CN109146626B - 一种基于用户动态兴趣分析的时尚服装搭配推荐方法 - Google Patents

Abstract

本发明公开了一种基于用户动态兴趣分析的时尚服装搭配推荐方法。本发明首先通过为服装商品的特征属性建立树结构，之后根据用户设定的时间因子，把“用户—商品”评分矩阵分解为“用户—隐含特征”矩阵和“物品—隐含特征”矩阵并提取对应的关键词，然后分别根据各自出现的高频词和低频词构建特征向量，算出概率进行排序得到排序模型，根据排序模型形成物品排序列表推荐给用户。本发明可以根据用户的长期兴趣爱好和短期兴趣漂移，准确的预测出用户在一定时间范围内对服装搭配的兴趣，可以根据用户的购买记录以及对物品的评分，精确的为用户推荐喜欢的服装以及与之搭配的配件或饰品。

Description

一种基于用户动态兴趣分析的时尚服装搭配推荐方法

技术领域

本发明涉及机器学习领域，具体涉及一种基于用户动态兴趣分析的时尚服装搭配推荐方法。

背景技术

推荐系统是向用户建议有用物品的软件工具和技术，主要针对的是那些缺乏足够的个人经验和能力的人，他们无法评估潜在的大量可选择的物品，因此需要推荐系统来为每位用户进行推荐，由于推荐系统通常是个性化的，不同的用户或者用户组接受的建议是不同的，所以需要对用户进行个性化的推荐。

个性化推荐最简单的形式是提供一个排好序的物品列表。通过这个排序列表，推荐系统试图根据用户的偏好和其它约束条件来预测最合适的物品。为了完成这样的计算任务，推荐系统收集用户的喜好。这种喜好是显示的，如为产品打分，或通过解释用户的行为做出推断。例如，推荐系统可能会把访问某个特定商品详情页的行为作为该用户喜爱这个主页的商品的隐式信号。

用户的动态兴趣分析是推荐系统的一个热门主题，其目标是用户的信息挖掘。度量用户对物品的兴趣大小或者是物品对用户的有用程度。不仅取决于用户的兴趣和物品本身的属性，而且还取决于用户所处的环境，即情境。时间信息就是一种非常重要的情境信息.在时间维度上建模用户和物品的变化，用户在不同的时间可能有不一样的兴趣，物品在不同的时间也可能有不同的属性，用户不断有新的行为发生而且有新的物品不断加入到网站中。比如通过基于用户的协同过滤算法对用户进行推荐，给用户的推荐结果也要是动态的才能不断满足用户的需要。一方面，系统中用户的好友集合是不断动态变化的，另一方面系统中用户喜欢的物品也是不断动态变化的，所以用户的动态兴趣也应该是动态变化的。

时尚商品匹配是穿衣搭配风格上热门的话题。在日常生活中，穿衣搭配是我们最基本的审美要求。对于服装的搭配效果，就时尚商品匹配的研究。传统的服装商品搭配是基于用户的感觉或者大众化的审美要求。通常是凭主观感觉对群体的穿衣风格进行评估，无法对每一个用户进行个性化的搭配，从众多商品中帮助用户找到与自己风格相匹配的物品的过程中，推荐系统起着很大的作用。

现有的一种推荐方法是基于用户评分的商品推荐方法，该方法具体包括：

1、对用户评分数据建立隐因子模型，对商品进行自动聚类，找出隐含的类别或者特征因子；

2、用户兴趣分解成对多个隐含类别的喜爱程度，商品用包含这些隐含特征的权重表示，用户对商品的评分为两者的内积；

3、为了解决评分数据稀疏问题，利用用户行为，引入负样本，提取特征，通过逻辑回归模型来估计用户对商品购买的可能性；

4、将两者的候选集组合加权进行排序，将排名靠前的商品推荐给用户。

基于用户评分的商品推荐方法的缺点在于，利用隐因子模型从单一的评分中发现用户多元化的兴趣，挖掘出商品多特征的信息，更加符合实际应用，引入负样本，使得用户兴趣区别性更大，推荐结果质量更高，更能满足用户的需求，可应用于商品推荐。但是不能针对用户的已有的商品或者兴趣来推荐相匹配和可替代的商品。比如在用户购买了一类商品以后，用户想找到更加与该商品搭配的配饰，却无从下手。

发明内容

本发明的目的是克服现有方法的不足，提出了一种基于用户动态兴趣分析的时尚服装搭配推荐方法。本发明解决两个核心技术问题，一是推荐系统中的推荐结果缺乏考虑服装类商品其自身的独特性和差异性的问题；二是在海量的服装信息中，不能够充分挖掘有价值的信息呈现给用户，针对用户进行个性化推荐的问题。

为了解决上述问题，本发明提出了一种基于用户动态兴趣分析的时尚服装搭配推荐方法，所述方法包括：

从网络以及服装商品数据库中获取服装商品的信息(包括用户评分与商品图片)，以及对服装图片的分类的标记信息，组成照片库；

从照片库中选取一万条数据信息作为一组样本，在样本数据集合中，分为训练集与测试集；

提取服装商品的特征属性信息，依据这些信息对服装商品进行分类表示，并确定服装商品的层数；

依据服装商品属性的分类与层数建立树结构，以服装配饰为总的大类即树的根节点，服装商品属性的每一层通过各自附属的属性进行相连；

利用所建立的服装商品属性树，采用隐语义模型，根据用户设定的时间因子，把“用户-商品”评分矩阵分解为“用户-隐含特征”矩阵和“物品-隐含特征”矩阵；

根据前述两个矩阵，分别提取“用户-特征”关键词，以及提取“物品-特征”关键词，再分别根据各自出现的高频词和低频词构建特征向量；

通过“用户-物品”评分矩阵作为训练集进行学习，根据构建出的特征向量进行划分，算出概率进行排序得到排序模型，再利用测试集根据排序模型形成物品排序列表推荐给用户。

本发明提出的一种基于用户动态兴趣分析的时尚服装搭配推荐方法，可以根据用户的长期兴趣爱好和短期兴趣漂移，准确的预测出用户在一定时间范围内对服装搭配的兴趣，可以根据用户的购买记录以及对物品的评分，精确的为用户推荐喜欢的服装以及与之搭配的配件或饰品。

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是本发明实施例的时尚服装搭配推荐方法流程图；

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是本发明实施例的时尚服装搭配推荐方法流程图，如图1所示，该方法包括：

S1，从网络以及服装商品数据库中获取服装商品的信息(包括用户评分与商品图片)，以及对服装图片的分类的标记信息，组成照片库；

S2，从照片库中选取一万条数据信息作为一组样本，在样本数据集合中，分为训练集与测试集；

S3，提取服装商品的特征属性信息，依据这些信息对服装商品进行分类表示，并确定服装商品的层数；

S4，依据服装商品属性的分类与层数建立树结构，以服装配饰为总的大类即树的根节点，服装商品属性的每一层通过各自附属的属性进行相连；

S5，利用所建立的服装商品属性树，采用隐语义模型，根据用户设定的时间因子，把“用户—商品”评分矩阵分解为“用户—隐含特征”矩阵和“物品—隐含特征”矩阵；

S6，根据前述两个矩阵，分别提取“用户—特征”关键词，以及提取“物品—特征”关键词，再分别根据各自出现的高频词和低频词构建特征向量；

S7，通过“用户—物品”评分矩阵作为训练集进行学习，根据构建出的特征向量进行划分，算出概率进行排序得到排序模型，再利用测试集根据排序模型形成物品排序列表推荐给用户。

步骤S3，具体如下：

依据服装商品的属性特征对服装进行分类表示，确定商品的层数；让具有相同深度的特征在同一层，通过分层表示模式从两个维度对物品所属的种类进行划分；在水平维度把物品的特征层次转化为平面结构；在垂直维度通过加权聚合附属特征的潜在因子来调整项目的潜在因子，具有相同属性特征的商品位于同一个垂直维度。

步骤S4，具体如下：

S4-1，把服装属性的类别看成树结构，以服装配饰为总的大类即为树的根节点，分为三个小类为节点，分别为服装、鞋子、配件。在三个小类里面又分为各自不同的小类(即为节点的子节点)；

S4-2，以商品属性为树的叶节点，并且进一步考虑水平维度中两种语义丰富特征关系，即互补、替代、相互独立关系；横向关系中，对于两个商品A和B，互补关系为A、B同时购买，如鞋子和裤子。替代关系为在A、B中两件商品只能选择其中的一件商品，如：运动服装和时尚服装、高跟鞋和球鞋。相互独立的关系为A、B之前没有特定关系，是相互独立的；

S4-3，这样所有的服装分为不同层次，每一个层次又通过各自的附属的属性进行相连。通过垂直维度和水平维度上项目的和特征的潜在因子相适应，来让项目继承水平维度的特征。

步骤S5，具体如下：

S5-1，利用所建立的服装商品属性树，在进行张量分解的过程中，采用隐语义模型，根据用户设定的时间因子，把“用户—商品”评分矩阵分解为“用户—隐含特征”矩阵和“物品—隐含特征”矩阵：

R矩阵是“用户—商品”评分矩阵，矩阵值P_ui表示的是用户u对商品i的评分。R矩阵表示为P矩阵和Q矩阵相乘。其中P矩阵是“用户—隐含特征”矩阵，矩阵值P_uj表示的是用户u对类别j的兴趣度。Q矩阵是“物品—隐含特征”矩阵，矩阵值Q_ji表示的是商品i在种类j中的评分，评分越高，代表兴趣度越大；

S5-2，采用learnbr模型对级排序方法RankSVM进行排序，将“用户—物品”之间的评分记录矩阵，转化为物品对的偏序关系矩阵，作为特征向量进行训练，并将排序问题转化为分类问题。

步骤S6，具体如下：

S6-1，根据前述两个矩阵，采用词袋子模型，分别提取“用户—特征”关键词，以及提取“物品—特征”关键词；

S6-2，记录上述提取到的关键词作为物品的特征向量。用户特征向量中的用户的特征关键词词频和物品特征向量中物品特征关键词词频比较低的分为低频词，一个商品被多个用户评分，或者一个用户给多个商品评分的词频划分为高频词。

步骤S7，具体如下：

S7-1，通过“用户—物品”评分矩阵作为训练集进行学习，根据构建出的特征向量进行划分，算出概率进行排序得到排序模型f(u,i)，其中u∈U表示某一特定用户，U表示所有用户的集合，而i∈I表示某一具体物品，I表示所有物品的集合；

S7-2，在测试阶段，系统根据训练得到的排序模型f(u,i)对目标用户γ产生一个物品排序列表{i_y1,i_y2,i_y3,…i_yi…,i_yn}，并将该列表推荐给用户γ，其中i_yi表示在目标用户γ的物品排序列表中排在第i位的物品。

本发明实施例提出的一种基于用户动态兴趣分析的时尚服装搭配推荐方法，可以根据用户的长期兴趣爱好和短期兴趣漂移，准确的预测出用户在一定时间范围内对服装搭配的兴趣，可以根据用户的购买记录以及对物品的评分，精确的为用户推荐喜欢的服装以及与之搭配的配件或饰品。

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 Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、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用户动态兴趣分析的时尚服装搭配推荐方法进行了详细介绍，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 (1)

1.一种基于用户动态兴趣分析的时尚服装搭配推荐方法，其特征在于，所述方法包括：

从网络以及服装商品数据库中获取服装商品的信息，包括用户评分与商品图片，以及对服装图片的分类的标记信息，组成照片库；

从照片库中选取一万条数据信息作为一组样本，在样本数据集合中，分为训练集与测试集；

提取服装商品的特征属性信息，依据这些信息对服装商品进行分类表示，并确定服装商品的层数；

依据服装商品属性的分类与层数建立树结构，以服装配饰为总的大类即树的根节点，服装商品属性的每一层通过各自附属的属性进行相连；

利用所建立的服装商品属性树，采用隐语义模型，根据用户设定的时间因子，把“用户—商品”评分矩阵分解为“用户—隐含特征”矩阵和“物品—隐含特征”矩阵；

根据前述两个矩阵，分别提取“用户—特征”关键词，以及提取“物品—特征”关键词，再分别根据各自出现的高频词和低频词构建特征向量；

通过“用户—物品”评分矩阵作为训练集进行学习，根据构建出的特征向量进行划分，算出概率进行排序得到排序模型，再利用测试集根据排序模型形成物品排序列表推荐给用户；

其中，所述提取服装商品的特征属性信息，依据这些信息对服装商品进行分类表示，并确定服装商品的层数，具体为：

依据服装商品的属性特征对服装进行分类表示，确定商品的层数；让具有相同深度的特征在同一层，通过分层表示模式从两个维度对物品所属的种类进行划分；在水平维度把物品的特征层次转化为平面结构；在垂直维度通过加权聚合附属特征的潜在因子来调整项目的潜在因子，具有相同属性特征的商品位于同一个垂直维度；

其中，所述依据服装商品属性的分类与层数建立树结构，以服装配饰为总的大类即树的根节点，服装商品属性的每一层通过各自附属的属性进行相连，具体为：

把服装属性的类别看成树结构，以服装配饰为总的大类即为树的根节点，分为三个小类为节点，分别为服装、鞋子、配件，在三个小类里面又分为各自不同的小类；以商品属性为树的叶节点，并且进一步考虑水平维度中两种语义丰富特征关系，即互补、替代、相互独立关系；所有的服装分为不同层次，每一个层次又通过各自的附属的属性进行相连；通过垂直维度和水平维度上项目的和特征的潜在因子相适应，来让项目继承水平维度的特征；

其中，所述把“用户—商品”评分矩阵分解为“用户—隐含特征”矩阵和“物品—隐含特征”矩阵，矩阵表示为：

R矩阵是“用户—商品”评分矩阵，矩阵值R_ui表示的是用户u对商品i的评分，R矩阵表示为P矩阵和Q矩阵相乘，其中P矩阵是“用户—隐含特征”矩阵，矩阵值P_uj表示的是用户u对类别j的兴趣度，Q矩阵是“物品—隐含特征”矩阵，矩阵值Q_ji表示的是商品i在种类j中的评分，评分越高，代表兴趣度越大；

其中，所述根据前述两个矩阵，分别提取“用户—特征”关键词，以及提取“物品—特征”关键词，再分别根据各自出现的高频词和低频词构建特征向量，具体为：

根据“用户—隐含特征”矩阵和“物品—隐含特征”矩阵，采用词袋子模型，分别提取“用户—特征”关键词，以及提取“物品—特征”关键词；记录上述提取到的关键词作为用户特征向量与物品特征向量；用户特征向量中的用户的特征关键词词频和物品特征向量中物品特征关键词词频比较低的分为低频词，一个商品被多个用户评分，或者一个用户给多个商品评分的词频划分为高频词。

Images