CN109191234A - 一种综合服装推荐方法、装置和存储介质 - Google Patents

Abstract

本发明涉及一种综合服装推荐方法、装置和存储介质。该方法包括：步骤1，获取包括当年服装销量信息在内的连续多年的历史服装销量信息，基于马尔科夫链，根据所述历史服装销量信息获得基于销量预测的推荐列表；步骤2，获取消费者着装信息，基于专家系统获得表示多项所述消费者着装信息与多项服装样式信息之间关系的专家经验矩阵，并根据所述消费者着装信息和所述专家经验矩阵获得基于专家经验的推荐列表；步骤3，对所述基于销量预测的推荐列表和所述基于专家经验的推荐列表进行融合，获得综合推荐列表；步骤4，根据所述消费者着装信息和所述综合推荐列表获得服装推荐信息。本发明的技术方案可提高消费者购买服装的满意度。

Description

一种综合服装推荐方法、装置和存储介质

技术领域

本发明涉及计算机应用技术领域，具体涉及一种综合服装推荐方法、装置和存储介质。

背景技术

消费者在选择购买服装时，特别是通过电商平台选择购买服装时，如果能获得合适的推荐建议信息，将有助于消费者获得更满意的选购结果。但是，目前的服装推荐信息主要基于消费者过往的购物记录生成，服装产品由于其特殊性，往往具有一定的流行趋势，而大多数消费者并不能对其准确把握，导致所选购的服装很有可能很快便不受消费者青睐，不仅影响消费者的购物满意度，甚至还会造成资源浪费。

发明内容

针对现有技术的不足，本发明提供一种综合服装推荐方法、装置和存储介质。

第一方面，本发明提供了一种综合服装推荐方法，该方法包括：

步骤1，获取包括当年服装销量信息在内的连续多年的历史服装销量信息，基于马尔科夫链，根据所述历史服装销量信息获得基于销量预测的推荐列表。

步骤2，获取消费者着装信息，基于专家系统获得表示多项所述消费者着装信息与多项服装样式信息之间关系的专家经验矩阵，并根据所述消费者着装信息和所述专家经验矩阵获得基于专家经验的推荐列表。

步骤3，对所述基于销量预测的推荐列表和所述基于专家经验的推荐列表进行融合，获得综合推荐列表。

步骤4，根据所述消费者着装信息和所述综合推荐列表获得服装推荐信息。

第二方面，本发明提供了一种综合服装推荐装置，该装置包括：

销量预测处理模块，用于获取包括当年服装销量信息在内的连续多年的历史服装销量信息，基于马尔科夫链，根据所述历史服装销量信息获得基于销量预测的推荐列表。

专家经验处理模块，用于获取消费者着装信息，基于专家系统获得表示多项所述消费者着装信息与多项服装样式信息之间关系的专家经验矩阵，并根据所述消费者着装信息和所述专家经验矩阵获得基于专家经验的推荐列表。

融合处理模块，用于对所述基于销量预测的推荐列表和所述基于专家经验的推荐列表进行融合，获得综合推荐列表。

推荐处理模块，用于根据所述消费者着装信息和所述综合推荐列表获得服装推荐信息。

第三方面，本发明提供了一种综合服装推荐装置，该装置包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的综合服装推荐方法。

第四方面，本发明提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的综合服装推荐方法。

本发明提供的综合服装推荐方法、装置和存储介质的有益效果是，采用马尔科夫链，通过过往连续多年的历史服装销量信息可推测出下一年度的服装销量信息，获得基于销量预测的推荐列表，其可以反映下一年度服装销售中例如服装样式的可能特点，也就是可反映未来特定服装产品的流行趋势。同时，基于专家经验，获得例如消费者体型数据的着装信息与服装样式信息之间的关系，并获得基于专家经验的推荐列表，结合消费者的个性化需求，通过导购专家的建议使消费者获得更适合自身的服装推荐信息。将两个推荐列表进行融合，在消费者通过例如电商平台输入其着装信息后，经融合后的推荐列表将向消费者推荐既能反映特定服装产品流行趋势，又能符合消费者自身个性化等实际需求的服装产品，提高消费者的购物满意程度，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选择效率及销量。

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为本发明实施例的综合服装推荐方法的流程示意图；

图2为本发明实施例的专家系统的示意图；

图3为本发明实施例的综合服装推荐装置的结构框图。

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综合服装推荐方法包括：

步骤1，获取包括当年服装销量信息在内的连续多年的历史服装销量信息，基于马尔科夫链，根据所述历史服装销量信息获得基于销量预测的推荐列表。

步骤2，获取消费者着装信息，基于专家系统获得表示多项所述消费者着装信息与多项服装样式信息之间关系的专家经验矩阵，并根据所述消费者着装信息和所述专家经验矩阵获得基于专家经验的推荐列表。

步骤3，对所述基于销量预测的推荐列表和所述基于专家经验的推荐列表进行融合，获得综合推荐列表。

步骤4，根据所述消费者着装信息和所述综合推荐列表获得服装推荐信息。

在本实施例中，采用马尔科夫链，通过过往连续多年的历史服装销量信息可推测出下一年度的服装销量信息，获得基于销量预测的推荐列表，其可以反映下一年度服装销售中例如服装样式的可能特点，也就是可反映未来特定服装产品的流行趋势。同时，基于专家经验，获得例如消费者体型数据的着装信息与服装样式信息之间的关系，并获得基于专家经验的推荐列表，结合消费者的个性化需求，通过导购专家的建议使消费者获得更适合自身的服装推荐信息。将两个推荐列表进行融合，在消费者通过例如电商平台输入其着装信息后，经融合后的推荐列表将向消费者推荐既能反映特定服装产品流行趋势，又能符合消费者自身个性化等实际需求的服装产品，提高消费者的购物满意程度，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选择效率及销量。

优选地，所述历史服装销量信息包括所述服装样式信息。所述服装样式信息包括贴身度，腰部细节，脚口细节和装饰细节等。

所述步骤1具体包括：

步骤1.1，将所述服装样式信息分为多个水平的信息项，并获得所述当年服装销量信息中不同水平的所述信息项的当年概率分布信息。

步骤1.2，确定连续多年的所述历史服装销量信息中所有相邻两年的服装销量信息中不同水平的所述信息项之间的转移概率，并根据所述转移概率获得状态转移矩阵。

步骤1.3，根据所述当年概率分布信息和所述状态转移矩阵确定下一年度概率分布信息。

步骤1.4，将所述下一年度概率分布信息中不同水平的所述信息项对应的概率值以降序进行排列，获得所述基于销量预测的推荐列表。

具体地，令历史服装销量信息为包括今年在内的过往10年的服装销量消息，例如从2009年至2018年的服装销量信息，其中2018年服装销量信息为当年服装销量信息。

以牛仔裤为特定的销售服装产品进行说明。

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

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

令DF＝{df₁,…,df_y}为脚口细节，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”，即3个水平的信息项。

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

首先以贴身度为例，从历史服装销售信息中获得每一年5级贴身度的概率分布信息，表示为SF(n)，其中n表示历史服装销量信息包括的年份数，在本实施例中，n＝10，SF(1)表示2009年的服装销量信息中5级贴身度的概率分布，SF(10)表示2018年的服装销量信息中5级贴身度的概率分布，SF(n+1)，即SF(11)表示2019年，也就是需要预测的下一年度的服装销量信息中5级贴身度的概率分布。

基于马尔科夫链，SF(n+1)＝SF(n)×PF，PF为针对贴身度的概率转移矩阵。

概率转移矩阵PF由多个转移概率pf_ij组成，其中，i,j∈{1,2,…,h}，转移概率pf_ij表示10年的历史服装销量信息中所有相邻两年的服装销量信息中不同水平的信息项之间的转移概率。

概率转移矩阵PF可表示为：

根据SF(n+1)建立针对贴身度的基于销量预测的推荐列表，表示为：

其中，为下一年度贴身度概率分布信息SF(n+1)中的最大概率值，其对应相应的信息项j₁，为下一年度贴身度概率分布信息SF(n+1)中的最小概率值，其对应相应的信息项j_h。也就是说，按预测的下一年度各信息项的出现概率以降序进行推荐，例如若预测获得的“适中”贴身度的概率在所有贴身度信息项中最大，则基于销量预测的推荐列表指示最先推荐“适中”贴身度。

根据相同的原理，分别获得针对腰部细节、脚口细节和装饰细节的基于销量预测的推荐列表，共同构成所述基于销量预测的推荐列表。

针对腰部细节的基于销量预测的推荐列表可表示为：

其中，为下一年度腰部细节概率分布信息SW(n+1)中的最大概率值，其对应相应的信息项k₁，为下一年度腰部细节概率分布信息SW(n+1)中的最小概率值，其对应相应的信息项k_x。

针对脚口细节的基于销量预测的推荐列表可表示为：

其中，为下一年度脚口细节概率分布信息SL(n+1)中的最大概率值，其对应相应的信息项p₁，为下一年度脚口细节概率分布信息SL(n+1)中的最小概率值，其对应相应的信息项p_y。

针对装饰细节的基于销量预测的推荐列表可表示为：

其中，为下一年度装饰细节概率分布信息SO(n+1)中的最大概率值，其对应相应的信息项q₁，为下一年度装饰细节概率分布信息SO(n+1)中的最小概率值，其对应相应的信息项q_z。

为了进一步阐释基于销量预测的推荐列表，下面以实际历史服装销量信息中的腰部细节服装样式信息为例进行示例说明。

2018年的服装销量信息如表1所示。

表1

根据历史服装销量信息统计获得“高腰”(high)概率为0.1，“中腰”(moderate)的概率是0.35；“低腰”(low)的概率是0.55，则当年的腰部细节的概率分布表示为：

为了确定从当年到下一年度的转移概率，从过去十年的历史服装消息信息中统计出十年间每个类别的最大销售相对应的级别(主导服装款式)，如表2所示。

表2

通过相邻两个年份的服装销量信息，可确定从“高腰”(high)变为“高腰”(high)的频率为0，从“高腰”(high)变为“中腰”(moderate)的频率为1，从“高腰”(high)变为“低腰”(low)的频率为0。相应地，可确定针对腰部细节的状态转移矩阵为：

进而通过SW(n+1)＝SW(n)×PW获得下一年度腰部细节的概率分布信息为：

说明下一年度的腰部细节可能的趋势是介于“低腰”和“中腰”之间，但更加有可能是“低腰”。相应地，获得推荐列表Recom(SW(n+1))，也就是Recom(腰部细节)表示如下：

Recom(腰部细节))＝{<低腰，0.5375>,<中腰,0.375>,<高腰,0.0875>}。

也就是说，2019年的预测服装销量信息中，推荐低腰的牛仔裤的概率最大，高腰的最小。

同理，可以确定贴身度、脚口细节和装饰细节的基于销量预测的推荐列表分别表示为：

Recom(贴身度))＝{<较紧，0.368>,<紧,0.288>,<较松,0.18>,<适中,0.163>,<松,0>}。

Recom(脚口细节))＝{<铅笔裤，0.451>,<正常,0.325>,<喇叭裤,0.224>}。

Recom(装饰细节))＝{<少，0.7998>,<多,0.2002>}。

上述不同信息项的推荐列表共同组成基于销量预测的推荐列表。由于以上四个信息项部分没有关联，可根据基于销量预测的推荐列表中每项排第一的款式给出推荐建议，例如：{较紧，低腰，铅笔裤，少装饰}。

优选地，所述消费者着装信息为消费者的体型数据，所述步骤2具体包括：

步骤2.1，将所述体型数据分为多个级别的数据项，并将所述服装样式信息分为多个水平的信息项。

步骤2.2，基于专家系统，获得多个所述数据项与多个所述信息项之间的表示不同推荐程度的多项评估信息。

步骤2.3，将多项所述评估信息进行归一化处理，获得表示所述信息项与所述数据项之间匹配度的所述专家经验矩阵。

步骤2.4，对所述体型数据和所述专家经验矩阵进行矩阵运算，获得所述基于专家经验的推荐列表。

具体地，令BS＝{bs₁,…,bs_m}为体型数据，m＝20，则体型数据包括20个级别的体型数据项。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”。

由于步骤1和步骤2可以并行执行，对服装样式信息进行划分的操作和步骤1中相同。在本实施例中，以贴身度BS为例对建立基于专家经验的推荐列表进行说明。

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

在实践中，对于特定体型的消费者，经验丰富的导购专家总是可以根据其体形给出选择某种风格服装的建议。这种体验对消费者来说意义重大，但非常模糊和不确定。因为这种建议由许多语言规则组成，例如“体型很胖的消费者不适合穿着非常紧身的牛仔裤”和“紧身牛仔裤更适合完美体型的消费者”。由于可较准确把握上述购物体验，经验丰富的导购专家可根据其经验给出体型和服装风格之间的评估分数。

基于如图2所示的专家系统，确定m＝20项体型数据项和h＝5项贴身度信息之间的推荐程度关系，图中SR表示强烈推荐，R表示推荐，M表示适中，NR表示不推荐，SNR表示强烈不推荐。导购专家根据经验可确定某一种消费者体型与某一种风格的服装之间的关系，绘制一条线连接二者，并通过给出表示推荐程度的评估分数{“强烈推荐(SR)”，“推荐(R)”，“适中(M)”，“不推荐(NR)”，“强烈不推荐(SNR)”}。

对语言值强烈推荐(SR)、推荐(R)、适中(M)、不推荐(NR)和强烈不推荐(SNR)进行归一化，也就是将其转换为[-1,1]之间的值，例如SR＝1，R＝0.5，M＝0，NR＝-0.5，SNR＝-1，可获得如表3所述的对应关系。

表3

相应地，可获得表示消费者体型数据项与服装贴身度信息项之间匹配度的专家经验矩阵FK。

对体型数据BS和专家经验矩阵FK进行矩阵运算EG＝BS×FK，便可获得基于专家经验的推荐列表EG，EG可表示为EG＝{eg₁,…eg_h}。如果仅考虑消费者体型，可以按照EG＝{eg₁,…eg_h}表示的匹配度大小依次推荐相应风格的服装给该体型的消费者。

优选地，所述基于销量预测的推荐列表包括与所述信息项对应的概率值，所述基于专家经验的推荐列表包括与所述信息项对应的匹配度；所述步骤3的具体实现为：

根据第一公式获得综合推荐概率分布信息，所述第一公式为：

其中，Re_j表示所述综合推荐概率信息分布信息中第j项概率值，SF_j(n+1)表示所述基于销量预测的推荐列表中第j项所述概率值，eg_j表示所述基于专家经验的推荐列表中第j项所述匹配度，h表示所述信息项的水平总数，j∈{1,…,h}。

需要注意的是，由于此处选择将贴身度作为服装样式信息为例进行说明。且贴身度在基于销量预测的推荐列表中下一年度的推荐概率值表示为SF_i(n+1)，贴身度共包括h＝5项信息项，贴身度在基于专家经验的推荐列表中与体型数据的匹配度表示为eg_i，第一公式虽然表示将针对贴身度的基于销量预测的推荐列表与基于专家经验的推荐列表进行融合，但本公式对其他服装样式信息同样适用，是需要将SF、eg和h等标号进行替换即可。

将所述综合推荐概率分布信息中不同水平的所述信息项对应的概率值以降序进行排列，获得所述综合推荐列表。

具体地，令Re_j为综合推荐概率分布信息中的一项，综合推荐概率分布信息可表示为RE＝(Re₁，Re₂，Re_h)。相应地，基于Recom(SF(n+1))的形式可获得综合推荐列表，表示为：

其中，为从贴身度出发，针对特定体型消费者的综合度概率分布信息RE中的最大概率值，其对应相应的信息项u₁，为为从贴身度出发，针对特定体型消费者的综合度概率分布信息RE中的最小概率值，其对应相应的信息项u_h。

也就是说，基于消费者的例如体型数据的着装信息，按综合推荐列表中例如贴身度的各服装样式信息项的出现概率以降序进行推荐，使消费者可优先获得同时满足下一阶段流行趋势并匹配自身着装需求的服装推荐信息。这样可以结合历史服装销量信息和专家经验对消费者进行服装推荐，既考虑表征多数消费者偏好的历史及趋势信息，又考虑表征当前消费者个性化需求的专家建议，使服装推荐信息更符合消费者的实际需求。

如图3所示，本发明实施例提供的综合服装推荐装置包括：

销量预测处理模块，用于获取包括当年服装销量信息在内的连续多年的历史服装销量信息，基于马尔科夫链，根据所述历史服装销量信息获得基于销量预测的推荐列表。

专家经验处理模块，用于获取消费者着装信息，基于专家系统获得表示多项所述消费者着装信息与多项服装样式信息之间关系的专家经验矩阵，并根据所述消费者着装信息和所述专家经验矩阵获得基于专家经验的推荐列表。

融合处理模块，用于对所述基于销量预测的推荐列表和所述基于专家经验的推荐列表进行融合，获得综合推荐列表。

推荐处理模块，用于根据所述消费者着装信息和所述综合推荐列表获得服装推荐信息。

优选地，所述历史服装销量信息包括所述服装样式信息，所述销量预测处理模块具体用于：

将所述服装样式信息分为多个水平的信息项，并获得所述当年服装销量信息中不同水平的所述信息项的当年概率分布信息。

确定连续多年的所述历史服装销量信息中所有相邻两年的服装销量信息中不同水平的所述信息项之间的转移概率，并根据所述转移概率获得状态转移矩阵。

根据所述当年概率分布信息和所述状态转移矩阵确定下一年度概率分布信息。

将所述下一年度概率分布信息中不同水平的所述信息项对应的概率值以降序进行排列，获得所述基于销量预测的推荐列表。

优选地，所述消费者着装信息为消费者的体型数据，所述专家经验处理模块具体用于：

将所述体型数据分为多个级别的数据项，并将所述服装样式信息分为多个水平的信息项。

基于专家系统，获得多个所述数据项与多个所述信息项之间的表示不同推荐程度的多项评估信息。

将多项所述评估信息进行归一化处理，获得表示所述信息项与所述数据项之间匹配度的所述专家经验矩阵。

对所述体型数据和所述专家经验矩阵进行矩阵运算，获得所述基于专家经验的推荐列表。

在本发明另一实施例中，一种综合服装推荐装置包括存储器和处理器。所述存储器，用于存储计算机程序。所述处理器，用于当执行所述计算机程序时，实现如上所述的综合服装推荐方法。

在本发明另一实施例中，一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的综合服装推荐方法。

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 (10)

1.一种综合服装推荐方法，其特征在于，所述方法包括：

步骤1，获取包括当年服装销量信息在内的连续多年的历史服装销量信息，基于马尔科夫链，根据所述历史服装销量信息获得基于销量预测的推荐列表；

步骤2，获取消费者着装信息，基于专家系统获得表示多项所述消费者着装信息与多项服装样式信息之间关系的专家经验矩阵，并根据所述消费者着装信息和所述专家经验矩阵获得基于专家经验的推荐列表；

步骤3，对所述基于销量预测的推荐列表和所述基于专家经验的推荐列表进行融合，获得综合推荐列表；

步骤4，根据所述消费者着装信息和所述综合推荐列表获得服装推荐信息。

2.根据权利要求1所述的综合服装推荐方法，其特征在于，所述历史服装销量信息包括所述服装样式信息，所述步骤1具体包括：

步骤1.1，将所述服装样式信息分为多个水平的信息项，并获得所述当年服装销量信息中不同水平的所述信息项的当年概率分布信息；

步骤1.2，确定连续多年的所述历史服装销量信息中所有相邻两年的服装销量信息中不同水平的所述信息项之间的转移概率，并根据所述转移概率获得状态转移矩阵；

步骤1.3，根据所述当年概率分布信息和所述状态转移矩阵确定下一年度概率分布信息；

步骤1.4，将所述下一年度概率分布信息中不同水平的所述信息项对应的概率值以降序进行排列，获得所述基于销量预测的推荐列表。

3.根据权利要求2所述的综合服装推荐方法，其特征在于，所述服装样式信息包括贴身度，腰部细节，脚口细节和装饰细节。

4.根据权利要求1至3任一项所述的综合服装推荐方法，其特征在于，所述消费者着装信息为消费者的体型数据，所述步骤2具体包括：

步骤2.1，将所述体型数据分为多个级别的数据项，并将所述服装样式信息分为多个水平的信息项；

步骤2.2，基于专家系统，获得多个所述数据项与多个所述信息项之间的表示不同推荐程度的多项评估信息；

步骤2.3，将多项所述评估信息进行归一化处理，获得表示所述信息项与所述数据项之间匹配度的所述专家经验矩阵；

步骤2.4，对所述体型数据和所述专家经验矩阵进行矩阵运算，获得所述基于专家经验的推荐列表。

5.根据权利要求4所述的综合服装推荐方法，其特征在于，所述基于销量预测的推荐列表包括与所述信息项对应的概率值，所述基于专家经验的推荐列表包括与所述信息项对应的匹配度；所述步骤3的具体实现为：

根据第一公式获得综合推荐概率分布信息，所述第一公式为：

其中，Re_j表示所述综合推荐概率信息分布信息中第j项概率值，SF_j(n+1)表示所述基于销量预测的推荐列表中第j项所述概率值，eg_j表示所述基于专家经验的推荐列表中第j项所述匹配度，h表示所述信息项的水平总数；

将所述综合推荐概率分布信息中不同水平的所述信息项对应的概率值以降序进行排列，获得所述综合推荐列表。

6.一种综合服装推荐装置，其特征在于，所述装置包括：

销量预测处理模块，用于获取包括当年服装销量信息在内的连续多年的历史服装销量信息，基于马尔科夫链，根据所述历史服装销量信息获得基于销量预测的推荐列表；

专家经验处理模块，用于获取消费者着装信息，基于专家系统获得表示多项所述消费者着装信息与多项服装样式信息之间关系的专家经验矩阵，并根据所述消费者着装信息和所述专家经验矩阵获得基于专家经验的推荐列表；

融合处理模块，用于对所述基于销量预测的推荐列表和所述基于专家经验的推荐列表进行融合，获得综合推荐列表；

推荐处理模块，用于根据所述消费者着装信息和所述综合推荐列表获得服装推荐信息。

7.根据权利要求6所述的综合服装推荐装置，其特征在于，所述历史服装销量信息包括所述服装样式信息，所述销量预测处理模块具体用于：

将所述服装样式信息分为多个水平的信息项，并获得所述当年服装销量信息中不同水平的所述信息项的当年概率分布信息；

确定连续多年的所述历史服装销量信息中所有相邻两年的服装销量信息中不同水平的所述信息项之间的转移概率，并根据所述转移概率获得状态转移矩阵；

根据所述当年概率分布信息和所述状态转移矩阵确定下一年度概率分布信息；

将所述下一年度概率分布信息中不同水平的所述信息项对应的概率值以降序进行排列，获得所述基于销量预测的推荐列表。

8.根据权利要求6或7所述的综合服装推荐装置，其特征在于，所述消费者着装信息为消费者的体型数据，所述专家经验处理模块具体用于：

将所述体型数据分为多个级别的数据项，并将所述服装样式信息分为多个水平的信息项；

基于专家系统，获得多个所述数据项与多个所述信息项之间的表示不同推荐程度的多项评估信息；

将多项所述评估信息进行归一化处理，获得表示所述信息项与所述数据项之间匹配度的所述专家经验矩阵；

对所述体型数据和所述专家经验矩阵进行矩阵运算，获得所述基于专家经验的推荐列表。

9.一种综合服装推荐装置，其特征在于，所述装置包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1至5任一项所述的综合服装推荐方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至5任一项所述的综合服装推荐方法。