CN112612973A - 结合知识图谱的个性化智能服装搭配推荐方法 - Google Patents

结合知识图谱的个性化智能服装搭配推荐方法 Download PDF

Info

Publication number
CN112612973A
CN112612973A CN202011637166.6A CN202011637166A CN112612973A CN 112612973 A CN112612973 A CN 112612973A CN 202011637166 A CN202011637166 A CN 202011637166A CN 112612973 A CN112612973 A CN 112612973A
Authority
CN
China
Prior art keywords
similarity
clothing
user
recommendation
item
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.)
Granted
Application number
CN202011637166.6A
Other languages
English (en)
Other versions
CN112612973B (zh
Inventor
唐宏
范森
朱龙娇
刘红梅
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.)
Dr Li Cultural Technology Beijing Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011637166.6A priority Critical patent/CN112612973B/zh
Publication of CN112612973A publication Critical patent/CN112612973A/zh
Application granted granted Critical
Publication of CN112612973B publication Critical patent/CN112612973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及推荐系统技术领域，具体涉及一种结合知识图谱的个性化智能服装搭配推荐方法，获取电商平台的服装商品信息以及用户服装交互信息并构建知识图谱；对知识图谱进行建模，将知识图谱中的每个实体和关系进行学习，得到实体向量和关系向量；将实体向量和关系向量与混合推荐系统进行结合，对单品服装进行评分预测，得到服装单品推荐结果；计算两两服装单品的匹配指数，将匹配指数高的两个服装单品进行自动搭配并进行评分预测，根据评分进行最后的TOP‑N套装推荐结果。本方法使得线上的服装套装推荐更加智能化。

Description

结合知识图谱的个性化智能服装搭配推荐方法
技术领域
本发明涉及推荐系统技术领域，具体涉及一种结合知识图谱的个性化智能服装搭配推荐方法。
背景技术
随着移动互联网的快速发展以及电子商务的广泛应用，各种电商平台纷纷崛起，如淘宝、京东、天猫、唯品会等。然而随着信息时代的发展，大部分网站都面临着信息过载和信息迷航问题，因此针对这两个问题，推荐系统应运而生。
其中，推荐系统也在各个互联网平台上面扮演者重要的角色，通过推荐系统，用户可以更高效快速地找到自己感兴趣或者存在潜在兴趣的商品或者信息。推荐系统根据用户的历史行为信息，更好的分析用户的历史偏好取向以及潜在兴趣等，可以处理互联网时代由于海量信息数据导致的信息过载问题，以此增强用户体验。但是传统的推荐系统仍然存在一系列问题，比如推荐准确率不高、推荐不具有解释性、数据稀疏问题和冷启动问题等。
针对传统推荐系统的问题，一些专家提出可以加入辅助信息来有效缓解数据稀疏和冷启动等问题，其中知识图谱就是一种典型的辅助信息。知识图谱是一种语义信息网，主要由物理世界的实体及其关系组成，且以三元组的形式呈现，如(头实体、关系、尾实体)或者(实体、属性、属性值)。该语义网蕴含了推荐系统中的物品的大量背景信息和物品之间的关系。并且它可以将用户的用户行为数据构成的用户-物品网络集成起来，从而扩展用户与商品之间的隐藏的关联关系，进一步捕捉用户的潜在兴趣以及用户的深层兴趣。
与此同时，对于电商平台的服装推荐领域，现如今电商网站的服装推荐，并且推荐准确率和推荐可解释性方面还有待提高，因此本发明使用知识图谱结合混合推荐系统，有效缓解推荐系统的数据稀疏和冷启动问题，也具备一定的推荐解释性。以及针对电商网站的服装单品推荐，用户还需耗费时间和精力进行套装搭配选择，因此本发明提出了个性化智能套装搭配推荐；与此同时，用户在网上购买的服装会存在“理想与现实”的极大差距，本发明提出的AR虚拟试装技术可以有效解决这些这个问题，给用户带来极佳的体验。
发明内容
为了解决上述问题，本发明提供一种结合知识图谱的个性化智能服装搭配推荐方法，将推荐出的套装进行AR虚拟换装技术。
一种结合知识图谱的个性化智能服装搭配推荐方法，包括以下步骤：
S1、获取电商平台的服装商品信息以及用户服装交互信息；
S2、根据电商平台的服装商品信息以及用户服装交互信息构建知识图谱，知识图谱的形式为三元组形式，由头实体，关系，尾实体构成，构建知识图谱时计算实体之间的相似度，即知识图谱相似度；
S3、使用知识图谱特征学习，对上述构建的知识图谱进行建模，将知识图谱中的每个实体和关系进行学习，得到实体向量和关系向量；
S4、将构建的知识图谱得到的实体向量和关系向量与混合推荐系统进行结合，对单品服装进行评分预测，最终按照评分顺序得到服装单品推荐结果；
S5、根据步骤S4所得的服装单品推荐结果，通过特征提取网络提取推荐结果中每个服装单品的特征，通过服装单品相似度函数对两两服装单品进行相似度计算，得出匹配指数，将匹配指数高的两个服装单品进行自动搭配；
S6、对自动搭配的两个服装单品进行评分预测，根据评分预测的结果，将评分较高的服装进行最后的TOP-N套装推荐结果；
S7、将套装推荐结果更新到混合推荐系统，用户使用AR换装技术对推荐套装进行虚拟换装。
进一步的，在一种优选实施方式中，知识图谱的构建过程包括：
S21、将提取的外部数据进行转化，全部变成可以处理的结构化数据；
S22、通过对齐、建边等方式得到知识库；
S23、将知识库进行关系挖掘、实体链接、知识推理、知识问答操作，得到最终的知识图谱；
其中，实体链接主要是将知识图谱相似度高的实体之间建立连接关系，知识图谱相似度的计算式如下：
Figure BDA0002878820060000031
其中，simsg(Ii,Ij)表示服装i与服装j之间的相似度，d(Ii,Ij)表示服装i与服装j之间的欧氏距离，Eki表示实体服装i在向量空间里面的坐标点，Ekj表示实体服装j在向量空间里面的坐标点。
进一步的，在一种优选实施方式中，所述混合推荐系统使用混合推荐的思想，主要包括基于内容的推荐算法和基于协同过滤推荐算法。
进一步的，在一种优选实施方式中，基于内容的推荐算法包括：首先构造商品画像，再通过相似度计算式来寻找最相似的服装商品，相似度计算公式如下：
Figure BDA0002878820060000032
其中，simCB(i,j)表示服装i与服装j的相似度，Ru,i表示用户u对服装i的评分，Ru,j表示用户u对服装j的评分，
Figure BDA0002878820060000033
表示用户u对所有服装的平均评分。
将相似度高的服装商品进行评分预测，评分预测的公式如下：
Figure BDA0002878820060000034
其中，p(u,i)表示最终预测出的用户u对于服装i的评分值，S(u,K)表示与用户u的兴趣最接近的K个用户，N(i)表示对物品i有过行为的用户集合，simCB(i,j)表示服装i与服装j的相似度，rvi表示用户v对物品i的感兴趣程度；
最后将评分高的topN服装商品进行推荐。
进一步的，在一种优选实施方式中，基于协同过滤的推荐算法包括：首先根据修正余弦相似度计算式计算物品之间的相似度，修正余弦相似度计算式如下：
Figure BDA0002878820060000041
其中，simCF(i,j)表示物品i和物品j的相似度，N(i)表示喜欢物品i的用户数，N(j)表示购买物品i的用户数，N(i)∩N(j)表示同时喜欢或购买物品i、j的用户数；
计算了物品之间的相似度之后，使用如下公式计算用户u对物品j的兴趣度：
Figure BDA0002878820060000042
其中，puj表示用户u对物品j的兴趣度，N(u)表示用户u喜欢的物品集合，S(j,k)表示和物品j最相近的K个物品的集合，simCF(j,i)是物品j和物品i的相似度，rui是用户u对物品i的兴趣度；
根据上述过程计算出用户u对不同物品的兴趣度，将用户u对不同物品的兴趣度进行排序，向用户u推荐前topN的物品。
进一步的，在一种优选实施方式中，将构建的知识图谱得到的实体向量和关系向量与混合推荐系统进行结合，包括：将基于内容的推荐算法的相似度、基于协同过滤的推荐算法的相似度和知识图谱相似度进行融合，得到融合后的相似度，相似度融合公式如下：
Figure BDA0002878820060000043
其中，sim(Ii,Ij)是服装Ii与服装Ij的相似度，Su,j表示用户对服装Ij的评分,N(u)表示用户u评分过的服装集合，S(i,k)表示前k个与Ii最相似的服装。用户对服装Ij的评分越高，同时服装Ii与Ij相似度越高，则Pui的值越大；
将融合后的相似度带入评分预测公式计算评分，将评分较高的服装进行TOP-N服装单品推荐，评分预测公式如下：
Figure BDA0002878820060000051
其中，sim(Ii,Ij)是融合后的相似度，Su,j表示用户对服装Ij的评分,N(u)表示用户u评分过的服装集合，S(i,k)表示前k个与Ii最相似的服装。用户对服装Ij的评分越高，同时服装Ii与Ij相似度越高，则Pui的值越大。
进一步的，在一种优选实施方式中，服装单品相似度函数如下：
Figure BDA0002878820060000052
其中，d(a,b)表示的是n维空间中上装单品(a1,a2,…an)与下装单品(b1,b2,…bn)之间的绝对距离，距离越小，服装单品之间的相似的越大，则越会进行搭配推荐。
本发明的有益效果：
1.本发明针对电商平台只有服装单品推荐的现象，提出了一种个性化套装搭配推荐方法，将知识图谱与混合推荐系统相结合，知识图谱可以解决传统推荐系统存在的冷启动和数据稀疏问题，同时给混合推荐系统带来用的可解释性，最终实现服装套装的推荐，使得线上的服装套装推荐更加智能化。
2.本发明基于电商平台的服装商品信息以及用户的历史服装交互信息进行推荐，更加符合用户的心理需求，能够针对性的根据不同用户的不同喜好进行智能推荐；此外，本发明结合了AR换装技术，通过AR换装技术将套装推荐结果直接换装，避免用户购买的服装会不合适等情况出现。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细的说明。
图1为本发明实施例的知识图谱部分框图；
图2为本发明实施例的混合推荐系统示意图；
图3为本发明实施例的系统框图。
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做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。
本发明的主要思想包括：首先获取用户和服装的信息；构建知识图谱；将知识图谱与推荐系统进行结合；给出最终的单品推荐结果；将得出的单品通过相似度公式计算得出匹配指数，给出最终的套装推荐。
一种结合知识图谱的个性化智能服装搭配推荐方法，图1为本实施例的知识图谱框图，在一种优选实施方式中，该方法包括但不限于如下步骤：
S1、获取电商平台的服装商品信息以及用户服装交互信息。
用户服装交互信息主要包括：用户对于服装的购买记录、用户对于服装的评分记录、用户对于服装的加购、收藏以及浏览记录，用户购买、加购、收藏或浏览服装的类型、风格、材质等。
在一种优选实施方式中，步骤S1获取相关数据后，在进行知识图谱构造之前，为了提高推荐的精准性，需要首先对该数据进行简单的处理，例如：删除服装交易评价为低的商家、删除用户点击购买等操作极少的服装、删除服装交易额较少的服装等。
S2、根据电商平台的服装商品信息以及用户服装交互信息构建知识图谱，知识图谱的形式为三元组形式，由头实体、关系、尾实体构成，或者由实体、类型、属性构成。
如图1所示为本实施例的服装领域知识图谱构建过程，主要包括：首先将提取的外部数据进行转化，全部变成可以处理的结构化数据，再通过对齐、建边等方式得到知识库；最后将知识库进行关系挖掘、实体链接、知识推理、知识问答操作，得到最终的知识图谱。
实体链接主要是将相似度高的实体之间建立连接关系，因此在进行实体链接之前，需要计算各个实体之间的相似度(即知识图谱相似度)，知识图谱中的实体相似度计算式如下：
Figure BDA0002878820060000071
其中，simsg(Ii,Ij)表示服装i与服装j之间的相似度，d(Ii,Ij)表示服装i与服装j之间的欧氏距离，Eki表示实体服装i在向量空间里面的坐标点，Ekj表示实体服装j在向量空间里面的坐标点。
S3、使用知识图谱进行特征学习，对上述构建的知识图谱进行建模，将知识图谱中的每个实体和关系进行学习，得到实体向量和关系向量，同时也保持知识图谱中原有的结构或语义信息。
在一种优选实施方式中，知识图谱进行特征学习的方法可以采用基于距离的翻译模型或基于语义的匹配模型中的任意一种，这两种特征学习方式均是将知识图谱中的每个实体和关系学习得到一个低维向量。
具体地，在一种可选的实施方式中，采用基于距离的翻译模型(TransD方法)进行知识图谱特征学习包括：通常，使用三元组(head,relation,tail)来表示知识，TransD方法使用两个向量来表示每个实体和关系，第一个向量表示实体或关系的意义，另一个向量(称为投影向量)用于构造映射矩阵，其中两个矩阵的映射矩阵定义如下：
Mrh＝rphp T+I
Mrt＝rptp T+I
h⊥＝Mrhh,t⊥＝Mrtt
Figure BDA0002878820060000072
其中，Mrh表示头实体向量关系映射矩阵，Mrt表示尾实体向量关系映射矩阵，p表示映射关系，dr(h,t)表示超平面上面的头实体向量、尾实体向量以及关系之间也满足欧氏距离为零的关系，I为单位矩阵，h和t为实体嵌入，r为关系嵌入，使得hr+r≈tr；把每个head向量(h)和tail向量(t)投影到超平面上，得到新的向量(h⊥和t⊥)；映射矩阵由实体和关系定义。
上述基于距离的翻译模型的TransD方法可以应用于大规模知识图谱。
具体地，在另一种可选的实施方式中，采用基于语义的匹配模型进行知识图谱特征学习包括：
基于语义的匹配模型使用基于相似度的评分函数评估三元组的概率，将实体和关系映射到隐语义空间中进行相似度度量。主要方法的代表有SME、NTN、MLP、NAM等。
S4、将构建的知识图谱得到的实体向量和关系向量与混合推荐系统进行结合，对单品服装进行评分预测，最终按照评分顺序得到服装单品推荐结果。
本实施例针对电商平台的个性化套装搭配推荐，并且考虑到传统的推荐算法存在的数据稀疏和冷启动问题，使用混合推荐的思想，所述混合推荐系统主要采取基于内容的推荐算法结合基于协同过滤推荐算法，框架如图2-3所示。基于内容的推荐算法结合基于协同过滤推荐算法具体描述如下：
其中，基于内容的推荐算法包括：首先构造商品画像，再根据商品画像来寻找最相似的服装商品。最相似的服装商品主要通过相似度计算式来计算，相似度计算公式如下：
Figure BDA0002878820060000081
其中，simCB(i,j)表示服装i与服装j的相似度，Ru,i表示用户u对服装i的评分，Ru,j表示用户u对服装j的评分，
Figure BDA0002878820060000082
表示用户u对所有服装的平均评分。计算商品相似度时利用修正的余弦相似度会将用户对物品的评分减去用户历史评分的均值，从而避免了用户给出评分时评分标准不一致的问题。
将相似度高的服装商品进行评分预测，评分预测的公式如下：
Figure BDA0002878820060000083
其中，p(u,i)表示最终预测出的用户u对于服装i的评分值，S(u,K)表示与用户u的兴趣最接近的K个用户，N(i)表示对物品i有过行为的用户集合，simCB(i,j)表示服装i与服装j的相似度，rvi表示用户v对物品i的感兴趣程度。
最后将评分高的topN服装商品进行推荐。
其中，基于协同过滤的推荐算法分为基于用户的协同过滤算法和基于物品的协同过滤算法，其中基于物品的协同过滤算法包括：首先根据修正余弦相似度计算式计算物品之间的相似度，修正余弦相似度计算式如下：
Figure BDA0002878820060000091
其中，simCF(i,j)表示物品i和物品j的相似度，N(i)表示喜欢物品i的用户数，N(j)表示购买物品i的用户数，N(i)∩N(j)表示同时喜欢或购买物品i、j的用户数。
计算了物品之间的相似度之后，使用如下公式计算用户u对物品j的兴趣度。
Figure BDA0002878820060000092
其中，puj表示用户u对物品j的兴趣度，N(u)表示用户u喜欢的物品集合，S(j,k)表示和物品j最相近的K个物品的集合，simCF(j,i)是物品j和物品i的相似度，rui是用户u对物品i的兴趣度。
根据上述过程计算出用户u对不同物品的兴趣度，将用户u对不同物品的兴趣度进行排序，向用户u推荐前topN的物品。
在本实施例中，将构建好的知识图谱与混合推荐系统进行结合，主要有三种结合方式：依次训练、联合训练、交替训练。
在一个优选实施方式中，知识图谱与混合推荐系统的结合方式采取交替训练的方式，交替训练方式适用于多任务学习，并且可以防止过拟合，具体包括：上述过程中得到了三个相似度，分别是基于内容的推荐算法的相似度simCB(i,j)、基于协同过滤的推荐算法的相似度simCF(i,j)和知识图谱相似度simsg(Ii,Ij)，同时将三个部分计算出来的相似度进行融合，相似度融合公式如下所示：
sim(Ii,Ij)＝αsimCB+βsimCF+γsimsg
其中,α、β、γ分别代表基于内容的推荐算法相似度融合因子，基于协同过滤推荐算法的融合因子、基于知识图谱的融合因子。且这三个融合因子应该满足：α+β+γ＝1。
通过相似度融合公式对服装单品进行相似度计算，得到融合后的相似度，最后再根据评分预测公式计算评分，将评分较高的服装进行TOP-N服装单品推荐列表。评分预测公式如下：
Figure BDA0002878820060000101
其中，sim(Ii,Ij)是融合后的相似度，Su,j表示用户对服装Ij的评分,N(u)表示用户u评分过的服装集合，S(i,k)表示前k个与Ii最相似的服装。用户对服装Ij的评分越高，同时服装Ii与Ij相似度越高，则Pui的值越大。
通过计算每一位用户的未点击服装的Pui形成TOP-K服装单品推荐列表。
S5、根据步骤S4所得的服装单品推荐结果，提取推荐结果中每个服装单品的特征，通过服装单品相似度函数对两两服装单品进行相似度计算，得出匹配指数，将匹配指数高的两个服装单品进行自动搭配。例如：可以对上装和下装进行相似度计算得出匹配指数，同时结合用户的个人偏好以及用户历史行为记录，进行上下装的自动搭配。
首先根据特征提取网络对服装单品推荐结果进行特征提取，得到每个服装单品推荐结果的特征。所述特征提取网络采用神经卷积网络或现有可以实现的其他特征提取网络。
服装单品相似度函数用于比较两件单品服装之间的相似性，主要是根据计算两件单品特征之间的距离来确定，常选用欧几里得距离公式计算，距离小则相似度大，距离大则相似度小。服装单品相似度函数如下：
Figure BDA0002878820060000111
其中，d(a,b)表示的是n维空间中上装单品(a1,a2,…an)与下装单品(b1,b2,…bn)之间的绝对距离，距离越小，服装单品之间的相似的越大，则越会进行搭配推荐。
两个服装单品之间的相似度越大，则说明这两个服装单品的匹配度越大，将服装单品之间的匹配度计算出来，进行搭配推荐，形成最终的推荐结果。本发明实施例采用相似度计算检索最相似的单品进行搭配推荐，既可以满足风格的统一搭配原则，又可以节省用户在线上页面的浏览时间，是一种基于用户调性的服装搭配精准推荐方法。
根据服装单品推荐结果进行套装搭配可以是上装和下装的搭配，也可以是两个上装单品之间的搭配或者两个下装之间的搭配，本实施例描述的上下装搭配仅仅是示例性的，并不表示对本发明的限制。
S6、对自动搭配的两个服装单品进行评分预测，根据评分预测的结果，将评分较高的服装进行最后的TOP-N套装推荐结果；
S7、将套装推荐结果更新到推荐系统，用户使用AR换装技术对推荐套装进行虚拟换装，给用户带来极佳的体验。
进一步的，在一种实施方式中，将套装推荐结果进行AR虚拟试装技术，主要是通过体感摄像头进行扫描，主要是包括前后左右等多个方位，进行更好地体型扫描判断。
当介绍本申请的各种实施例中，冠词“这个”和“所述”都意图表示有一个或多个元件。词语“包括”、“包含”和“具有”都是包括性的并意味着除了列出的步骤或特征之外，还可以有其它步骤或特征。
需要说明的是，本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-0nly Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
以上所述仅是本申请的具体实施方式，应当指出，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种结合知识图谱的个性化智能服装搭配推荐方法，其特征在于，包括以下步骤：
S1、获取电商平台的服装商品信息以及用户服装交互信息；
S2、根据电商平台的服装商品信息以及用户服装交互信息构建知识图谱，知识图谱的形式为三元组形式，由头实体，关系，尾实体构成，构建知识图谱时计算实体之间的相似度，即知识图谱相似度；
S3、使用知识图谱特征学习，对上述构建的知识图谱进行建模，将知识图谱中的每个实体和关系进行学习，得到实体向量和关系向量；
S4、将构建的知识图谱得到的实体向量和关系向量与混合推荐系统进行结合，对单品服装进行评分预测，最终按照评分顺序得到服装单品推荐结果；
S5、根据步骤S4所得的服装单品推荐结果，通过特征提取网络提取推荐结果中每个服装单品的特征，通过服装单品相似度函数对两两服装单品进行相似度计算，得出匹配指数，将匹配指数高的两个服装单品进行自动搭配；
S6、对自动搭配的两个服装单品进行评分预测，根据评分预测的结果，将评分较高的服装进行最后的TOP-N套装推荐结果；
S7、将套装推荐结果更新到混合推荐系统，用户使用AR换装技术对推荐套装进行虚拟换装。
2.根据权利要求1所述的一种结合知识图谱的个性化智能服装搭配推荐方法，其特征在于，知识图谱的构建过程包括：
S21、将提取的外部数据进行转化，全部变成可以处理的结构化数据；
S22、通过对齐、建边等方式得到知识库；
S23、将知识库进行关系挖掘、实体链接、知识推理、知识问答操作，得到最终的知识图谱；
其中，实体链接主要是将知识图谱相似度高的实体之间建立连接关系，知识图谱相似度的计算式如下：
Figure FDA0002878820050000021
其中，simsg(Ii,Ij)表示服装i与服装j之间的相似度，d(Ii,Ij)表示服装i与服装j之间的欧氏距离，Eki表示实体服装i在向量空间里面的坐标点，Ekj表示实体服装j在向量空间里面的坐标点。
3.根据权利要求1所述的一种结合知识图谱的个性化智能服装搭配推荐方法，其特征在于，所述混合推荐系统使用混合推荐的思想，主要包括基于内容的推荐算法和基于协同过滤推荐算法。
4.根据权利要求3所述的一种结合知识图谱的个性化智能服装搭配推荐方法，其特征在于，基于内容的推荐算法包括：首先构造商品画像，再通过相似度计算式来寻找最相似的服装商品，相似度计算公式如下：
Figure FDA0002878820050000022
其中，simCB(i,j)表示服装i与服装j的相似度，Ru,i表示用户u对服装i的评分，Ru,j表示用户u对服装j的评分，
Figure FDA0002878820050000023
表示用户u对所有服装的平均评分。
将相似度高的服装商品进行评分预测，评分预测的公式如下：
Figure FDA0002878820050000024
其中，p(u,i)表示最终预测出的用户u对于服装i的评分值，S(u,K)表示与用户u的兴趣最接近的K个用户，N(i)表示对物品i有过行为的用户集合，simCB(i,j)表示服装i与服装j的相似度，rvi表示用户v对物品i的感兴趣程度；
最后将评分高的topN服装商品进行推荐。
5.根据权利要求3所述的一种结合知识图谱的个性化智能服装搭配推荐方法，其特征在于，基于协同过滤的推荐算法包括：首先根据修正余弦相似度计算式计算物品之间的相似度，修正余弦相似度计算式如下：
Figure FDA0002878820050000031
其中，simCF(i,j)表示物品i和物品j的相似度，N(i)表示喜欢物品i的用户数，N(j)表示购买物品i的用户数，N(i)∩N(j)表示同时喜欢或购买物品i、j的用户数；
计算了物品之间的相似度之后，使用如下公式计算用户u对物品j的兴趣度：
Figure FDA0002878820050000032
其中，puj表示用户u对物品j的兴趣度，N(u)表示用户u喜欢的物品集合，S(j,k)表示和物品j最相近的K个物品的集合，simCF(j,i)是物品j和物品i的相似度，rui是用户u对物品i的兴趣度；
根据上述过程计算出用户u对不同物品的兴趣度，将用户u对不同物品的兴趣度进行排序，向用户u推荐前topN的物品。
6.根据权利要求1所述的一种结合知识图谱的个性化智能服装搭配推荐方法，其特征在于，将构建的知识图谱得到的实体向量和关系向量与混合推荐系统进行结合，包括：将基于内容的推荐算法的相似度、基于协同过滤的推荐算法的相似度和知识图谱相似度进行融合，得到融合后的相似度，相似度融合公式如下：
sim(Ii,Ij)＝αsimCB+βsimCF+γsimsg
其中,α、β、γ分别代表基于内容的推荐算法相似度融合因子，基于协同过滤推荐算法的融合因子、基于知识图谱的融合因子；且这三个融合因子应该满足：α+β+γ＝1；
将融合后的相似度带入评分预测公式计算评分，将评分较高的服装进行TOP-N服装单品推荐，评分预测公式如下：
Figure FDA0002878820050000033
其中，sim(Ii,Ij)是融合后的相似度，Su,j表示用户对服装Ij的评分,N(u)表示用户u评分过的服装集合，S(i,k)表示前k个与Ii最相似的服装。用户对服装Ij的评分越高，同时服装Ii与Ij相似度越高，则Pui的值越大。
7.根据权利要求1所述的一种结合知识图谱的个性化智能服装搭配推荐方法，其特征在于，步骤S5中，服装单品相似度函数如下：
Figure FDA0002878820050000041
其中，d(a,b)表示的是n维空间中上装单品(a1,a2,…an)与下装单品(b1,b2,…bn)之间的绝对距离，距离越小，服装单品之间的相似的越大，则越会进行搭配推荐。
CN202011637166.6A 2020-12-31 2020-12-31 结合知识图谱的个性化智能服装搭配推荐方法 Active CN112612973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011637166.6A CN112612973B (zh) 2020-12-31 2020-12-31 结合知识图谱的个性化智能服装搭配推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011637166.6A CN112612973B (zh) 2020-12-31 2020-12-31 结合知识图谱的个性化智能服装搭配推荐方法

Publications (2)

Publication Number Publication Date
CN112612973A true CN112612973A (zh) 2021-04-06
CN112612973B CN112612973B (zh) 2022-03-22

Family

ID=75253231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011637166.6A Active CN112612973B (zh) 2020-12-31 2020-12-31 结合知识图谱的个性化智能服装搭配推荐方法

Country Status (1)

Country Link
CN (1) CN112612973B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220905A (zh) * 2021-05-27 2021-08-06 哈尔滨理工大学 一种融合知识图谱的服务推荐方法
CN113254789A (zh) * 2021-06-30 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种推送气象服务内容的方法及装置
CN113312854A (zh) * 2021-07-19 2021-08-27 成都数之联科技有限公司 选型推荐方法、装置、电子设备和可读存储介质
CN114491086A (zh) * 2022-04-15 2022-05-13 成都晓多科技有限公司 服饰个性化搭配推荐方法、系统、电子设备及存储介质
CN115423569A (zh) * 2022-09-23 2022-12-02 黎祯 一种基于大数据的推荐方法及ai推荐系统
CN116703530A (zh) * 2023-08-02 2023-09-05 中国标准化研究院 一种基于知识图谱的服装推荐系统
CN116739641A (zh) * 2023-06-26 2023-09-12 广东粤贸全球科技有限公司 一种跨境电商知识图谱分析方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130318180A1 (en) * 2012-05-25 2013-11-28 Mohammad Shafkat Amin Leveraging a social graph to deliver relevant recommendations
US20180060946A1 (en) * 2016-08-23 2018-03-01 Derek A Devries Method and system of augmented-reality simulations
CN108733798A (zh) * 2018-05-17 2018-11-02 电子科技大学 一种基于知识图谱的个性化推荐方法
CN109447713A (zh) * 2018-10-31 2019-03-08 国家电网公司 一种基于知识图谱的推荐方法及装置
CN109508419A (zh) * 2018-11-23 2019-03-22 成都品果科技有限公司 一种基于知识学习的推荐方法和系统
US20190205481A1 (en) * 2018-01-04 2019-07-04 Facebook, Inc. Generating Catalog-Item Recommendations Based On Social Graph Data
CN110245204A (zh) * 2019-06-12 2019-09-17 桂林电子科技大学 一种基于定位及知识图谱的智能推荐方法
CN110457508A (zh) * 2019-07-18 2019-11-15 西安工程大学 基于矩阵分解和知识图谱的服装搭配推荐方法
CN111369318A (zh) * 2020-02-28 2020-07-03 安徽农业大学 一种基于商品知识图谱特征学习的推荐方法及系统
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN111523029A (zh) * 2020-04-20 2020-08-11 浙江大学 一种基于知识图谱表示学习的个性化推荐方法
CN111538846A (zh) * 2020-04-16 2020-08-14 武汉大学 基于混合协同过滤的第三方库推荐方法
CN111797321A (zh) * 2020-07-07 2020-10-20 山东大学 一种面向不同场景的个性化知识推荐方法及系统
CN112102029A (zh) * 2020-08-20 2020-12-18 浙江大学 一种基于知识图谱的长尾推荐计算方法
CN112149004A (zh) * 2020-10-30 2020-12-29 中国科学院计算技术研究所 一种基于协同知识图谱的个性化推荐方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130318180A1 (en) * 2012-05-25 2013-11-28 Mohammad Shafkat Amin Leveraging a social graph to deliver relevant recommendations
US20180060946A1 (en) * 2016-08-23 2018-03-01 Derek A Devries Method and system of augmented-reality simulations
US20190205481A1 (en) * 2018-01-04 2019-07-04 Facebook, Inc. Generating Catalog-Item Recommendations Based On Social Graph Data
CN108733798A (zh) * 2018-05-17 2018-11-02 电子科技大学 一种基于知识图谱的个性化推荐方法
CN109447713A (zh) * 2018-10-31 2019-03-08 国家电网公司 一种基于知识图谱的推荐方法及装置
CN109508419A (zh) * 2018-11-23 2019-03-22 成都品果科技有限公司 一种基于知识学习的推荐方法和系统
CN110245204A (zh) * 2019-06-12 2019-09-17 桂林电子科技大学 一种基于定位及知识图谱的智能推荐方法
CN110457508A (zh) * 2019-07-18 2019-11-15 西安工程大学 基于矩阵分解和知识图谱的服装搭配推荐方法
CN111369318A (zh) * 2020-02-28 2020-07-03 安徽农业大学 一种基于商品知识图谱特征学习的推荐方法及系统
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN111538846A (zh) * 2020-04-16 2020-08-14 武汉大学 基于混合协同过滤的第三方库推荐方法
CN111523029A (zh) * 2020-04-20 2020-08-11 浙江大学 一种基于知识图谱表示学习的个性化推荐方法
CN111797321A (zh) * 2020-07-07 2020-10-20 山东大学 一种面向不同场景的个性化知识推荐方法及系统
CN112102029A (zh) * 2020-08-20 2020-12-18 浙江大学 一种基于知识图谱的长尾推荐计算方法
CN112149004A (zh) * 2020-10-30 2020-12-29 中国科学院计算技术研究所 一种基于协同知识图谱的个性化推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
袁泉等: "基于知识图谱和协同过滤的电影推荐算法研究", 《计算机工程与科学》 *
陈鑫等: "商品搭配大数据推荐方法研究综述", 《计算机工程与科学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220905A (zh) * 2021-05-27 2021-08-06 哈尔滨理工大学 一种融合知识图谱的服务推荐方法
CN113254789A (zh) * 2021-06-30 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种推送气象服务内容的方法及装置
CN113312854A (zh) * 2021-07-19 2021-08-27 成都数之联科技有限公司 选型推荐方法、装置、电子设备和可读存储介质
CN114491086A (zh) * 2022-04-15 2022-05-13 成都晓多科技有限公司 服饰个性化搭配推荐方法、系统、电子设备及存储介质
CN115423569A (zh) * 2022-09-23 2022-12-02 黎祯 一种基于大数据的推荐方法及ai推荐系统
CN115423569B (zh) * 2022-09-23 2023-09-01 厦门淦启莱科技有限公司 一种基于大数据的推荐方法及基于大数据的推荐系统
CN116739641A (zh) * 2023-06-26 2023-09-12 广东粤贸全球科技有限公司 一种跨境电商知识图谱分析方法及系统
CN116739641B (zh) * 2023-06-26 2023-12-12 广东粤贸全球科技有限公司 一种跨境电商知识图谱分析方法及系统
CN116703530A (zh) * 2023-08-02 2023-09-05 中国标准化研究院 一种基于知识图谱的服装推荐系统
CN116703530B (zh) * 2023-08-02 2023-10-31 中国标准化研究院 一种基于知识图谱的服装推荐系统

Also Published As

Publication number Publication date
CN112612973B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN112612973B (zh) 结合知识图谱的个性化智能服装搭配推荐方法
CN111369318B (zh) 一种基于商品知识图谱特征学习的推荐方法及系统
CN107861972B (zh) 一种用户录入商品信息后显示商品全结果的方法及设备
CN103914492B (zh) 查询词融合方法、商品信息发布方法和搜索方法及系统
CN107833117B (zh) 一种考虑标签信息的贝叶斯个性化排序推荐方法
CN109146626B (zh) 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN110110181A (zh) 一种基于用户风格和场景偏好的服装搭配推荐方法
CN105426528A (zh) 一种商品数据的检索排序方法及系统
CN108829847B (zh) 基于翻译的多模态建模方法及其在商品检索中的应用
CN103544216A (zh) 一种结合图像内容和关键字的信息推荐方法及系统
CN109584006B (zh) 一种基于深度匹配模型的跨平台商品匹配方法
CN112100512A (zh) 一种基于用户聚类和项目关联分析的协同过滤推荐方法
CN111667337A (zh) 一种商品评价的排序方法和系统
CN113722583A (zh) 推荐方法、推荐模型训练方法及相关产品
Jing et al. Low-rank regularized multi-representation learning for fashion compatibility prediction
Gong et al. Aesthetics, personalization and recommendation: A survey on deep learning in fashion
KR20210131198A (ko) 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램
Liu et al. FRSFN: A semantic fusion network for practical fashion retrieval
Vartak et al. CHIC: a combination-based recommendation system
Jianjun Research on collaborative filtering recommendation algorithm based on user behavior characteristics
CN113034237A (zh) 服饰套装推荐系统与方法
CN112508114A (zh) 一种智能服装推荐系统及方法
Banerjee et al. Boxrec: recommending a box of preferred outfits in online shopping
CN110020918B (zh) 一种推荐信息生成方法和系统
CN111161022A (zh) 一种商品推荐方法及装置

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240411

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region after: China

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240415

Address after: Building 2, No. 3 Zhuyuan Second Street, Shunyi District, Beijing, 100000, 1st to 5th floors, Unit 101, 5th floor (Tianzhu Comprehensive Bonded Zone)

Patentee after: Dr. Li Cultural Technology (Beijing) Co.,Ltd.

Country or region after: China

Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee before: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region before: China