施例。
图4是本发明实施例示出的一种穿搭推荐装置的框图，该穿搭推荐装置可 以通过软件、硬件或者两者的结合实现成为服务器的部分或者全部。该穿搭推 荐装置400可以包括：
数据获取模块410，用于获取用户提供的n件服饰的服饰数据，n为大于或 等于1的整数；
数据输入模块420，用于将n件服饰的服饰数据输入用户对应的穿搭推荐模 型，用户对应的穿搭推荐模型为根据用户选择的目标样本服饰集合训练而成的 模型，目标样本服饰集合包括有多个服饰搭配样本以及每个服饰搭配样本的搭 配评分；
数据提供模块430，用于向用户提供穿搭数据；
其中，当n等于1时，穿搭数据包括根据穿搭推荐模型获取的与服饰数据 的搭配评分高于阈值的至少一件服饰的服饰数据；当n大于1时，穿搭数据包 括根据穿搭推荐模型获取的服饰数据的搭配评分。
可选的，穿搭推荐装置400还包括：
页面提供模块，用于向用户提供样本服饰集合选择页面，样本服饰集合选 择页面包括至少两个样本服饰集合的选项；
选择确定模块，用于通过样本服饰集合选择页面确定用户选择的至少一个 样本服饰集合；
模型训练模块，用于以用户选择的至少一个目标样本服饰集合作为训练数 据，以预设算法训练得到用户对应的穿搭推荐模型。
可选的，穿搭推荐装置400还包括：
集合分类模块，用于通过聚类算法对样本服饰数据库进行分类，得到至少 两个样本服饰集合。
可选的，样本服饰集合选择页面包括至少一个子选择页面，每个子选择页 面包括两个样本服饰集合的选项。
页面提供模块，还用于：
依次向用户提供每个子选择页面；
通过样本服饰集合选择页面确定用户选择的至少一个样本服饰集合，包括：
在每个子选择页面接收用户的选择信息，任一子选择页面接收的选择信息 用于指示用户选择了任一子选择页面中包括的两个样本服饰集合中的至少一 个，或者任一子选择页面接收的选择信息用于指示用户未选择任一子选择页面 中包括的两个样本服饰集合。
可选的，当n等于1时，穿搭推荐装置400还包括：
服饰选择模块，用于获取用户选择的服饰数据；
模型调整模块，用于根据用户选择的服饰数据以及用户提供的服饰数据对 用户对应的穿搭推荐模型进行训练，得到训练后的穿搭推荐模型；训练后的穿 搭推荐模型用于根据用户后续提供的服饰数据向用户提供穿搭数据。
可选的，穿搭推荐装置400还包括：
模型确定模块，用于将预先以至少一个目标样本服饰集合作为训练数据， 以预设算法训练得到模型确定为用户对应的穿搭推荐模型。
可选的，服饰数据包括穿戴位置参数、总体形状参数、尺寸参数、颜色参 数、图案花纹参数中的至少一种。
综上所述，本发明实施例提供的穿搭推荐装置，获取用户提供的服饰数据， 并通过该服饰数据以及基于该用户选择的样本服饰集合训练而成的模型来确定 穿搭数据。解决了相关技术中每个人对于搭配的喜好并不相同，通过统一的一 个样本服饰数据库获取的用于搭配的服饰难以满足每个人的喜好的问题。达到 了能够根据每个人的不同喜好推荐不同的穿搭数据，以满足每个人不同的喜好 的效果。
图5是根据一示例性实施例示出的一种穿搭推荐装置500的框图。例如， 装置500可以被提供为一服务器。参照图5，装置500包括处理组件522，其进 一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存 储可由处理部件522执行的指令，例如应用程序。存储器532中存储的应用程 序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件 522被配置为执行指令，以执行上述穿搭推荐方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理， 一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输 出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统，例 如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
参考图6，其示出了本申请一个示例性实施例提供的终端的结构方框图。本 申请中的终端可以包括一个或多个如下部件：处理器610和存储器620。
处理器610可以包括一个或者多个处理核心。处理器610利用各种接口和 线路连接整个终端内的各个部分，通过运行或执行存储在存储器620内的指令、 程序、代码集或指令集，以及调用存储在存储器620内的数据，执行终端的各 种功能和处理数据。可选地，处理器610可以采用数字信号处理(英文：Digital Signal Processing；简称：DSP)、现场可编程门阵列(英文：Field－Programmable Gate Array；简称：FPGA)、可编程逻辑阵列(英文：Programmable Logic Array； 简称：PLA)中的至少一种硬件形式来实现。处理器610可集成中央处理器(英 文：Central Processing Unit；简称：CPU)和调制解调器等中的一种或几种的组 合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通 信。可以理解的是，上述调制解调器也可以不集成到处理器610中，单独通过 一块芯片进行实现。
可选地，处理器610执行存储器620中的程序指令时实现下上述各个方法 实施例提供的资源加载方法。
存储器620可以包括随机存储器(英文：Random Access Memory；简称： RAM)，也可以包括只读存储器(英文：Read-Only Memory)。可选地，该存储 器620包括非瞬时性计算机可读介质(英文non-transitory computer-readable storage medium)。存储器620可用于存储指令、程序、代码、代码集或指令集。 存储器620可包括存储程序区和存储数据区，其中，存储程序区可存储用于实 现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例 的指令等；存储数据区可存储根据终端的使用所创建的数据等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过 硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于 一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或 光盘等。
本申请还提供一种计算机可读介质，其上存储有程序指令，程序指令被处 理器执行时实现上述各个方法实施例提供的穿搭推荐方法。
本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时， 使得计算机执行上述各个方法实施例提供的穿搭推荐方法。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的 精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的 保护范围之内。
Claims (9)
1.一种穿搭推荐方法，其特征在于，所述方法包括：
通过聚类算法对样本服饰数据库进行分类，得到至少两个样本服饰集合；其中，每个所述样本服饰集合的风格不同；
向用户提供样本服饰集合选择页面，所述样本服饰集合选择页面包括所述至少两个样本服饰集合的选项，所述样本服饰集合的选项为所述样本服饰集合中的服饰搭配的图像；
通过所述样本服饰集合选择页面确定所述用户选择的至少一个目标样本服饰集合；
以所述用户选择的至少一个目标样本服饰集合作为训练数据，确定所述用户对应的穿搭推荐模型；
获取所述用户提供的n件服饰的服饰数据，所述n为大于或等于1的整数；
将所述n件服饰的服饰数据输入所述用户对应的穿搭推荐模型，所述用户对应的穿搭推荐模型为根据所述用户选择的至少一个目标样本服饰集合训练而成的模型，所述目标样本服饰集合包括有多个服饰搭配样本以及每个所述服饰搭配样本的搭配评分；
向所述用户提供所述用户对应的穿搭推荐模型输出的穿搭数据；
其中，当所述n等于1时，所述穿搭数据包括根据所述穿搭推荐模型获取的与所述服饰数据的搭配评分高于阈值的至少一件服饰的服饰数据；当所述n大于1时，所述穿搭数据包括根据所述穿搭推荐模型获取的所述服饰数据的搭配评分。
2.根据权利要求1所述的方法，其特征在于，所述以所述用户选择的至少一个目标样本服饰集合作为训练数据，确定所述用户对应的穿搭推荐模型，包括：
以所述用户选择的至少一个目标样本服饰集合作为训练数据，以预设算法训练得到所述用户对应的穿搭推荐模型。
3.根据权利要求2所述的方法，其特征在于，所述样本服饰集合选择页面包括至少一个子选择页面，每个所述子选择页面包括两个样本服饰集合的选项，
所述向所述用户提供样本服饰集合选择页面，包括：
依次向所述用户提供每个所述子选择页面；
所述通过所述样本服饰集合选择页面确定所述用户选择的至少一个样本服饰集合，包括：
在每个所述子选择页面接收用户的选择信息，任一所述子选择页面接收的选择信息用于指示用户选择了所述任一所述子选择页面中包括的两个样本服饰集合中的至少一个，或者所述任一所述子选择页面接收的选择信息用于指示用户未选择所述任一所述子选择页面中包括的两个样本服饰集合。
4.根据权利要求3所述的方法，其特征在于，任一所述样本服饰集合的选项为所述任一所述样本服饰集合中的一个服饰搭配的图像。
5.根据权利要求1所述的方法，其特征在于，所述以所述用户选择的至少一个目标样本服饰集合作为训练数据，确定所述用户对应的穿搭推荐模型，包括：
将预先以所述至少一个目标样本服饰集合作为训练数据，以预设算法训练得到的模型确定为所述用户对应的穿搭推荐模型。
6.根据权利要求1至5任一所述的方法，其特征在于，当所述n等于1时，所述向所述用户提供所述用户对应的穿搭推荐模型输出的穿搭数据之后，所述方法还包括：
获取所述用户选择的服饰数据；
根据所述用户选择的服饰数据以及所述用户提供的服饰数据对所述用户对应的穿搭推荐模型进行训练，得到训练后的穿搭推荐模型；所述训练后的穿搭推荐模型用于根据所述用户后续提供的服饰数据向所述用户提供穿搭数据。
7.一种穿搭推荐装置，其特征在于，所述穿搭推荐装置包括：
集合分类模块，用于通过聚类算法对样本服饰数据库进行分类，得到至少两个样本服饰集合；其中，每个所述样本服饰集合的风格不同；
页面提供模块，用于向用户提供样本服饰集合选择页面，所述样本服饰集合选择页面包括至少两个样本服饰集合的选项，所述样本服饰集合的选项为所述样本服饰集合中的服饰搭配的图像；
选择确定模块，用于通过所述样本服饰集合选择页面确定所述用户选择的至少一个目标样本服饰集合；
模型训练模块，用于以所述用户选择的至少一个目标样本服饰集合作为训练数据，确定所述用户对应的穿搭推荐模型；
数据获取模块，用于获取所述用户提供的n件服饰的服饰数据，所述n为大于或等于1的整数；
数据输入模块，用于将所述n件服饰的服饰数据输入所述用户对应的穿搭推荐模型，所述用户对应的穿搭推荐模型为根据所述用户选择的至少一个目标样本服饰集合训练而成的模型，所述目标样本服饰集合包括有多个服饰搭配样本以及每个所述服饰搭配样本的搭配评分；
数据提供模块，用于向所述用户提供所述用户对应的穿搭推荐模型输出的穿搭数据；
其中，当所述n等于1时，所述穿搭数据包括根据所述穿搭推荐模型获取的与所述服饰数据的搭配评分高于阈值的至少一件服饰的服饰数据；当所述n大于1时，所述穿搭数据包括根据所述穿搭推荐模型获取的所述服饰数据的搭配评分。
8.一种服务器，其特征在于，所述服务器包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现如权利要求1至6任一所述的穿搭推荐方法。
9.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被处理器执行时实现如权利要求1至6任一所述的穿搭推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711445411.1A CN107993131B (zh) | 2017-12-27 | 2017-12-27 | 穿搭推荐方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711445411.1A CN107993131B (zh) | 2017-12-27 | 2017-12-27 | 穿搭推荐方法、装置、服务器和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107993131A CN107993131A (zh) | 2018-05-04 |
| CN107993131B true CN107993131B (zh) | 2020-12-29 |
Family
ID=62041985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711445411.1A Expired - Fee Related CN107993131B (zh) | 2017-12-27 | 2017-12-27 | 穿搭推荐方法、装置、服务器和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107993131B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110119474B (zh) * | 2018-05-16 | 2022-10-18 | 华为技术有限公司 | 推荐模型训练方法、基于推荐模型的预测方法及装置 |
| CN108734557A (zh) * | 2018-05-18 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 用于生成服饰推荐信息的方法、装置和系统 |
| CN108829855B (zh) * | 2018-06-21 | 2021-02-19 | 山东大学 | 基于条件生成对抗网络的衣着穿搭推荐方法、系统及介质 |
| CN109147007B (zh) * | 2018-08-01 | 2023-09-01 | Oppo（重庆）智能科技有限公司 | 贴纸加载方法、装置、终端及计算机可读存储介质 |
| CN110909746A (zh) * | 2018-09-18 | 2020-03-24 | 深圳云天励飞技术有限公司 | 一种服饰推荐方法、相关装置和设备 |
| CN109754317B (zh) * | 2019-01-10 | 2020-11-06 | 山东大学 | 融合评论的可解释性服装推荐方法、系统、设备及介质 |
| CN110188414B (zh) * | 2019-05-13 | 2020-12-29 | 山东大学 | 一种个性化胶囊衣橱创建方法、装置及胶囊衣橱 |
| CN110750567A (zh) * | 2019-09-29 | 2020-02-04 | 珠海中科先进技术研究院有限公司 | 一种基于智能衣柜的穿搭数据生成方法及系统 |
| CN110647688A (zh) * | 2019-09-30 | 2020-01-03 | 上海掌门科技有限公司 | 信息呈现方法、装置、电子设备和计算机可读介质 |
| CN113487373A (zh) * | 2020-05-28 | 2021-10-08 | 海信集团有限公司 | 试衣镜、终端、服装推荐方法及存储介质 |
| CN113935790A (zh) * | 2020-06-29 | 2022-01-14 | 青岛海尔洗衣机有限公司 | 穿搭推荐方法、装置、电子设备及存储介质 |
| CN116823361B (zh) * | 2023-08-31 | 2023-12-12 | 博洛尼智能科技（青岛）有限公司 | 基于人工智能的首饰搭配检测及推送方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090061783A (ko) * | 2007-12-12 | 2009-06-17 | 엘지전자 주식회사 | 차량용 ａ/ｖ장치를 이용한 의상 추천 방법 및 이를 이용한시스템 |
| CN102917135B (zh) * | 2012-10-31 | 2015-10-07 | 广东欧珀移动通信有限公司 | 一种推荐用户穿衣搭配的方法及装置 |
| CN104391971A (zh) * | 2014-12-05 | 2015-03-04 | 常州飞寻视讯信息科技有限公司 | 一种智能服饰搭配自动推荐方法 |
| CN106033547A (zh) * | 2015-03-12 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 颜色搭配评价方法、服饰搭配推荐方法及装置 |
| CN105224775B (zh) * | 2015-11-12 | 2020-06-05 | 中国科学院重庆绿色智能技术研究院 | 基于图片处理来对衣服进行搭配的方法和装置 |
| CN106156297A (zh) * | 2016-06-29 | 2016-11-23 | 北京小米移动软件有限公司 | 服饰推荐方法及装置 |
| CN106952142A (zh) * | 2017-03-17 | 2017-07-14 | 合肥龙图腾信息技术有限公司 | 服饰搭配智能推荐系统、装置和方法 |
-
2017
- 2017-12-27 CN CN201711445411.1A patent/CN107993131B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN107993131A (zh) | 2018-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107993131B (zh) | 穿搭推荐方法、装置、服务器和存储介质 | |
| US10346893B1 (en) | Virtual dressing room | |
| KR102244561B1 (ko) | 이미지 특징 데이터 추출 및 사용 | |
| US9607010B1 (en) | Techniques for shape-based search of content | |
| CN113050795A (zh) | 虚拟形象的生成方法及装置 | |
| JP2020522072A (ja) | 服飾コーディネーションの推薦方法および装置、電子デバイス、記憶媒体 | |
| US12039732B2 (en) | Digital imaging and learning systems and methods for analyzing pixel data of a scalp region of a users scalp to generate one or more user-specific scalp classifications | |
| US11586841B2 (en) | Method and system for generating user driven adaptive object visualizations using generative adversarial network models | |
| KR20220163430A (ko) | 메시징 시스템에서의 증강 현실 경험을 위한 물리적 제품들의 식별 | |
| CN112905889B (zh) | 服饰搜索方法及装置、电子设备和介质 | |
| KR20200084425A (ko) | 신경망을 이용한 패션 디자인 지원을 위한 서비스 제공 장치 및 방법 | |
| KR20210123872A (ko) | 영상 분석 기반 패션 정보 제공을 위한 서비스 제공 장치 및 방법 | |
| EP4248424A1 (en) | Digital imaging and learning systems and methods for analyzing pixel data of an image of a hair region of a user's head to generate one or more user-specific recommendations | |
| CN110909746A (zh) | 一种服饰推荐方法、相关装置和设备 | |
| KR20230029945A (ko) | 제품 데이터에 기초한 증강 현실 콘텐츠 | |
| EP3989179B1 (en) | Method and apparatus for processing a slider for modifying a virtual character | |
| US20200160563A1 (en) | Color engine | |
| KR102611326B1 (ko) | 상품 분석에 따른 디자인 생성 시스템 | |
| KR102224931B1 (ko) | 신경망을 이용한 패션 상품 관련 정보 정제를 위한 서비스 제공 장치 및 방법 | |
| CN113537043B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| US12094032B2 (en) | Pose recommendation and real-time guidance for user-generated content | |
| US20240355019A1 (en) | Product image generation based on diffusion model | |
| KR102356023B1 (ko) | 제품과 사용자의 매칭을 위한 전자 장치 및 이를 포함하는 매칭 시스템 | |
| US20240346762A1 (en) | Animatable garment extraction through volumetric reconstruction | |
| CN112987932B (zh) | 基于虚拟形象的人机交互、控制方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201229 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |