CN110458292A - 一种基于专家知识的服装推荐方法 - Google Patents

一种基于专家知识的服装推荐方法 Download PDF

Info

Publication number
CN110458292A
CN110458292A CN201910599790.2A CN201910599790A CN110458292A CN 110458292 A CN110458292 A CN 110458292A CN 201910599790 A CN201910599790 A CN 201910599790A CN 110458292 A CN110458292 A CN 110458292A
Authority
CN
China
Prior art keywords
clothes
user
knowledge
face
garment
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
Application number
CN201910599790.2A
Other languages
English (en)
Inventor
谷林
刘振娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201910599790.2A priority Critical patent/CN110458292A/zh
Publication of CN110458292A publication Critical patent/CN110458292A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation; Symbolic representation
    • G06N5/022Knowledge engineering; Knowledge acquisition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation; Symbolic representation
    • G06N5/022Knowledge engineering; Knowledge acquisition
    • G06N5/025Extracting rules from data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于专家知识的服装推荐方法,具体按照以下步骤进行:步骤1:获取用户的体貌特征信息;对用户进行脸型、肤色、肩型、体型和出席场合的识别;步骤2:构建专家知识库;进行事实库设计;进行规则库设计;步骤3:推送目标服装;从服装数据库中得到分别满足用户体貌特征的服装数据量,分别记为S1、S2、S3、S4、S5,以满足用户条件数目最少的服装属性作为根节点,进行深度搜索,确定优先级顺序,然后按照顺序依此搜索出符合用户条件的目标服装,将目标服装推送给用户。本发明一种基于专家知识的服装推荐方法能够给予用户专业化着装建议,既提高了用户的满意度也提高了系统的准确性。

Description

一种基于专家知识的服装推荐方法
技术领域
本发明属于服装推荐技术领域,具体涉及一种基于专家知识的服装推荐方法。
背景技术
服装推荐系统在服装销售活动中具有十分重要的意义,服装推荐系统不仅可以将大量的服装销售记录和用户的行为记录存储并不断积累,而且可以根据用户的喜好进行服装推荐,使得推荐的服装更符合用户的满意度,提高了服装的销售额,降低了服装销售的退换货率。
迄今为止,服装销售网站中运行的服装推荐算法主要有三种:基于协同过滤推荐算法,基于内容的推荐算法和混合推荐算法。协同过滤推荐算法粗略地利用用户-项目评级矩阵来寻找相似的用户,更注重基于海量历史数据预测用户的商品偏好,在实际应用中存在冷启动和数据稀疏的问题。基于内容的服装推荐方法能在一定程度上改善这一问题,此种方法主要关注服装的内在信息,通过计算服装内在属性的相似度寻找近邻进而进行服装推荐,但是只能推荐文本内容相似性的服装,具有很大的局限性。混合推荐算法可以融合多种推荐方法,取长补短,可以通过加权、变换、混合等多种方法对推荐方法进行融合,但是每种算法针对的具体问题不同,所以无法预测服装推荐的产生效果。
综上,目前的服装推荐中存在不考虑用户体貌特征和服装语义关系的问题,例如肤色和衣服颜色的搭配效果,不能够给予用户专业化的着装建议的问题。
发明内容
本发明的目的是提供一种基于专家知识的服装推荐方法,解决了目前的服装推荐中存在不考虑用户体貌特征和服装语义关系的问题,例如肤色和衣服颜色的搭配效果,不能够给予用户专业化着装建议的问题。
本发明所采用的技术方案是,
一种基于专家知识的服装推荐方法,具体按照以下步骤进行:
步骤1:获取用户的体貌特征信息;
对用户进行脸型、肤色、肩型、体型和出席场合的识别;
步骤2:构建专家知识库;
从服装专家、书籍和数据库中获取服装领域搭配的相关知识数据并整合成知识数据,将知识数据采用产生式的知识表示方法,产生式采用IF THEN结构形式表示规则来构建知识数据结构;
进行事实库设计:包括用户个人的体貌特征信息,以及服装的颜色、领型、款式、和风格标签;
进行规则库设计:由单条规则条件得到规则结论,把服装搭配规则建成一个链表,其中,服装搭配规则是搭配规则链表的一个节点,将所有规则联结成一个整体,形成搭配规则库;
步骤3:推送目标服装;
从服装数据库中得到分别满足用户体貌特征的服装数据量,分别记为S1、S2、S3、S4、S5,以满足用户条件数目最少的服装属性作为根节点,进行深度搜索,确定优先级顺序,然后按照顺序依此搜索出符合用户条件的目标服装,将目标服装推送给用户。
本发明的特点还在于,
步骤1中将脸型分为圆脸、椭圆脸、方形脸、梨形脸和菱形脸五类进行识别。
步骤1中利用主动形状模型提取面部的特征点,每个特征点用一个二维坐标表示;
提取出人脸特征点之后,通过K近邻分类算法对这些特征进行分类,采用Hausdorff距离来计算待测脸型与分类脸型样本中的相似程度。
步骤1中将肤色分为白皙型、偏黄型、粉嫩型和偏黑型四类进行识别。
步骤1中在整个面部颜色空间中提取出具有代表性的面部区域,构造肤色类别索引,计算输入的面部图像与肤色图像的相似度。
步骤2中采用非自动化知识获取、半自动知识获取、全自动知识获取三种方法结合的方式完成对服装领域知识的获取。
非自动化知识获取是知识工程师查阅大量文献并与服装领域专家探讨后,确定主要搭配规则通过人机界面输入,然后形成的数据结构;
半自动知识获取是在非自动化知识获取的基础上,系统具有一定的学习能力,能够自动更新和完善专家知识库;
全自动知识获取是指系统具有学习能力,能够直接从文本内容中获取服装知识并更新专家知识库。
步骤2中的风格标签为用于区别不同风格服装的标签。
步骤2中的知识库主要分为体貌特征表,输入事实表,规则表,服装推荐结论表和推荐解释表。
本发明的有益效果是,本发明是一种基于专家知识的服装推荐方法,可以根据用户的体貌特征,如脸型、肤色、肩型、体型和出席场合进行服装的智能推荐,完成脸型和领型、肤色和服装颜色、肩领和领型、出席场合和风格四个层次上的服装推荐,考虑用户和服装语义关系的问题,能够给予用户专业化着装建议,既提高了用户的满意度也提高了系统的准确性。
附图说明
图1是本发明一种基于专家知识的服装推荐方法中服装推荐系统框架图;
图2是本发明一种基于专家知识的服装推荐方法中知识库关系图;
图3是本发明一种基于专家知识的服装推荐方法中服装推荐决策树图;
图4是本发明一种基于专家知识的服装推荐方法中精确率比较图;
图5是本发明一种基于专家知识的服装推荐方法中召回率比较图;
图6是本发明一种基于专家知识的服装推荐方法中服装推荐结果图;
图7是本发明一种基于专家知识的服装推荐方法中知识库结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于专家知识的服装推荐方法,具体按照以下步骤进行:
步骤1:获取用户的体貌特征信息;
对用户进行脸型、肤色、肩型、体型和出席场合的识别;
步骤2:构建专家知识库;
从服装专家、书籍和数据库中获取服装领域搭配的相关知识数据并整合成知识数据,将知识数据采用产生式的知识表示方法,产生式采用IF THEN结构形式表示规则来构建知识数据结构;
进行事实库设计:包括用户个人的体貌特征信息,以及服装的颜色、领型、款式、和风格标签;
进行规则库设计:由单条规则条件得到规则结论,把服装搭配规则建成一个链表,其中,服装搭配规则是搭配规则链表的一个节点,将所有规则联结成一个整体,形成搭配规则库;
步骤3:推送目标服装;
从服装数据库中得到分别满足用户体貌特征的服装数据量,分别记为S1、S2、S3、S4、S5,以满足用户条件数目最少的服装属性作为根节点,进行深度搜索,确定优先级顺序,然后按照顺序依此搜索出符合用户条件的目标服装,将目标服装推送给用户。
步骤1中将脸型分为圆脸、椭圆脸、方形脸、梨形脸和菱形脸五类进行识别。对人物的脸型识别更为具体详细,保证了推荐的准确度。
步骤1中利用主动形状模型提取面部的特征点,每个特征点用一个二维坐标表示;用具体的值来表示面部特征,进一步提高了精确度。
提取出人脸特征点之后,通过K近邻分类算法对这些特征进行分类,采用Hausdorff距离来计算待测脸型与分类脸型样本中的相似程度。通过用户特征脸型与样本脸型的数据对比,经过计算,详细得出数值,进一步提高了准确度。
步骤1中将肤色分为白皙型、偏黄型、粉嫩型和偏黑型四类进行识别。肤色识别更多样,提高了识别准确度。
步骤1中在整个面部颜色空间中提取出具有代表性的面部区域,构造肤色类别索引,计算输入的面部图像与肤色图像的相似度。通过计算机数据分析,提高工作效率。
步骤2中采用非自动化知识获取、半自动知识获取、全自动知识获取三种方法结合的方式完成对服装领域知识的获取,即知识工程师查阅大量文献并与服装领域专家探讨后,确定主要搭配规则通过人机界面输入,然后形成的数据结构。通过加入服装领域专家的技术数据,使得服装的推荐更为人性化,提高了用户的体验。
步骤2中的风格标签为用于区别不同风格服装的标签。如“居家”风格等的区别标签,使得推荐更为快速、准确。
步骤2中的知识库主要分为体貌特征表,输入事实表,规则表,服装推荐结论表和推荐解释表。采用分类表格的形式进行分析、归类,提高了精确度,也进一步提高了用户体验。
本发明一种基于专家知识的服装推荐方法,主要研究的是用户的体貌特征、出席场合与服装属性信息之间的关系,系统的框架图如图1所示。具体实现步骤如下:
步骤1:获取用户的体貌特征信息,获取的用户体貌特征信息如表1所示:
表1:用户信息表
1.脸型识别。本系统将脸型分为圆脸、椭圆脸、方形脸、梨形脸和菱形脸五类。
(1)本文利用主动形状模型(Active Shape Model,ASM)提取面部的30个关键点,分布在眼睛、鼻子、嘴巴、脸部轮廓几个部位,这些特征点覆盖的范围为脸部和下颌部位,能很好地表示人脸脸型。每个特征点用一个二维坐标表示,代表该点在图像中的位置。用向量P表示有n个特征点标记的人脸,如公式1所示。
P=(x1,y1,x2,y2,...,xn,yn)T 公式1
其中(xi,yi)(i=1,2....,n)表示第i个点的二维坐标,这样n个点就表示成长度为2n的向量点集。
(2)提取出人脸特征点之后,通过K近邻分类算法对这些特征进行分类。设有c个脸型类别w1,w2,......,wc,每类标明的类别的脸型样本Ni(i=1,2,......,c)个。有一待测脸型x,计算x与wi中样本的距离函数为其中m=1,2,...Ni中的i表示wi类,m表示wi类Ni个样本中的第m个。
为了有效度量点集之间的相似度,采用Hausdorff距离来计算待测脸型与分类脸型样本中的相似程度。给定两个点集A和B,大小分别n和m,即A={a1,a2,...,an},B={b1,b2,...,bm},这两个点集之间的Hausdorff距离定义为:
H(A,B)=max(h(A,B),h(B,A)) 公式2
其中,||·||表示点集A和B之间的距离范式,采用欧式距离,h(A,B)表示计算点集A中的每个点ai(i=1,2,...,n)到点集b中点bj(j=1,2,...,m)的距离,得到ai与点集B的最小距离,从而可以计算点集A中n个点对应的n个最小距离的平均距离,即h(A,B),h(A,B)同理可得。H(A,B)用来度量两个点集之间的最大不匹配程度,取的是h(A,B)和h(B,A)较大者,H(A,B)越小代表两个点集越匹配,脸部轮廓越相似。
2.肤色识别.
本系统将肤色分为白皙型、偏黄型、粉嫩型和偏黑型。肤色识别的主要思路是在整个面部颜色空间中提取出具有代表性的面部区域,构造肤色类别索引,计算输入的面部图像与肤色图像的相似度。
首先,将肤色区域块图像的RGB值转换到YCbCr颜色空间中,转换公式如下:
然后利用公式6来计算输入图像与指定肤色图像在YcbCr颜色空间上亮度和色度的差值,取差值最小的为最后的倾向肤色值。公式6如下:
步骤2:构建专家知识库
1.知识获取。本文从服装专家、书籍、数据库等多方面来获取服装领域搭配的相关知识,并完成整合。采用非自动化知识获取、半自动知识获取、全自动知识获取三种方法结合的方式完成对服装领域知识的获取,非自动化知识获取是知识工程师查阅大量文献并与服装领域专家探讨后,用某种知识编辑器输入到知识库中,确定主要搭配规则通过人机界面输入,然后形成的数据结构。半自动知识获取是在非自动化知识获取的基础上,系统具有一定的学习能力,能够自动更新和完善专家知识库。全自动知识获取是指系统具有学习能力,能够直接从文本内容中获取服装知识并更新专家知识库。
本知识库存储的知识主要是由服装领域专家以及相关文献提供的知识以及推理过程中所形成的中间数据构成,主要结构如图7所示。
2.知识表示。在获取到服装领域专家知识之后,需要对专家知识进行一定的处理,知识表示就是一种计算机可以接受的描述知识的数据结构。考虑到服装搭配规则知识较多,具有时效性,本文将规则拆分为不同的规则元素,分层次处理服装专家知识。所以本文采用产生式的知识表示方法,产生式采用“IF THEN”结构形式表示规则,既直观又便于利用数据库技术实现对服装搭配知识的管理和维护。
3.事实库设计:事实库主要包括两部分,一部分是用户个人的体貌特征信息,由步骤1的方法进行获取如表1所示,另一部分是服装的属性信息,如表2所示:
表2:服装属性信息表
包括服装的颜色、领型、款式、和风格标签。风格标签是指根据服装特点给它贴上一些标签,比如给一件睡衣,可为其添加一个风格标签“居家”,以便在服装推荐的时候可以根据特定的出席场合进行服装风格推荐。
4.规则库设计。本文将规则库看作一个栈,进栈表示对条件的选择,出栈相当于得出事实,控制模块对其进行选择使用,对事实数据库的增删查改从而改变事实数据。由一个规则条件得到一条规则结论,把服装搭配规则建成一个链表,将规则看作是搭配规则链上的一个节点,将所有规则联结成一个整体,形成搭配规则库,表3列举了规则库的知识。
表3:服装搭配规则表
知识库主要分为五个部分,分别是user_apperance(体貌特征表),facts(输入事实表),rules(规则表),conclusion(服装推荐结论表),explain(推荐解释表),关系图如图2所示。
步骤3:推理机制;
采用正向链接规则匹配算法实现推理,通过将规则THEN部分指定的事实添加到工作内存中来执行规则,它对一个问题进行搜索,并将其转化为解决方案。然后通过深度优先搜索引擎的方法从根节点深度向下按顺序搜索。将用户体貌信息与服装属性进行匹配操作,得到推荐列表,如图3所示。这个树形图由用户的信息和服装的属性信息组成,由匹配关系决策树将用户的体貌特征都与服装属性进行匹配,从而在服装数据库中筛选出符合条件的服装推荐列表。过程如下:
(1)采集用户的体貌特征:肤色、脸型、肩型、体型和出席场合;
(2)从服装数据库中得到分别满足以上用户体貌特征的服装数据量,分别记为S1、S2、S3、S4、S5,以满足用户条件数目最少的服装属性作为根节点,进行深度搜索,确定优先级顺序。假设S1<S3<S2<S5<S4,那么就以S1为初始节点,搜索顺序为S1->S3->S2->S5->S4;
(3)按照(2)的顺序依此搜索出符合用户条件的服装颜色、领型、款式和风格,确定目标服装推送给用户。
本系统采用CLIPS6.3(C语言集成产生式系统)作为专家系统工具,利用在线爬虫技术对某知名服装网站的服装数据进行抓取,对其进行处理,随机选取500条数据作为实验数据,包括服装名称、类型、领型、颜色、款式、价格、风格等。将推荐结果和协同过滤算法进行了比较,使用准确率和召回率来衡量服装推荐效果。
准确率是指用户在推荐集中选择的项目占整个推荐集的比例,准确率越高,推荐系统越好。召回率是指系统推荐的商品集合与用户实际历史商品消费偏好的比例。召回率越大,推荐系统越准确。在推荐系统过程中,设T(u)为训练集中目标用户生成的服装推荐集,C(u)为目标用户在测试集中实际选择的服装项目。由公式7和公式8计算实验中两种方法的准确率和召回率。
随机抽取数据进行6次实验,将基于专家知识的服装推荐方法和基于协同过滤方法进行对比,如图4、图5所示。可以看出,本文提出的基于专家知识的推荐方法在准确率和召回率上都优于协同过滤推荐方法。
随机选取实验数据中的200条数据对三个不同体貌特征的用户进行服装推荐时间对比,如表4所示:
表4:搜索时间对比表
可以看出本系统的推荐方法能在一定程度上提高搜索速率。以用户编号为3的特征组为例进行运算,编号为3的用户体貌特征为皮肤粉嫩、圆脸、窄肩、苹果型体型、居家场合,适合的服装颜色为白色、黑色、粉色、蓝色、棕色、绿色、灰色、酒红、橙色等颜色;适合的服装领型为V领、高领、立领、Polo领;适合的服装风格是韩版、清新、英伦、甜美、淑女、性感、休闲等。得到的服装列表如图6所示,可以看出,推荐结果与搭配规则一致,符合大众的审美效果。
本发明一种基于专家知识的服装推荐方法,根据用户体貌特征和服装属性信息进行智能服装推荐的方法,构建知识库和推理机,在服装推荐中考虑到用户和服装语义关系的问题,能够给予用户专业化的着装建议,适合推广使用。

Claims (9)

1.一种基于专家知识的服装推荐方法,其特征在于,具体按照以下步骤进行:
步骤1:获取用户的体貌特征信息;
对用户进行脸型、肤色、肩型、体型和出席场合的识别;
步骤2:构建专家知识库;
从服装专家、书籍和数据库中获取服装领域搭配的相关知识数据并整合成知识数据,将知识数据采用产生式的知识表示方法,产生式采用IF THEN结构形式表示规则来构建知识数据结构;
进行事实库设计:包括用户个人的体貌特征信息,以及服装的颜色、领型、款式、和风格标签;
进行规则库设计:由单条规则条件得到规则结论,把服装搭配规则建成一个链表,其中,服装搭配规则是搭配规则链表的一个节点,将所有规则联结成一个整体,形成搭配规则库;
步骤3:推送目标服装;
从服装数据库中得到分别满足用户体貌特征的服装数据量,分别记为S1、S2、S3、S4、S5,以满足用户条件数目最少的服装属性作为根节点,进行深度搜索,确定优先级顺序,然后按照顺序依此搜索出符合用户条件的目标服装,将目标服装推送给用户。
2.根据权利要求1所述的一种基于专家知识的服装推荐方法,其特征在于,步骤1中将脸型分为圆脸、椭圆脸、方形脸、梨形脸和菱形脸五类进行识别。
3.根据权利要求2所述的一种基于专家知识的服装推荐方法,其特征在于,所述步骤1中利用主动形状模型提取面部的特征点,每个特征点用一个二维坐标表示;
提取出人脸特征点之后,通过K近邻分类算法对这些特征进行分类,采用Hausdorff距离来计算待测脸型与分类脸型样本中的相似程度。
4.根据权利要求1所述的一种基于专家知识的服装推荐方法,其特征在于,所述步骤1中将肤色分为白皙型、偏黄型、粉嫩型和偏黑型四类进行识别。
5.根据权利要求4所述的一种基于专家知识的服装推荐方法,其特征在于,所述步骤1中在整个面部颜色空间中提取出具有代表性的面部区域,构造肤色类别索引,计算输入的面部图像与肤色图像的相似度。
6.根据权利要求1所述的一种基于专家知识的服装推荐方法,其特征在于,所述步骤2中采用非自动化知识获取、半自动知识获取、全自动知识获取三种方法结合的方式完成对服装领域知识的获取。
7.根据权利要求6所述的一种基于专家知识的服装推荐方法,其特征在于,所述非自动化知识获取是知识工程师查阅大量文献并与服装领域专家探讨后,确定主要搭配规则通过人机界面输入,然后形成的数据结构;
半自动知识获取是在非自动化知识获取的基础上,系统具有一定的学习能力,能够自动更新和完善专家知识库;
全自动知识获取是指系统具有学习能力,能够直接从文本内容中获取服装知识并更新专家知识库。
8.根据权利要求1所述的一种基于专家知识的服装推荐方法,其特征在于,所述步骤2中的风格标签为用于区别不同风格服装的标签。
9.根据权利要求1所述的一种基于专家知识的服装推荐方法,其特征在于,所述步骤2中的知识库主要分为体貌特征表,输入事实表,规则表,服装推荐结论表和推荐解释表。
CN201910599790.2A 2019-07-04 2019-07-04 一种基于专家知识的服装推荐方法 Pending CN110458292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910599790.2A CN110458292A (zh) 2019-07-04 2019-07-04 一种基于专家知识的服装推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910599790.2A CN110458292A (zh) 2019-07-04 2019-07-04 一种基于专家知识的服装推荐方法

Publications (1)

Publication Number Publication Date
CN110458292A true CN110458292A (zh) 2019-11-15

Family

ID=68482142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910599790.2A Pending CN110458292A (zh) 2019-07-04 2019-07-04 一种基于专家知识的服装推荐方法

Country Status (1)

Country Link
CN (1) CN110458292A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150239A (zh) * 2020-09-10 2020-12-29 浙江网安文化发展有限公司 一种穿搭图像信息推荐方法及装置
CN114357309A (zh) * 2022-03-08 2022-04-15 蜗牛货车网(山东)电子商务有限公司 一种用于二手车跨境贸易的客户智能推荐方法
WO2022142752A1 (en) * 2020-12-30 2022-07-07 Beijing Wodong Tianjun Information Technology Co., Ltd. System and method for product recommendation based on multimodal fashion knowledge graph

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI524286B (zh) * 2014-10-07 2016-03-01 Chunghwa Telecom Co Ltd Popular with the recommended system
CN108288208A (zh) * 2017-08-11 2018-07-17 腾讯科技(深圳)有限公司 基于图像内容的展示对象确定方法、装置、介质及设备
CN108428166A (zh) * 2018-02-13 2018-08-21 东华大学 基于卷积神经网络的体貌特征识别分类的服装推荐系统
CN109032719A (zh) * 2018-06-25 2018-12-18 维沃移动通信有限公司 一种对象推荐方法及终端
CN109360050A (zh) * 2018-09-27 2019-02-19 东华大学 基于感性需求的个人服装管理与个性化搭配推荐智能系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI524286B (zh) * 2014-10-07 2016-03-01 Chunghwa Telecom Co Ltd Popular with the recommended system
CN108288208A (zh) * 2017-08-11 2018-07-17 腾讯科技(深圳)有限公司 基于图像内容的展示对象确定方法、装置、介质及设备
CN108428166A (zh) * 2018-02-13 2018-08-21 东华大学 基于卷积神经网络的体貌特征识别分类的服装推荐系统
CN109032719A (zh) * 2018-06-25 2018-12-18 维沃移动通信有限公司 一种对象推荐方法及终端
CN109360050A (zh) * 2018-09-27 2019-02-19 东华大学 基于感性需求的个人服装管理与个性化搭配推荐智能系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张倩 等: "基于ASM和K近邻算法的人脸脸型分类", 《计算机工程》 *
潘璐: "基于层次分析法的服装推荐专家系统", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
邹显鹏: "Instagram社交网中好友和位置推荐算法的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150239A (zh) * 2020-09-10 2020-12-29 浙江网安文化发展有限公司 一种穿搭图像信息推荐方法及装置
WO2022142752A1 (en) * 2020-12-30 2022-07-07 Beijing Wodong Tianjun Information Technology Co., Ltd. System and method for product recommendation based on multimodal fashion knowledge graph
US11935106B2 (en) 2020-12-30 2024-03-19 Beijing Wodong Tianjun Information Technology Co., Ltd. System and method for product recommendation based on multimodal fashion knowledge graph
CN114357309A (zh) * 2022-03-08 2022-04-15 蜗牛货车网(山东)电子商务有限公司 一种用于二手车跨境贸易的客户智能推荐方法
CN114357309B (zh) * 2022-03-08 2022-06-24 蜗牛货车网(山东)电子商务有限公司 一种用于二手车跨境贸易的客户智能推荐方法

Similar Documents

Publication Publication Date Title
Zhou et al. Fashion recommendations through cross-media information retrieval
CN110458292A (zh) 一种基于专家知识的服装推荐方法
KR101992986B1 (ko) 이미지 검색을 이용한 의류 부자재 추천 학습 방법
CN102855268A (zh) 基于属性关系进行图像排序的方法和系统
EP3300002A1 (en) Method for determining the similarity of digital images
CN101477560A (zh) 基于方案数据库的服饰搭配系统及方法
CN107506786A (zh) 一种基于深度学习的属性分类识别方法
CN111507812B (zh) 一种基于属性和标题的商品搭配推荐方法及装置
Polanía et al. Learning fashion compatibility across apparel categories for outfit recommendation
CN116762089A (zh) 基于多模态时装知识图谱的产品推荐系统及方法
CN107256238A (zh) 一种多约束条件下的个性化信息推荐方法及信息推荐系统
Wazarkar et al. Social image mining for fashion analysis and forecasting
Yang et al. From recommendation to generation: A novel fashion clothing advising framework
CN111400525A (zh) 基于视觉组合关系学习的时尚服装智能搭配与推荐方法
CN111523040A (zh) 一种基于异构信息网络的社交推荐方法
CN108596646B (zh) 一种融合人脸属性分析的服装搭配推荐方法
CN112508114A (zh) 一种智能服装推荐系统及方法
Wang et al. Artificial intelligence in clothing fashion
CN109146606A (zh) 一种品牌推荐方法、电子设备、存储介质及系统
CN113158063A (zh) 一种基于图像理解的纺织面料个性化推荐方法
KR20210127464A (ko) 딥러닝을 통한 코디 및 스타일링 방법 및 시스템
US20220100792A1 (en) Method, device, and program for retrieving image data by using deep learning algorithm
Valle et al. Effective fashion retrieval based on semantic compositional networks
CN111159456A (zh) 基于深度学习与传统特征的多尺度服装检索方法及系统
Jeyasingh et al. Mining the shirt sizes for Indian men by clustered classification

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