CN108171569B

CN108171569B - 一种反馈式智能服装推荐方法和系统

Info

Publication number: CN108171569B
Application number: CN201711307912.3A
Authority: CN
Inventors: 张俊杰; 董敏; 彭涛; 胡新荣
Original assignee: Wuhan Textile University
Current assignee: Wuhan Textile University
Priority date: 2017-12-11
Filing date: 2017-12-11
Publication date: 2021-12-21
Anticipated expiration: 2037-12-11
Also published as: CN108171569A

Abstract

本发明涉及一种反馈式智能服装推荐方法和系统。该方法包括：步骤1，接收服装偏好信息；步骤2，根据所述服装偏好信息和推荐知识库确定期望产品信息；步骤3，计算所述期望产品信息与预存的产品信息的相似度，将最大相似度对应的产品信息作为推荐产品信息；步骤4，根据所述推荐产品信息生成三维试穿模型，将所述三维试穿模型发送至显示终端；步骤5，当接收到包括表示不满意试穿效果和对不满意部位指示的反馈信息时，根据所述反馈信息调整所述推荐知识库，直至接收到包括表示满意试穿效果的反馈信息时，输出所述推荐产品信息。本发明的技术方案可给消费者推荐满意度更高的服装，提高网购服装的效率及销量。

Description

一种反馈式智能服装推荐方法和系统

技术领域

本发明涉及计算机应用技术领域，具体涉及一种反馈式智能服装推荐方法和系统。

背景技术

随着电子商务的飞速发展，越来越多的消费者习惯通过网络购买服装等商品。目前，有部分网购平台根据消费者的历史购买记录向消费者推荐与已购买服装相似的服装，如果这款服装并不是消费者现在希望购买的款式，消费者并不能通过网购平台的推荐信息获得满意的服装信息，这将影响消费者的网购满意度，以及服装卖家的销量。

发明内容

为了能够给消费者推荐满意度更高的服装，提高网购服装的效率及销量，本发明提供一种反馈式智能服装推荐方法和系统。

一方面，本发明提供了一种反馈式智能服装推荐方法，该方法包括：

步骤1，接收服装偏好信息；

步骤2，根据所述服装偏好信息和推荐知识库确定期望产品信息；

步骤3，计算所述期望产品信息与预存的产品信息的相似度，将最大相似度对应的产品信息作为推荐产品信息；

步骤4，根据所述推荐产品信息生成三维试穿模型，将所述三维试穿模型发送至显示终端；

步骤5，当接收到包括表示不满意试穿效果和对不满意部位指示的反馈信息时，根据所述反馈信息调整所述推荐知识库，直至接收到包括表示满意试穿效果的反馈信息时，输出所述推荐产品信息。

另一方面，本发明提供了一种反馈式智能服装推荐系统，该系统包括接收模块、处理模块和发送模块；

所述接收模块，用于接收服装偏好信息；

所述处理模块，用于根据所述服装偏好信息和推荐知识库确定期望产品信息；以及计算所述期望产品信息与预存的产品信息的相似度，将最大相似度对应的产品信息作为推荐产品信息；以及根据所述推荐产品信息生成三维试穿模型；

所述发送模块，用于将所述三维试穿模型发送至显示终端；

所述接收模块，还用于接收反馈信息；

所述处理模块，还用于当接收到包括表示不满意试穿效果和对不满意部位指示的反馈信息时，根据所述反馈信息调整所述推荐知识库，直至接收到包括表示满意试穿效果的反馈信息时，输出所述推荐产品信息。

本发明提供的反馈式智能服装推荐方法和系统的有益效果是，消费者在通过网络平台选择偏好服装时，可以通过显示终端输入例如体型数据、风格关键词和风格图片等信息项作为消费者服装偏好信息。通过向推荐数据库输入消费者的服装偏好信息，可获得相应的作为输出的期望产品信息。由于库存服装产品具有多种款式、颜色，将期望产品信息分别与不同的库存产品信息进行比较，获取与期望产品信息具有最大相似度的产品信息作为推荐产品信息，并根据推荐产品信息生成例如Clo 3D三维试穿模型，发送至显示终端，使消费者可以直观感受试穿效果。如果消费者对服装某些部位不满意，例如认为腰部有点紧，可以通过显示终端输入对不满意部位的反馈信息。系统根据消费者反馈信息调整推荐知识库，并再次获得新的推荐产品信息，生成新的三维试穿模型，直至消费者满意。这样不仅通过推荐知识库为消费者推荐合适的服装，还可根据消费者的反馈信息调整推荐知识库，进而调整推荐的服装，可向消费者推荐更合适的服装产品信息，帮助消费者获得满意度更高的网购服装，同时提高网购服装的效率及销量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种反馈式智能服装推荐方法的流程示意图；

图2为本发明实施例的一种反馈式智能服装推荐系统的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明实施例提供的一种反馈式智能服装推荐方法包括：

步骤1，接收服装偏好信息。

步骤2，根据所述服装偏好信息和推荐知识库确定期望产品信息。

步骤3，计算所述期望产品信息与预存的产品信息的相似度，将最大相似度对应的产品信息作为推荐产品信息。

步骤4，根据所述推荐产品信息生成三维试穿模型，将所述三维试穿模型发送至显示终端。

在本实施例中，消费者在通过网络平台选择偏好服装时，可以通过显示终端输入例如体型数据、风格关键词和风格图片等信息项作为消费者服装偏好信息。通过向推荐数据库输入消费者的服装偏好信息，可获得相应的作为输出的期望产品信息。由于库存服装产品具有多种款式、颜色，将期望产品信息分别与不同的库存产品信息进行比较，获取与期望产品信息具有最大相似度的产品信息作为推荐产品信息，并根据推荐产品信息生成例如Clo 3D三维试穿模型，发送至显示终端，使消费者可以直观感受试穿效果。如果消费者对服装某些部位不满意，例如认为腰部有点紧，可以通过显示终端输入对不满意部位的反馈信息。系统根据消费者反馈信息调整推荐知识库，并再次获得新的推荐产品信息，生成新的三维试穿模型，直至消费者满意。这样不仅通过推荐知识库为消费者推荐合适的服装，还可根据消费者的反馈信息调整推荐知识库，进而调整推荐的服装，可向消费者推荐更合适的服装产品信息，帮助消费者获得满意度更高的网购服装，同时提高网购服装的效率及销量。

优选地，还包括：

步骤6，当接收到包括表示满意试穿效果的反馈信息时，将匹配的所述服装偏好信息和所述推荐产品信息加入成功知识库。

如果消费者满意三维试穿模型展示的试穿效果，将匹配成功的消费者输入信息和推荐产品信息加入成功知识库，这样以后也可以直接通过成功知识库向消费者推荐合适的服装产品信息，帮助消费者获得满意度更高的网购服装，同时进一步提高网购服装的效率及销量。

优选地，所述步骤2中的所述推荐知识库根据如下步骤获得：

将采集的多个消费者的所述服装偏好信息和预定的评估标准进行加权运算，获得消费者映射矩阵。

将采集的多个产品的所述期望产品信息和所述评估标准进行加权运算，获得产品映射矩阵；所述评估标准包括多个用于标准评估的评估项。

将所述消费者映射矩阵和所述产品映射矩阵进行复合映射计算，获得所述推荐知识库。

具体地，建立推荐知识库需要事先采集多个消费者输入信息，也就是服装偏好信息，和期望产品信息，消费者输入信息包括体型数据、风格关键词和风格图片等信息项，期望产品信息包括贴身度、腰部细节、脚口细节和装饰细节等描述项。为了对消费者输入信息和期望产品信息进行量化评价，将其与评估标准进行统计处理。

E＝{e₁,e₂,…,e_p}为评估标准，令p＝8，则评估标准包括8项评估项，分别为e₁：非正式-正式；e₂：复杂的-简单的；e₃：大众的-独特的；e₄：时尚的-传统的；e₅：可爱的-成熟的；e₆：放松的-严肃的；e₇：城市的–乡村的；e₈：知性的-随意的。每个评估项分为五档，例如，很复杂，较复杂，适中，较简单，很简单。

若消费者输入信息包括体型数据、风格关键词和风格图片，令基于体型数据与评估标准的计算为实验一，基于风格关键词与评估标准的计算为实验二，基于风格图片与评估标准的计算为实验三。每个实验都用这八个评估标准项打分，实验一是体型数据和评估标准间的关系；实验二是风格关键词和评估标准间的关系；实验三是风格图片和评估标准间的关系。

BS＝{bs₁,…,bs_m}为体型数据，令m＝20，则体型数据包括20个体型数据项。根据中国人体标准GB/T 1335.2-1997，将高矮分成五档，胖瘦分成四挡。令高矮分档为X1：矮，X2：较矮，X3：适中，X4：较高，X5：高；胖瘦分挡为Y1：瘦，Y2：正常，Y3：较胖，Y4：肥胖。此时20个体型数据项分别是：“X1×Y1”，“X2×Y1”，“X3×Y1”，“X4×Y1”，“X5×Y1”，“X1×Y2”，“X2×Y2”，“X3×Y2”，“X4×Y2”，“X5×Y2”，“X1×Y3”，“X2×Y3”，“X3×Y3”，“X4×Y3”，“X5×Y3”，“X1×Y4”，“X2×Y4”，“X3×Y4”，“X4×Y4”，“X5×Y4”。

S＝{s₁,…,s_n}为风格关键词，令n＝8，则风格关键词具有8个可选词汇，分别是：“优雅的”，“女性的”，“年轻的”，“性感的”，“经典的”，“浪漫的”，“乡村的”和“运动的”。

C＝{c₁…c_k}为风格图片，令k＝6，则风格图片具有6张可选图片。针对部分消费者无法用语言很好表达自己的喜好，可以选择一张图片来表达自己的喜好。

由于体型数据、风格关键词和风格图片作为输入变量，也就是服装偏好信息的信息项，令N为输入变量个数，则N＝m+n+k。

将矩阵形式的消费者输入信息和评估标准进行统计与加权平均处理获得消费者映射矩阵。也就是通过实验一获得消费者映射矩阵中描述BS(体型数据)和E(评评估标准)之间的映射关系KB_BS，可用一个(m×p)阶矩阵表示；通过实验二获得消费者映射矩阵中描述S(风格关键词)和E(评估标准)之间的映射关系KB_S，可用一个(n×p)阶矩阵表示；通过实验三获得消费者映射矩阵中描述C(风格图片)和E(评估标准)之间的映射关系KB_C，可用一个(k×p)阶矩阵表示。

令KB1为消费者映射矩阵，其描述了N个输入变量和E之间的映射关系，由通过实验一、实验二和实验三获得的三个矩阵组合构成，可以表示为一个(N×p)阶矩阵。

以牛仔裤为例，期望产品信息，也就是服装设计信息，包括贴身度、腰部细节、脚口细节和装饰细节，令基于期望产品信息与评估标准的计算为实验四。需要注意的是，除了牛仔裤，还可结合其他类型服装的设计信息确定和其他服装产品匹配的期望产品信息。

G＝{g₁,…,g_h}为贴身度，令h＝5，则贴身度包括5级，也就是“松”，“较松”，“适中”，“较紧”和“紧”。

DW＝{dw₁,…,dw_x}为腰部细节，令x＝3，则腰部细节包括3种类型，也就是“高腰”，“中腰”和“低腰”。

DF＝{df₁,…,df_y}为脚口细节，令y＝3，则脚口细节包括3种类型，也就是“喇叭裤”，“普通裤”和“铅笔裤”。

DO＝{do₁,…,do_z}为装饰细节，令z＝2，则装置细节包括2种类型，也就是“装饰多”和“装饰少”。

由于贴身度、腰部细节、脚口细节和装饰细节作为输出变量，也就是期望产品信息的指示项，令M为输出变量个数，则M＝h+x+y+z。

将矩阵形式的评估标准和期望产品信息进行统计与加权平均处理获得产品映射矩阵。也就是通过实验四获得产品映射矩阵中描述E(评估标准)和G(贴身度)之间的映射关系KB_G，可用一个(p×h)阶矩阵表示；描述E(评估标准)和DW(腰部细节)之间的映射关系KB_DW，可用一个(p×x)阶矩阵表示；描述E(评估标准)和DF(脚口细节)之间的映射关系KB_DF，可用一个(p×y)阶矩阵表示；以及描述E(评估标准)和DO(装饰细节)之间的映射关系KB_DO，可用一个(p×z)阶矩阵表示。

令KB2为产品映射矩阵，其描述了E和M个输出变量之间的映射关系，由通过实验四获得的四个矩阵组合构成，可以表示为一个(p×M)阶矩阵。

令KB为推荐知识库，对消费者映射矩阵和产品映射矩阵进行复合映射计算便可获得推荐知识库，也就是KB＝KB1°KB2。KB是一个(N×M)阶矩阵，描述了消费者信息与期望产品信息之间的关系。

在步骤2中，由于各项服装偏好信息的信息项所占比重不同，可以通过权重矩阵根据服装偏好信息获得推荐知识库输入，调整各信息项的权重，作为更合理的推荐知识库比对输入数据。可以采用例如模糊层次分析法获得权重矩阵I＝{I₁,…,I₃}，其中I₁、I₂和I₃分别代表BS、S和C的权重向量。CP是作为推荐知识库比对输入数据的消费者输入信息，也就是服装偏好信息，包括描述消费者的体型数据、风格关键词和风格图片等信息项，可以表示为一个N阶向量矩阵：CP＝(I₁×bs₁,…,I₁×bs_m,I₂×s₁,…,I₂×s_n,I₃×c₁,…,I₃×c_k)。

步骤2中根据所述服装偏好信息和推荐知识库确定期望产品信息具体为：消费者输入信息CP和推荐知识库KB进行复合映射计算，获得期望产品信息。

根据消费者输入信息和推荐知识库确定的期望产品信息Y可表示为一个M阶向量矩阵：Y＝CP°KB，也就是将消费者输入信息CP和推荐知识库KB进行复合映射计算。

令CP为cp_i的集合，Y为y_j的集合，KB为kb_ij的集合，其中i∈{1，2，…，N}，j∈{1，2，…，M}。Y＝CP°KB还可表示为：

y_j＝(cp₁∧kb_ij)∨(cp₂∧kb_2j)...∨(cp_N∧kb_Nj)。

Y为M阶的期望产品信息，令y_i为第i个库存产品的M阶的产品信息，根据相似度公式确定期望产品信息与第i个库存产品的产品信息的相似度N(Y,y_i)，所述相似度公式为：

其中，j表示取值范围为从1至M的阶数。

由于库存服装产品具有多种款式、颜色，令具有i套服装，将期望产品信息分别与i套服装的产品信息进行比较，获取与期望产品信息具有最大相似度的产品信息作为推荐产品信息，并根据推荐产品信息生成例如Clo 3D三维试穿模型，发送至显示终端，使消费者可以直观感受试穿效果。

优选地，由于消费者输入信息中的风格关键词为预选择项，也就是系统事先已设定好了例如8个关键词供消费者在输入信息时选择，可以新增、替换关键词，或对原有关键词进行组合，从而相应修改推荐知识库，以获得更符合潮流趋势或消费者需求的推荐知识库，提高系统推荐服装的准确性及消费者网购服装的满意度。

例如，根据服装时尚潮流确定风格关键词“运动的”不流行了，需要将其替换为“野性的”，由于“野性的”和其他7个风格关键词没有关系，将这8个新的风格关键词组合与评估标准进行感官实验，通过统计与加权平均处理获得新的矩阵KB_S ^*，同样可用一个(n×p)阶矩阵表示。将KB_BS、KB_S ^*与KB_C重新组合并赋值可获得(N×p)阶的新的消费者映射矩阵KB1。如果是在原有风格关键的基础上，又增加了一个新的风格关键词，则可获得((N+1)×p)阶的新的消费者映射矩阵KB1。

如果增加一个新的风格关键词s_n+1，而这个词可以表示两种风格的混合，或者是其他原有风格关键词的组合，也就是s_n+1可以用其他风格关键词{s₁,…,s_n}表示。采用模糊层次分析法获得专家打分的s_n+1的权重{t₁,…,t_n}，则新的风格关键词可表示为s_n+1＝t₁×s₁+t₂×s₂+…+t_n×s_n。新的风格关键词与评估标准处理获得的矩阵为(n×p)阶，重新组合并赋值的新的消费者映射矩阵KB1为(N×p)阶。

优选地，所述步骤5中所述根据所述反馈信息调整所述推荐知识库，具体包括：

步骤5.1，根据所述推荐知识库中的所述期望产品信息和所述反馈信息确定更新期望产品信息。

步骤5.2，根据所述推荐知识库中的所述服装偏好信息和所述更新期望产品信息调整所述推荐知识库，获得更新推荐知识库。

优选地，所述期望产品信息包括描述服装不同部位设计细节的描述项，所述反馈信息包括指示服装不同部位满意程度的指示项，所述步骤5.1的具体实现为：

根据所述指示项确定预存规则表中与所述指示项和所述描述项对应的更新描述项，由描述服装不同部位设计细节的所述更新描述项进行组合获得所述更新期望产品信息。

具体地，期望产品信息包括描述服装不同部位设计细节，例如对于贴身度、腰部细节、脚口细节和装饰细节的描述项，所述反馈信息包括指示服装不同部位满意程度，例如对于贴身度松紧程度是否满意的指示项。

指示项可以用不同档数的分数表示，例如由{-2,-1,0,1,2}分别对应贴身度{“紧”,“较紧”,“完美”,“较松”,“松”}，腰部细节{“高”,“较高”,“完美”,“较低”,“低”}，脚口细节{“大”,“较大”,“完美”,“较小”,“小”}和装饰细节{“多”,“较多”,“完美”,“较少”,“少”}。

表1为预存的贴身度调整规则表。

表1

表2为预存的腰部细节调整规则表。

表2

表3为预存的脚口细节调整规则表。

表3

表4为预存的装饰细节调整规则表。

表4

以牛仔裤为例，由于定义了5级贴身度g、3种腰部细节dw、3种脚口细节df和2种装饰细节do，以其作为描述服装不同部位设计细节的描述项。相应地，在5档指示项的规则下，各描述项具有与其对应的更新描述项g^*，dw^*、df^*和do^*，并且，更新描述项与描述项之间具有差值，可分别用Δg，Δdw、Δdf和Δdo表示。

从上述表格可以看到，通过查找不同指示项所指示的描述项和更新描述项之间的关系，可以获得更新描述项。例如，如果消费者认为贴身度是较紧(“-1”)的，其他三个部分都是完美(“0”)的，通过表1可以确定更新描述项g₁ ^*＝g₁+0.1×g₁，g₂ ^*＝g₂+0.05×g₂，g₃ ^*＝g₃，g₄ ^*＝g₄-0.05×g₄，g₅ ^*＝g₅-0.1×g₅，通过表2、表3和表4可以确定腰部细节dw、脚口细节df和装饰细节do描述项不变。在获得了所有的更新描述项之后，将其以和原始期望产品信息Y相同的方式进行组合，可获得更新期望产品信息Y^*。

Y^*也是一个M阶向量矩阵，可表示为Y^*＝(g₁ ^*，…，g_h ^*，dw₁ ^*，…，dw_x ^*，df₁ ^*，…，df_y ^*，do₁ ^*，…，do_z ^*)，其中，M＝h+x+y+z，h、x、y和z分别表示贴身度、腰部细节、脚口细节和装饰细节描述项的项数。可以看到，在本实施例中，h＝5，x＝3，y＝3，z＝2。

优选地，所述服装偏好信息包括表示消费者服装偏好的信息项，所述步骤5.2的具体实现为：

当所述更新期望产品信息中的任意所述更新描述项的值小于或等于所述服装偏好信息中的所述信息项的最大值时，将所述推荐知识库中相应的向量以预设规则替换为所述信息项或所述更新描述项，获得所述更新推荐知识库。

当所述更新期望产品信息中的任意所述更新描述项的值大于所述服装偏好信息中的所述信息项的最大值时，计算所述更新期望产品信息与预存的产品信息的相似度，将最大相似度对应的产品信息作为所述推荐产品信息。

由于消费者输入的服装偏好信息，也就是信息项集合CP为一个N阶向量矩阵，可表示为CP＝(cp₁，cp₂，…，cp_N)。更新期望产品信息，也就是描述项集合Y^*为一个M阶向量矩阵，可表示为Y^*＝(y₁，y₂，…，y_M)。和通过消费者输入信息CP和推荐知识库KB确定期望产品信息Y相同，更新期望产品信息Y^*和消费者输入信息CP、更新推荐知识库KB^*之间也具有复合映射关系：Y^*＝CP°KB^*。则KB^*是一个(N×M)阶矩阵，描述了消费者信息与更新期望产品信息之间的关系，可表示为：

当y_j≤max{cp_i}，j∈{1，2，…，M}，i∈{1，2，…，N}时，也就是更新期望产品信息中的任意更新描述项的值小于或等于服装偏好信息中的信息项的最大值时，预设规则为：

如果存在cp_i，使得y_j＝cp_i，将相应的向量kb_ij赋值替换为cp_i。

如果对于任意y_j≠cp_i，将{cp_i}分别两组，即cp_i1，cp_i2，…，cp_ir＜y_j，cp_ir+1，cp_ir+2，…，cp_iN＞y_j，也就是小于y_j的有r项，大于y_j的有N-r项，然后将相应的kb_ikj赋值替换为y_j，其中k＝r+1，…，N。KB^*其他部分与KB相应向量相同。

当需要根据消费者反馈信息修改推荐知识库时，推荐知识库还可表示为：KB×(1-ω)+KB^*×ω，ω∈[0，1]，其中ω为一个常量，可根据专家经验来确定。

当y_j＞max{cp_i}，j∈{1，2，…，M}，i∈{1，2，…，N}时，也就是更新期望产品信息中的任意更新描述项的值大于服装偏好信息中的信息项的最大值时，由于此时Y^*＝CP°KB^*无解，不调整推荐知识库，而是确定与更新期望产品信息具有最大相似度的推荐产品信息。对更新期望产品信息Y^*的相似度计算方法和采用期望产品信息Y进行计算时相同。

如图2所示，本发明实施例提供的一种基于知识库的服装推荐系统包括接收模块、处理模块和发送模块。

所述接收模块，用于接收服装偏好信息。

所述处理模块，用于根据所述服装偏好信息和推荐知识库确定期望产品信息；以及计算所述期望产品信息与预存的产品信息的相似度，将最大相似度对应的产品信息作为推荐产品信息；以及根据所述推荐产品信息生成三维试穿模型。

所述发送模块，用于将所述三维试穿模型发送至显示终端。

所述接收模块，还用于接收反馈信息。

优选地，所述处理模块还用于：当接收到包括表示满意试穿效果的反馈信息时，将匹配的所述服装偏好信息和所述推荐产品信息加入成功知识库。

优选地，所述处理模块还用于：将采集的多个消费者的所述服装偏好信息和预定的评估标准进行加权运算，获得消费者映射矩阵；将采集的多个产品的所述期望产品信息和所述评估标准进行加权运算，获得产品映射矩阵；所述评估标准包括多个用于标准评估的评估项；将所述消费者映射矩阵和所述产品映射矩阵进行复合映射计算，获得所述推荐知识库。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种反馈式智能服装推荐方法，其特征在于，包括：

步骤1，接收服装偏好信息；

步骤5，当接收到包括表示不满意试穿效果和对不满意部位指示的反馈信息时，根据所述反馈信息调整所述推荐知识库，直至接收到包括表示满意试穿效果的反馈信息时，输出所述推荐产品信息；

所述步骤2中的所述推荐知识库根据如下步骤获得：

将采集的多个消费者的所述服装偏好信息和预定的评估标准进行加权运算，获得消费者映射矩阵；

将采集的多个产品的所述期望产品信息和所述评估标准进行加权运算，获得产品映射矩阵；所述评估标准包括多个用于标准评估的评估项；

将所述消费者映射矩阵和所述产品映射矩阵进行复合映射计算，获得所述推荐知识库；

所述根据所述反馈信息调整所述推荐知识库，具体包括：

步骤5.1，根据所述推荐知识库中的所述期望产品信息和所述反馈信息确定更新期望产品信息；

步骤5.2，根据所述推荐知识库中的所述服装偏好信息和所述更新期望产品信息调整所述推荐知识库，获得更新推荐知识库；

所述期望产品信息包括描述服装不同部位设计细节的描述项，所述反馈信息包括指示服装不同部位满意程度的指示项，所述步骤5.1的具体实现为：

2.根据权利要求1所述的反馈式智能服装推荐方法，其特征在于，还包括：

3.根据权利要求1所述的反馈式智能服装推荐方法，其特征在于，所述服装偏好信息包括表示消费者服装偏好的信息项，所述步骤5.2的具体实现为：

4.根据权利要求1或3所述的反馈式智能服装推荐方法，其特征在于，所述服装偏好信息包括表示消费者服装偏好的信息项，在所述步骤5.2中，当所述更新期望产品信息中的任意所述更新描述项的值大于所述服装偏好信息中的所述信息项的最大值时，计算所述更新期望产品信息与预存的产品信息的相似度，将最大相似度对应的产品信息作为所述推荐产品信息。

5.一种反馈式智能服装推荐系统，其特征在于，包括接收模块、处理模块和发送模块；

所述接收模块，用于接收服装偏好信息；

所述发送模块，用于将所述三维试穿模型发送至显示终端；

所述接收模块，还用于接收反馈信息；

所述处理模块，还用于当接收到包括表示不满意试穿效果和对不满意部位指示的反馈信息时，根据所述反馈信息调整所述推荐知识库，直至接收到包括表示满意试穿效果的反馈信息时，输出所述推荐产品信息；

所述处理模块还用于：

所述期望产品信息包括描述服装不同部位设计细节的描述项，所述反馈信息包括指示服装不同部位满意程度的指示项；

所述处理模块还用于：

根据所述指示项确定预存规则表中与所述指示项和所述描述项对应的更新描述项，由描述服装不同部位设计细节的所述更新描述项进行组合获得更新期望产品信息；

根据所述推荐知识库中的所述服装偏好信息和所述更新期望产品信息调整所述推荐知识库，获得更新推荐知识库。

6.根据权利要求5所述的反馈式智能服装推荐系统，其特征在于，所述处理模块还用于：

当接收到包括表示满意试穿效果的反馈信息时，将匹配的所述服装偏好信息和所述推荐产品信息加入成功知识库。