CN109064249A - 一种基于特征个性化修改的服装推荐优化方法及其系统 - Google Patents
一种基于特征个性化修改的服装推荐优化方法及其系统 Download PDFInfo
- Publication number
- CN109064249A CN109064249A CN201810687451.5A CN201810687451A CN109064249A CN 109064249 A CN109064249 A CN 109064249A CN 201810687451 A CN201810687451 A CN 201810687451A CN 109064249 A CN109064249 A CN 109064249A
- Authority
- CN
- China
- Prior art keywords
- feature
- garment
- clothes
- garment image
- user
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
本发明公开了一种基于特征个性化修改的服装推荐优化方法及其系统。其中,该方法包括:用户根据简单的词语进行检索,获得推荐类似服装图片;根据用户想要修改装饰、花纹、风格等美学特征选择目标图片,自定义修改获得自定义目标图片;提取推荐类似服装图片的属性特征;提取自定义目标图片的美学特征;结合前述两者进行拼接获得完整的服装特征;对完整的服装特征进行计算余弦相似度处理,获得与拼接后完整的服装特征的服装图片最相似的服装,作为最新的推荐反馈给用户。实施本发明实施例,能够弥补了现有属性反馈检索技术中需要准确描述出需要修改属性的名称关键词,以及将从图像中提取出的视觉特征向量与文字关键词映射到同一空间内的不足,以实现对服装美学特征的修改和再推荐。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于特征个性化修改的服装推荐优化方法及其系统。
背景技术
商品推荐是在线购物的过程中不可缺少的重要一步,是一项综合了物体检测、图像分类、特征学习以及用户偏好分析的技术。推荐的直接目的是从众多商品中预测出符合用户期望的商品进行反馈,从而促使用户进入购买流程。传统的电商购物过程中,使用的推荐方法可以大致分解为两种基本方法:基于内容的推荐和协同过滤方法。
基于内容的推荐将物品属性分解为一系列特征标签,通过用户的浏览、收藏、购买等行为推断用户的兴趣,再对新产品计算每个特征标签与用户偏好的相似度,选择相似度高的进行推荐。这类方法的推荐结果具有较强的可解释性和稳定性,由于它的推荐是基于物品本身特征,因此对于新加入的项目没有冷启动问题。缺点是不适合提供有惊喜的推荐,并且无法为用户推荐未评分过的热门商品类别。
协同过滤的推荐方法是基于用户行为,例如购买、评分等来进行推荐。应用协同过滤算法实现服装推荐系统的常见技术可以分为三类:基于用户的协同过滤,基于物品的协同过滤,以及隐语义模型。前两种方法计算用户或物品间的相似度,将偏好相似的用户购买的商品或与本用户自己购买的商品相似的商品推荐给用户。而后一种方法则注重挖掘用户和物品在一系列特征因子上表现出的偏好和倾向,具有较好的可扩展性。
随着服装电商的兴起,服装成为了在线购物中的一个大类,由于服装本身款式、装饰和花纹的多样性及不易描述的特性,视觉特征的检测和提取对于构建准确的推荐模型尤为重要,目前主流的技术是应用深度学习中的神经网络从服装图片中提取视觉特征,并转化成向量表示,作为推荐模型的部分或全部输入。
而现有的问题在于,用户想要的服装可能并不是与所得到的推荐结果完全一致的,而是比较接近的。用户也许会想要修改或替换其中的某个特征,从而得到满意的推荐结果。这个特征可能是颜色、长度等易于用统一的关键词描述的属性特征,也可能是某种特定的装饰、花纹或风格等难以用文本量化描述的美学特征。
目前有种属性反馈检索的技术,给定一张推荐结果中的服装图片和用户想要修改的其中一个属性作为输入,该技术首先结合每个属性的空间分布和语义,生成该属性的特征向量,将描述了每个服装类别中的相同特征的属性划分为聚类(例如代表颜色的红色,蓝色,绿色为一个聚类;代表袖子长度的长袖,短袖,无袖为一个聚类,代表服装长度的长款,中款,短款为一个聚类等),每个聚类代表一个概念。用神经网络从推荐结果的服装图片中提取出视觉特征并用向量表示为xq,再将用户想要修改的属性用向量表示为wp(例如用户想将原本的无袖属性替换为长袖属性,则将长袖属性表示为wp),在概念聚类中找出与用户想要修改的属性同一聚类的属性,并用向量表示为wn(上例中,与用户想要的长袖属性同一概念聚类的属性为无袖,将无袖属性表示为wn)。从原始的服装图片的特征向量xq中减去与修改属性同一概念聚类的特征向量wn,再加上用户想要修改的属性对应的特征向量wp,得到一个代表用户希望得到的服装的特征向量xo(上例中,合成的特征向量xo代表紫色,长袖,长裙三个属性)。
xo=xq-wn+wp
将数据库中的服装图片用神经网络提取特征后转换成向量表示,再通过计算合成的查询向量xo和数据库内其他所有服装的特征向量之间的相似度,选择最相似的服装图片作为优化的推荐结果返回给用户(上例中,用户检索得到了紫色长袖长裙的图片)。
在上述的属性反馈检索技术中,用户通过文字关键词描述想补充或替换的属性,再通过词向量的方法转换成向量表示,这种方法有两个缺点:
第一,需要用户准确地表述出属性特征词,才能获得较好的反馈结果,适用于修改袖长,衣领形状,颜色等显著并易于描述的属性特征。而对于一些难以用统一的特征词描述的美学特征(例如某些装饰或花纹样式),效果则不理想。
第二,需要将从图像中提取出的视觉特征向量与文字关键词映射到同一空间内,步骤繁琐,数据量大。
发明内容
本发明的目的是克服现有方法的不足,提出了一种基于特征个性化修改的服装推荐优化方法。弥补了现有属性反馈检索技术中需要准确描述出需要修改属性的名称关键词,以及将从图像中提取出的视觉特征向量与文字关键词映射到同一空间内的不足,以实现对服装美学特征的修改和再推荐。
为了解决上述问题,本发明提出了一种基于特征个性化修改的服装推荐优化方法,所述方法包括:
用户根据简单的词语进行检索处理,获得推荐类似服装图片;
根据用户想要修改装饰、花纹、风格等美学特征另外选择目标图片,进行自定义修改处理,获得自定义目标图片;
获取推荐类似服装图片,进行提取,获得推荐类似服装图片的属性特征;
获取自定义目标图片,进行提取处理,获得自定义目标图片的美学特征;
结合所述的推荐类服装图片的属性特征及所述的自定义目标图片的美学特征,进行拼接处理,获得完整的服装特征;
获取完整的服装特征,进行计算余弦相似度处理,获得与拼接后完整的服装特征的服装图片最相似的服装,作为最新的推荐反馈给用户。
优选地,所述获取推荐类似服装图片,进行提取处理具体包括:
获取推荐类服装图片,利用CNN-F网络中第2层全连接层,进行提取处理,获得推荐类服装图片的属性特征(4096维的特征向量);
优选地,所述获取自定义目标图片,进行提取处理具体包括:
获取自定义目标图片,利用BDN网络中第2个全连接层,进行提取处理,获得自定义目标图片的美学特征(4096维的特征向量)。
优选地,所述的进行计算余弦相似度处理具体步骤包括:
获取服装推荐系统的数据库中的服装图片,利用CNN-F提取出4096维的属性特征向量,同时使用BDN提取出4096维的美学特征向量,拼接为完整的8192维的服装特征向量并存储;
获取完整的服装特征的特征向量,结合服装推荐系统的数据库中的服装图片的特征向量,进行计算余弦相似度处理;
结合用户的需求,自定义设置前数个的结果,找出与完整的服装特征的服装图片最为相似的服装图片,作为最新的推荐反馈给用户。
相应地,本发明也公开了一种基于特征个性化修改的服装推荐优化系统,该系统包括:
输入模块,用于输入用户选择的推荐类似服装图片及自定义目标图片;
特征提取模块,用于提取服装属性特征及服装美学特征;
相似度计算模块,用于计算完整的服装特征的特征向量与服装推荐系统的数据库中的服装图片的特征向量之间的余弦相似度,获得与拼接后完整的服装特征的服装图片最相似的服装图片;
输出模块,用于将与拼接后完整的服装特征的服装图片最相似的服装图片作为新的推荐反馈给用户。
优选地,特征提取模块包括:
CNN-F网络单元,用于提取推荐类服装图片的属性特征;
BDN网络单元,用于自定义目标图片的美学特征;
拼接单元,用于拼接所述的推荐类服装图片的属性特征及所述的自定义目标图片的美学特征。
实施本发明实施例,能够弥补了现有属性反馈检索技术中需要准确描述出需要修改属性的名称关键词,以及将从图像中提取出的视觉特征向量与文字关键词映射到同一空间内的不足,以实现对服装美学特征的修改和再推荐。
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它的附图。
图1是本发明实施例的一种基于特征个性化修改的服装推荐优化方法的流程图;
图2是本发明实施例的一种基于特征个性化修改的服装推荐优化系统的结构示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例的一种基于特征个性化修改的服装推荐优化方法的流程图,如图1所示,该方法包括:
S1,用户根据简单的词语进行检索处理,获得推荐类似服装图片;
S2,根据用户想要修改装饰、花纹、风格等美学特征另外选择目标图片,进行自定义修改处理,获得自定义目标图片;
S3,获取推荐类似服装图片,进行提取处理,获得推荐类似服装图片的属性特征;
S4,获取自定义目标图片,进行提取处理,获得自定义目标图片的美学特征;
S5,结合所述的推荐类服装图片的属性特征及所述的自定义目标图片的美学特征,进行拼接处理,获得完整的服装特征;
S6,获取完整的服装特征,进行计算余弦相似度处理,获得与拼接后完整的服装特征的服装图片最相似的服装,作为最新的推荐反馈给用户。
其中,所述的获得推荐类似服装图片的来源是服装推荐系统的数据库;所述用户目标服装图片及所述推荐类似服装图片的尺寸皆为224*224像素,以服装为主体,避免背景杂乱和其他物品干扰。
具体地,S3中对所述推荐类似服装图片进行提取处理是通过CNN-F作为提取属性特征的卷积神经网路。CNN-F具有8层结构,包括5层卷积层和3层全连接层。所述自定义目标图片进行提取处理是通过BDN作为提取美学特征的网络,BDN由一系列并行的子网络和一个高层合成网络组成。每个子网络均采用全卷积网络(FCNN)的结构。
具体地,S3中所述获取推荐类似服装图片,进行提取处理具体包括:
获取推荐类服装图片,利用CNN-F网络中第2层全连接层,进行提取处理,获得推荐类服装图片的属性特征(4096维的特征向量);
具体地,S4中所述获取自定义目标图片,进行提取处理具体包括:
获取自定义目标图片,利用BDN网络中第2个全连接层,进行提取处理,获得自定义目标图片的美学特征(4096维的特征向量)。
进一步地,S302中所述利用BDN网络中第2个全连接层进行提取处理前,利用美学视觉分析数据集对该网络进行预训练,该数据集包含325万张具有美学评级的图像,并标注了14种照片风格(例如:互补色、双色调、三分法等)。通过使用每个子网对单个标签进行独立训练来确定抽象的审美特征。由于预训练的数据集为摄影数据集,所以只保留与服装美学相关的子网路径。各个子网络将原始特征包括低级特征(色调,饱和度,值)和抽象特征(路径特征图))输入到高层合成网络中。最后使用高层合成网络的第二个全连接层的输出(4096维的特征向量)作为提取出的美学特征。
进一步地,S6中所述的进行计算余弦相似度处理具体步骤,包括:
S601,获取服装推荐系统的数据库中的服装图片,利用CNN-F提取出4096维的属性特征向量,同时使用BDN提取出4096维的美学特征向量,拼接为完整的8192维的服装特征向量并存储;
S602,获取完整的服装特征的特征向量,结合服装推荐系统的数据库中的服装图片的特征向量,进行计算余弦相似度处理;
S603,结合用户的需求,自定义设置前数个的结果,找出与完整的服装特征的服装图片最为相似的服装图片,作为最新的推荐反馈给用户。
相应地,本发明也公开了一种基于特征个性化修改的服装推荐优化系统,该系统包括:
输入模块,用于输入用户选择的推荐类似服装图片及自定义目标图片;
特征提取模块,用于提取服装属性特征及服装美学特征;
相似度计算模块,用于计算完整的服装特征的特征向量与服装推荐系统的数据库中的服装图片的特征向量之间的余弦相似度,获得与拼接后完整的服装特征的服装图片最相似的服装图片;
输出模块,用于将与拼接后完整的服装特征的服装图片最相似的服装图片作为新的推荐反馈给用户。
具体地,特征提取模块包括:
CNN-F网络单元,用于提取推荐类服装图片的属性特征;
BDN网络单元,用于自定义目标图片的美学特征;
拼接单元,用于拼接所述的推荐类服装图片的属性特征及所述的自定义目标图片的美学特征。
实施本发明实施例,能够弥补了现有属性反馈检索技术中需要准确描述出需要修改特征的名称的不足,从图像中提取特征的方法避免了用户语义不清的描述对检索结果造成的影响,并且允许用户修改服装的装饰、花纹、风格等美学意义上的特征,具有创新性;同时也避免了现有属性反馈检索技术中需要将从图像中提取出的视觉特征向量与文字关键词映射到同一空间内的繁琐步骤。在本发明的方法中,只需要将图像特征提取结果表示成特征向量,进行相似度计算,不涉及文本关键词及词向量的方法,较为便捷。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于特征个性化修改的服装推荐优化方法及其系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于特征个性化修改的服装推荐优化方法,其特征在于,所述方法包括:
用户根据简单的词语进行检索处理,获得推荐类似服装图片;
根据用户想要修改装饰、花纹、风格等美学特征另外选择目标图片,进行自定义修改处理,获得自定义目标图片;
获取推荐类似服装图片,进行提取,获得推荐类似服装图片的属性特征;
获取自定义目标图片,进行提取处理,获得自定义目标图片的美学特征;
结合所述的推荐类服装图片的属性特征及所述的自定义目标图片的美学特征,进行拼接处理,获得完整的服装特征;
获取完整的服装特征,进行计算余弦相似度处理,获得与拼接后完整的服装特征的服装图片最相似的服装,作为最新的推荐反馈给用户。
2.如权利要求1一种基于特征个性化修改的服装推荐优化方法,其特征在于,所述获取推荐类似服装图片,进行提取处理具体包括:
获取推荐类服装图片,利用CNN-F网络中第2层全连接层,进行提取处理,获得推荐类服装图片的属性特征(4096维的特征向量)。
3.如权利要求1一种基于特征个性化修改的服装推荐优化方法,其特征在于,所述获取自定义目标图片,进行提取处理具体包括:
获取自定义目标图片,利用BDN网络中第2个全连接层,进行提取处理,获得自定义目标图片的美学特征(4096维的特征向量)。
4.如权利要求1一种基于特征个性化修改的服装推荐优化方法,其特征在于,所述的进行计算余弦相似度处理具体步骤包括:
获取服装推荐系统的数据库中的服装图片,利用CNN-F提取出4096维的属性特征向量,同时使用BDN提取出4096维的美学特征向量,拼接为完整的8192维的服装特征向量并存储;
获取完整的服装特征的特征向量,结合服装推荐系统的数据库中的服装图片的特征向量,进行计算余弦相似度处理;
结合用户的需求,自定义设置前数个的结果,找出与完整的服装特征的服装图片最为相似的服装图片,作为最新的推荐反馈给用户。
5.一种基于特征个性化修改的服装推荐优化系统,其特征在于,该系统包括:
输入模块,用于输入用户选择的推荐类似服装图片及自定义目标图片;
特征提取模块,用于提取服装属性特征及服装美学特征;
相似度计算模块,用于计算完整的服装特征的特征向量与服装推荐系统的数据库中的服装图片的特征向量之间的余弦相似度,获得与拼接后完整的服装特征的服装图片最相似的服装图片;
输出模块,用于将与拼接后完整的服装特征的服装图片最相似的服装图片作为新的推荐反馈给用户。
6.如权利要求5一种基于特征个性化修改的服装推荐优化系统,其特征在于,特征提取模块包括:
CNN-F网络单元,用于提取推荐类服装图片的属性特征;
BDN网络单元,用于自定义目标图片的美学特征;
拼接单元,用于拼接所述的推荐类服装图片的属性特征及所述的自定义目标图片的美学特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687451.5A CN109064249A (zh) | 2018-06-28 | 2018-06-28 | 一种基于特征个性化修改的服装推荐优化方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687451.5A CN109064249A (zh) | 2018-06-28 | 2018-06-28 | 一种基于特征个性化修改的服装推荐优化方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109064249A true CN109064249A (zh) | 2018-12-21 |
Family
ID=64817733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810687451.5A Pending CN109064249A (zh) | 2018-06-28 | 2018-06-28 | 一种基于特征个性化修改的服装推荐优化方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064249A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110181A (zh) * | 2019-05-09 | 2019-08-09 | 湖南大学 | 一种基于用户风格和场景偏好的服装搭配推荐方法 |
CN110674419A (zh) * | 2019-01-25 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 地理信息检索方法、装置、电子设备及可读存储介质 |
CN110688585A (zh) * | 2019-09-25 | 2020-01-14 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN111767416A (zh) * | 2019-04-24 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 用于展示图片的方法和装置 |
CN113592609A (zh) * | 2021-08-17 | 2021-11-02 | 中山大学 | 一种利用时间因素的个性化服饰搭配推荐方法与系统 |
CN116402590A (zh) * | 2023-06-06 | 2023-07-07 | 武汉纺织大学 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951448A (zh) * | 2017-02-20 | 2017-07-14 | 竹间智能科技(上海)有限公司 | 一种个性化穿搭推荐方法及系统 |
CN107679960A (zh) * | 2017-10-12 | 2018-02-09 | 东北大学 | 一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法 |
CN107729361A (zh) * | 2017-09-04 | 2018-02-23 | 广州品唯软件有限公司 | 自动合成图片推送方法、装置及存储介质 |
CN107870992A (zh) * | 2017-10-27 | 2018-04-03 | 上海交通大学 | 基于多通道主题模型的可编辑服装图像搜索方法 |
CN108197180A (zh) * | 2017-12-25 | 2018-06-22 | 中山大学 | 一种服装属性可编辑的服装图像检索的方法 |
-
2018
- 2018-06-28 CN CN201810687451.5A patent/CN109064249A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951448A (zh) * | 2017-02-20 | 2017-07-14 | 竹间智能科技(上海)有限公司 | 一种个性化穿搭推荐方法及系统 |
CN107729361A (zh) * | 2017-09-04 | 2018-02-23 | 广州品唯软件有限公司 | 自动合成图片推送方法、装置及存储介质 |
CN107679960A (zh) * | 2017-10-12 | 2018-02-09 | 东北大学 | 一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法 |
CN107870992A (zh) * | 2017-10-27 | 2018-04-03 | 上海交通大学 | 基于多通道主题模型的可编辑服装图像搜索方法 |
CN108197180A (zh) * | 2017-12-25 | 2018-06-22 | 中山大学 | 一种服装属性可编辑的服装图像检索的方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674419A (zh) * | 2019-01-25 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 地理信息检索方法、装置、电子设备及可读存储介质 |
CN111767416A (zh) * | 2019-04-24 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 用于展示图片的方法和装置 |
CN110110181A (zh) * | 2019-05-09 | 2019-08-09 | 湖南大学 | 一种基于用户风格和场景偏好的服装搭配推荐方法 |
CN110688585A (zh) * | 2019-09-25 | 2020-01-14 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN110688585B (zh) * | 2019-09-25 | 2022-04-19 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN113592609A (zh) * | 2021-08-17 | 2021-11-02 | 中山大学 | 一种利用时间因素的个性化服饰搭配推荐方法与系统 |
CN116402590A (zh) * | 2023-06-06 | 2023-07-07 | 武汉纺织大学 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
CN116402590B (zh) * | 2023-06-06 | 2023-09-15 | 武汉纺织大学 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064249A (zh) | 一种基于特征个性化修改的服装推荐优化方法及其系统 | |
US9727983B2 (en) | Automatic color palette based recommendations | |
JP2022168031A (ja) | アンケートを生成するための方法およびシステム | |
Gaimster | Visual research methods in fashion | |
US9898487B2 (en) | Determining color names from keyword searches of color palettes | |
US20150379738A1 (en) | Automatic color palette based recommendations | |
Cob et al. | Colour forecasting for fashion | |
CN107545019A (zh) | 一种图数据库数据驱动的可视化方法及系统 | |
CN107862562A (zh) | 一种根据用户的图片喜好选择进行商品推荐的方法及装置 | |
McKelvey et al. | Fashion forecasting | |
Huggard et al. | Communicating Fashion Brands: Theoretical and Practical Perspectives | |
Bell | Kiwiana goes upmarket: Vernacular mobilization in the new century | |
Sorger et al. | Research and design for fashion | |
Seivewright et al. | Research and design for fashion | |
Stevenson | Virtual Fashion: Digital Representations of Materiality and Time | |
Akhil | Fashion forecasting | |
Hancock | Fashion Brand Stories | |
Blaszczyk | Designing synthetics, promoting brands: Dorothy Liebes, DuPont fibres and post-war American interiors | |
Artese et al. | Good 50x70 project: a portal for cultural and social campaigns | |
Chanorn | Dialectics of cultural production: Branding indigo-dyed textiles in Sakon Nakhon, Thailand | |
McAssey et al. | Fashion Styling | |
Park | Stitching the 24-hour city: life, labor, and the problem of speed in Seoul | |
Leket | The Art of Lace| Haute Couture from Chanel to Iris van Herpen | |
Lu et al. | The service path of non-body examination and dissemination of yaoyao costume patterns in Guoshan, Guangxi | |
KR102591182B1 (ko) | 2d 가상 코디룸과 연계된 쇼핑몰 플랫폼 서비스 제공 시스템 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |