CN113592609A - 一种利用时间因素的个性化服饰搭配推荐方法与系统 - Google Patents
一种利用时间因素的个性化服饰搭配推荐方法与系统 Download PDFInfo
- Publication number
- CN113592609A CN113592609A CN202110940385.XA CN202110940385A CN113592609A CN 113592609 A CN113592609 A CN 113592609A CN 202110940385 A CN202110940385 A CN 202110940385A CN 113592609 A CN113592609 A CN 113592609A
- Authority
- CN
- China
- Prior art keywords
- user
- clothing
- data
- matching
- suit
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 238000005034 decoration Methods 0.000 claims abstract description 3
- 230000003993 interaction Effects 0.000 claims description 65
- 230000002776 aggregation Effects 0.000 claims description 31
- 238000004220 aggregation Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用时间因素的个性化服饰搭配推荐方法与系统。包括：收集数据集，构建异构图，学习服饰和用户的特征表示和服饰搭配的一般规则，学习用户对套装的偏好规则，计算个性化搭配评分，对异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型，最后用户根据该模型获取个性化服饰搭配推荐。本发明构建异构图神经网络，考虑用户的不同交互行为所包含的对服饰的不同的偏好程度，通过融入用户交互行为时间与服饰节点时间，学习时间因素对用户偏好的影响规律，最后通过用户历史记录与服饰信息、用户对单品的偏好学习用户对套装的偏好，建模服饰与用户的特征表示及内在联系，实现个性化服饰搭配推荐方法。
Description
技术领域
本发明涉及计机器学习，服饰推荐领域，具体涉及一种利用时间因素的个性化服饰搭配推荐方法、系统、设备及存储介质。
背景技术
电子商务的快速发展为人们带来了更多的服饰选择。相比于物质匮乏的年代，人们对服饰关心的问题，不仅包括了服饰的产品质量方面，也对服饰搭配的美观提出了更高的要求，但并不是每个人都擅长服饰搭配。为了给用户提供穿搭建议，满足用户对服饰搭配的需要，针对服装搭配问题的推荐系统得到了学术界与工业界的关注。
目前的服饰搭配推荐方法主要分为两大类:单纯基于美学的关注服饰本身特征与联系的通用性服饰搭配推荐方法和考虑用户个人偏好的个性化服饰搭配推荐方法。通用性服装搭配推荐方法忽略用户的个人偏好因素，学习一般的服装搭配规则，常利用服饰的颜色、纹理、形状、类型等信息，通过将套装内单品以单品对，序列化，图结构等形式组合，学习服饰的特征表示与单品间的内在联系。但推荐系统面对的是广大的用户群体，每个用户都存在个人偏好，为用户提供一般规则得出的服饰搭配，显然不能针对用户的个人特质。为建模用户偏好对服饰搭配的影响，诞生了一些利用用户历史交互数据，综合考虑用户偏好与服饰搭配的个性化服饰搭配推荐方法。
以上方法通过建模服饰集合的搭配分数，通过分数排序给出推荐建议，实现了对服饰的搭配推荐。但这些方法都忽略了时间因素对个性化服饰搭配的影响。在服饰层面，服饰存在着流行风格变迁与过时过季的问题，对一套套装，用户通常更愿意其中的单品具有相近的生产年份。而在用户层面，用户的兴趣爱好存在着随时间产生改变的情况。用户对早期交互的商品保留的兴趣通常较近期小。同时，用户与商品的交互方式多样，包括点击，收藏，购买等行为，现有的个性化服饰搭配推荐方法，对用户与服饰的不同交互方式，给予了相同的考虑，但不同交互行为包含了用户对某一服饰不同的偏好程度。基于以上考虑，本发明提出一种利用时间因素的个性化服饰搭配推荐方法。
目前的现有技术之一是一种基于用户风格和场景偏好的服装搭配推荐方法，该方案步骤为：考虑用户的风格偏好及应用场景对服装搭配推荐的影响。在建模用户风格偏好对服装搭配推荐的影响上，首先定义用户对服装的偏好预测器，计算用户对单件服装的偏好分数。在计算服装搭配分数时，使用该预测器计算数据库中所有服装产品的偏好分数，并事先定义好每件服装的风格标签，通过偏好分数以获得最高分数的服装风格作为该用户的偏好风格。筛选出数据库中的此类风格服装，作为备选集。再将服装按上衣-下衣-鞋子形成固定序列，使用LSTM网络预测该序列的兼容性分数。其缺点为：(1)该方法在建模用户偏好对服装的影响时，将用户偏好具体化为某一种服装风格，而服装风格是一种抽象的概念，具体化文字表述的服装风格必然是有限个的，难以涵盖所有类型。并且将用户偏好建模与服装搭配分数预测作为两个独立过程，用户偏好作为服装搭配数据的过滤器使用，难以学习用户偏好与服装搭配之间更复杂的制约关系。(2)该方法针对一段时间的用户历史数据建模用户偏好，将不同时间的用户交互记录给予相同的考虑，未考虑用户偏好随着时间发生变化的特点。(3)该方法在建立服装搭配评分模型时，使用LSTM网络建模，仅对上衣-下衣-鞋子三类服饰单品建模，固定了套装单品组成与顺序，不能处理其他类型服饰的搭配评分，且未考虑套装组合中单品流行度的问题。
发明内容
本发明的目的是克服现有方法的不足，提出了一种利用时间因素的个性化服饰搭配推荐方法。本发明解决的主要问题：一是现有的个性化服饰搭配推荐方法忽视了时间因素对推荐结果的影响，忽视了用户的动态兴趣与服饰的流行度变化；二是在用户偏好的建模上，将用户的不同行为给予同等考虑；三是现在方法不能处理其他类型服饰的搭配评分，且未考虑套装组合中单品流行度的问题。
为了解决上述问题，本发明提出了一种利用时间因素的个性化服饰搭配推荐方法，所述方法包括：
收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据；
通过服饰与用户两种类型的节点及其不同的边联系，组成异构图网络，将所述数据集中的服饰数据与用户数据进行编码，作为异构图网络的节点初始输入，构建元路径，编码交互时间特征，融合时间特征，通过异构图神经网络的节点聚合，学习节点间的潜在联系，得到最终的异构图网络输出结果；
学习服饰搭配的一般规则，计算套装搭配分数；
学习用户对套装的偏好规则，计算某用户对某套装评价分数；
由所述套装搭配分数与所述套装评价分数，计算个性化搭配评分，综合用户对套装的喜爱与套装的通用搭配规律，由所述套装数据和所述服饰数据组成正负训练样本，定义损失函数对所述异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型；
用户利用所述评分模型最终获取个性化服饰搭配推荐。
优选地，所述收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据，具体为：
从电商网站收集服饰数据A，每项数据包含服饰编号、服饰图片，并处理成统一尺寸；
收集用户与服饰单品的历史交互数据B，每项数据包含用户编号，服饰编号，交互方式(点击、收藏、购买等)、交互时间的记录；
收集套装数据C，每项数据包含套装内每个单品的编号，选择该套装的用户编号，套装数据C的所有数据交互时间都在用户与服饰单品的历史交互数据B的交互时间后，并将套装数据C分为训练集与测试集。
优选地，所述通过服饰与用户两种类型的节点及其不同的边联系，组成异构图网络，将所述数据集中的服饰数据与用户数据进行编码，作为异构图网络的节点初始输入，构建元路径，编码交互时间特征，融合时间特征，通过异构图神经网络的节点聚合，学习节点间的潜在联系，得到最终的异构图网络输出结果，具体为：
编码服饰特征，使用预训练的Resnet18网络，提取服饰视觉特征作为服饰编码，作为异构图中的服饰节点的初始表示，编码用户向量，建立用户向量嵌入索引矩阵，使用正态分布初始化，依据索引获得用户编码，作为异构图中的用户节点的初始表示；
在节点类型为用户和服饰两种类型的异构图中，构建多条元路径，通过节点类型与联系描述元路径如：服饰-兼容-服饰，用户-点击-服饰，用户-收藏-服饰，用户-购买-服饰，依据构成的元路径，建立数据节点间的联系，构建异构图，考虑不同元路径对节点更新的影响，通过所述用户与单品的历史交互数据，学习用户对套装的偏好，并学习服饰间的潜在搭配可能，对服饰-兼容-服饰这一条元路径的连边，以一定的概率随机进行抹除；
对构建的异构图进行节点信息的聚合，参考异构图注意力网络HAN的方法，将节点更新分为进行节点级别与元路径级别聚合两步，进行节点级别特征聚合，对每条元路径Φ使用多头注意力学习邻居节点s对目标节点t的权重
融入节点的联系时间特征，进行时间特征编码，使用正弦/余弦编码方法，对节点的联系时间进行编码，定义节点s和t的联系时间
寻找时间的周期性规律，对服饰与服饰的联系，联系时间定义为两件服饰生产年份之差，并根据服饰流行一般规律定义服饰流行周期T，而对用户与服饰的交互，联系时间定义为推荐系统保存用户历史记录时间T内，该交互产生的时间与该用户进行同类型交互的最早交互时间的天数差，天数差越大，代表该交互越新，将联系时间
编码成d维向量
后，进行线性变换
得到联系时间编码
编码方式如公式：
其中，
和
分别表示偶数与奇数维度的编码方式，分别采用正弦、余弦编码；
将节点的联系时间融入节点更新计算中，则目标节点t在元路径Φ上的第L层更新结果
为：
其中，K代表多头注意力个数，
为目标节点t在Φ路径上的邻居节点集合，
为邻居节点s在图神经网络第L-1层上的特征表示，σ为sigmoid激活函数；
在元路径级别的聚合上，使用HAN的元路径聚合方式，通过软注意力机制计算不同元路径的权重，以此聚合不同元路径上的节点级别聚合结果，目标节点t在第L层的最终更新结果为
异构图神经网络共经过
层迭代后，首先得到节点t在第
层的初步特征聚合结果
在最后一层输出的节点特征表示上，融入第一层学习到的信息，得到节点t的最终图网络输出结果：
优选地，所述学习服饰搭配的一般规则，计算套装搭配分数，具体为：
对含有N件单品的套装O,含有
种两两搭配关系，对套装O中的单品如服饰i、j两两计算搭配分数，通过服饰对平均搭配分数代表套装搭配分数：
优选地，所述学习用户对套装的偏好规则，计算某用户对某套装评价分数，具体为：
对套装O中N件单品的嵌入特征表示求和作为该套装的特征向量，则用户u对套装O的喜好分数定义为：
优选地，所述由所述套装搭配分数与所述套装评价分数，计算个性化搭配评分，综合用户对套装的喜爱与套装的通用搭配规律，由所述套装数据和所述服饰数据组成正负训练样本，定义损失函数对所述异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型，具体为：
个性化搭配评分计算方式为：
β取值范围为[0,1]，代表搭配指数与个人偏好的占比；
组成训练正负样本数据，由所述套装数据，作为正样本ε+，对所述每一项套装数据，剔除其中的一到二件单品，并从所述服饰数据中随机抽取服饰组成套装负样本ε-；
损失函数定义，使用贝叶斯个性化排序BPR作为损失函数：
其中，σ是sigmoid激活函数，
为正样本个性化搭配评分，
为负样本个性化搭配评分；
训练结束，得到综合服饰搭配匹配度与用户个人偏好的评分模型。
相应地，本发明还提供了一种利用时间因素的个性化服饰搭配推荐系统，包括：
数据收集单元，收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据；
构建异构图单元，组成异构图网络，构建元路径，编码交互时间特征并融合，通过节点聚合，得到最终的异构图网络输出结果；
模型训练与应用单元，异构图网络计算套装搭配分数，计算某用户对某套装评价分数，计算个性化搭配评分，定义损失函数进行训练，得到评分模型，用户利用评分模型最终获取个性化服饰搭配推荐。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述一种利用时间因素的个性化服饰搭配推荐方法的步骤。
相应地，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种利用时间因素的个性化服饰搭配推荐方法的步骤。
实施本发明，具有如下有益效果：
第一，本发明通过对服饰时间与用户历史交互时间的考虑，学习用户的兴趣变化与服饰流行度对个性化搭配的制约；第二，本发明通过学习用户对单品服饰的偏好，学习用户对套装的偏好。通过异构图网络同时学习服饰搭配规则与用户偏好规律，考虑用户历史的不同类型交互所包含的喜好程度差异，能够更好地学习用户与服装特征的表示与联系。更好地实现针对用户个人提出个性化服饰搭配推荐方案。
附图说明
图1是本发明实施例的一种利用时间因素的个性化服饰搭配推荐方法总体流程图；
图2是本发明实施例的一种利用时间因素的个性化服饰搭配推荐系统的结构图。
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发明进行清楚、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利用时间因素的个性化服饰搭配推荐方法总体流程图，如图1所示，该方法包括：
S1，收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据；
S2，通过服饰与用户两种类型的节点及其不同的边联系，组成异构图网络，将所述数据集中的服饰数据与用户数据进行编码，作为异构图网络的节点初始输入，构建元路径，编码交互时间特征，融合时间特征，通过异构图神经网络的节点聚合，学习节点间的潜在联系，得到最终的异构图网络输出结果；
S3，学习服饰搭配的一般规则，计算套装搭配分数；
S4，学习用户对套装的偏好规则，计算某用户对某套装评价分数；
S5，由所述套装搭配分数与所述套装评价分数，计算个性化搭配评分，综合用户对套装的喜爱与套装的通用搭配规律，由所述套装数据和所述服饰数据组成正负训练样本，定义损失函数对所述异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型；
S6，用户利用所述评分模型最终获取个性化服饰搭配推荐。
步骤S1，具体如下：
S1-1：收集数据集。从电商网站收集服饰数据A,每项数据包含服饰编号，服饰图片，并将图片处理成统一尺寸。用户与服饰单品的历史交互数据B，每项数据包含用户编号，服饰编号，交互方式(点击、收藏、购买等)、交互时间的记录。套装数据C，每项数据包含套装内每个单品的编号，选择该套装的用户编号。通常情况下，用户对服饰单品的偏好能够反映出用户对套装的兴趣，为了建模该特点，保证套装数据集C的所有数据交互时间都在用户与服饰单品的历史交互数据B的交互时间后，并将套装数据C分为训练集与测试集。
步骤S2，具体如下：
S2-1：构建异构图，学习服饰和用户的特征表示。对S1收集到的服饰与用户数据进行编码，作为图网络的节点初始输入。利用节点间的不同联系方式构建元路径，关注不同联系对节点表示的影响。编码交互时间特征，利用时间学习用户兴趣偏移与对服装组合流行度的考虑。通过服饰，用户两种类型的节点及其不同的边联系，组成异构图，融合时间特征，通过图神经网络的节点聚合，学习节点间的潜在联系。
S2-2：节点输入特征编码。编码服饰特征，使用预训练的Resnet18网络，提取服饰视觉特征作为服饰编码，作为异构图中的服饰节点的初始表示。编码用户向量，建立用户向量嵌入索引矩阵，使用正态分布初始化，依据索引获得用户编码，作为异构图中的用户节点的初始表示。
S2-3：构建异构图。为在图结构中，同时学习服饰的搭配规则与用户偏好，并考虑用户不同交互方式的影响，在节点类型为用户和服饰两种类型的异构图中，构建多条元路径，通过节点类型与联系描述元路径如：服饰-兼容-服饰，用户-点击-服饰，用户-收藏-服饰，用户-购买-服饰。依据构成的元路径，建立数据节点间的联系，构建异构图，考虑不同元路径对节点更新的影响。通过用户对单品的历史交互记录，学习用户对套装的偏好，并为了学习服饰间的潜在搭配可能，对服饰-兼容-服饰这一条元路径的连边，以一定的概率随机进行抹除。
S2-4：对S2-3构建的异构图进行节点信息的聚合。因不同的邻居节点对目标节点具有不同程度的影响，且节点间不同的联系方式在聚合过程中也存在影响差异。参考异构图注意力网络HAN的方法，将节点更新分为进行节点级别与元路径级别聚合两步。进行节点级别的特征聚合。对每条元路径Φ使用多头注意力学习邻居节点s对目标节点t的权重
为融入节点的联系时间特征，进行时间特征编码。使用正弦/余弦编码方法，对节点的联系时间进行编码。定义节点s和t的联系时间
寻找时间的周期性规律。对服饰与服饰的联系，联系时间定义为两件服饰生产年份之差，并根据服饰流行一般规律定义服饰流行周期T。而对用户与服饰的交互，联系时间定义为推荐系统保存用户历史记录时间T内，该交互产生的时间与该用户进行同类型交互的最早交互时间的天数差，天数差越大，代表该交互越新。将联系时间
编码成d维向量
后，进行线性变换
得到联系时间编码
编码方式如公式：
其中，
和
分别表示偶数与奇数维度的编码方式，分别采用正弦、余弦编码。将节点的联系时间融入节点更新计算中，则目标节点t在元路径Φ上的第L层更新结果
为：
其中，K代表多头注意力个数，
为目标节点t在Φ路径上的邻居节点集合，
为邻居节点s在图神经网络第L-1层上的特征表示，σ为sigmoid激活函数。
S2-5：在元路径级别的聚合上，使用HAN的元路径聚合方式，通过软注意力机制计算不同元路径的权重，以此聚合不同元路径上的节点级别聚合结果。目标节点t在第L层的最终更新结果为
S2-6：异构图神经网络共经过
层迭代后，首先得到节点t在第
层的初步特征聚合结果
为避免随着网络层次加深带来的信息衰减，在最后一层输出的节点特征表示上，融入第一层学习到的信息，得到节点t的最终图网络输出结果：
步骤S3，具体如下：
S3-1：学习服饰搭配的一般规则，即不考虑用户个人偏好，计算套装搭配分数co。对含有N件单品的套装O,含有
种两两搭配关系，对套装O中的单品如服饰i、j两两计算搭配分数，通过服饰对平均搭配分数代表套装搭配分数：
步骤S4，具体如下：
S4-1：学习用户对套装的偏好规则，即计算某用户对某套装的评价分数。对套装O中N件单品的嵌入特征表示求和作为该套装的特征向量。则用户u对套装O的喜好分数定义为：
步骤S5，具体如下：
S5-1：个性化搭配评分计算方式为：
β取值范围为[0,1]，代表搭配指数与个人偏好的占比。
S5-2：组成训练正负样本数据，由S1-1得到的套装数据集C，作为正样本ε+，为获得负样本，对套装数据集中的每一项套装数据，剔除其中的一到二件单品，并从服饰数据集A中随机抽取服饰组成套装负样本ε-。
S5-3：损失函数定义。因套装数据集中并不能涵盖所有服饰的组合结果与用户对所有组合的偏好，为学习潜在的搭配可能性与用户潜在偏好，使用贝叶斯个性化排序BPR作为损失函数：
其中，σ是sigmoid激活函数，
为正样本个性化搭配评分，
为负样本个性化搭配评分。
步骤S6，具体如下：
S6-1：模型训练完成后，即获得了综合服饰搭配匹配度与用户个人偏好的评分模型，可应用于多种实际场景中。如以下两种场景：用户登录后，推荐系统通过用户历史交互记录、服饰数据，通过模型计算评分与评分排序，推荐出用户可能选择进行交互的套装；用户选择服饰，推荐系统从数据库中推荐与该服饰搭配，并满足用户喜好的套装组合。
相应地，本发明还提供了一种利用时间因素的个性化服饰搭配推荐系统，如图2所示，包括：
数据收集单元1，收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据。
具体地，从电商网站收集服饰数据A，每项数据包含服饰编号、服饰图片，并处理成统一尺寸，收集用户与服饰单品的历史交互数据B，每项数据包含用户编号，服饰编号，交互方式(点击、收藏、购买等)、交互时间的记录，收集套装数据C，每项数据包含套装内每个单品的编号，选择该套装的用户编号，套装数据C的所有数据交互时间都在用户与服饰单品的历史交互数据B的交互时间后，并将套装数据C分为训练集与测试集。
构建异构图单元2，组成异构图网络，构建元路径，编码交互时间特征并融合，通过节点聚合，得到最终的异构图网络输出结果。
具体地，通过服饰与用户两种类型的节点及其不同的边联系，组成异构图网络，将所述数据集中的服饰数据与用户数据进行编码，作为异构图网络的节点初始输入，构建元路径，编码交互时间特征，融合时间特征，通过异构图神经网络的节点聚合，学习节点间的潜在联系，得到最终的异构图网络输出结果。
模型训练与应用单元3，异构图网络计算套装搭配分数，计算某用户对某套装评价分数，计算个性化搭配评分，定义损失函数进行训练，得到评分模型，用户利用评分模型最终获取个性化服饰搭配推荐。
具体地，学习服饰搭配的一般规则，计算套装搭配分数，学习用户对套装的偏好规则，计算某用户对某套装评价分数，由套装搭配分数与套装评价分数计算个性化搭配评分，综合用户对套装的喜爱与套装的通用搭配规律，由套装数据和服饰数据组成正负训练样本，定义损失函数对异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型，用户利用评分模型最终获取个性化服饰搭配推荐。
因此，本发明构建异构图神经网络，在异构图上同时建模服饰搭配可能性与用户的服饰风格偏好，考虑用户的不同交互行为所包含的对服饰的不同的偏好程度；同时，通过融入用户交互行为时间与服饰节点时间，学习时间因素对用户偏好的影响规律；最后，通过用户历史记录与服饰信息，通过用户对单品的偏好学习用户对套装的偏好，建模服饰与用户的特征表示及内在联系，实现个性化服饰搭配推荐方法。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述一种利用时间因素的个性化服饰搭配推荐方法的步骤。同时，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种利用时间因素的个性化服饰搭配推荐方法的步骤。
以上对本发明实施例所提供的一种利用时间因素的个性化服饰搭配推荐方法、系统、设备及存储介质进行了详细介绍，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 (12)
1.一种利用时间因素的个性化服饰搭配推荐方法，其特征在于，所述方法包括：
收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据；
通过服饰与用户两种类型的节点及其不同的边联系，组成异构图网络，将所述数据集中的服饰数据与用户数据进行编码，作为异构图网络的节点初始输入，构建元路径，编码交互时间特征，融合时间特征，通过异构图神经网络的节点聚合，学习节点间的潜在联系，得到最终的异构图网络输出结果；
学习服饰搭配的一般规则，计算套装搭配分数；
学习用户对套装的偏好规则，计算某用户对某套装评价分数；
由所述套装搭配分数与所述套装评价分数，计算个性化搭配评分，综合用户对套装的喜爱与套装的通用搭配规律，由所述套装数据和所述服饰数据组成正负训练样本，定义损失函数对所述异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型；
用户利用所述评分模型最终获取个性化服饰搭配推荐。
2.如权利要求1所述的一种利用时间因素的个性化服饰搭配推荐方法，其特征在于，所述收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据，具体为：
从电商网站收集服饰数据A，每项数据包含服饰编号、服饰图片，并处理成统一尺寸；
收集用户与服饰单品的历史交互数据B，每项数据包含用户编号，服饰编号，交互方式(点击、收藏、购买等)，交互时间的记录；
收集套装数据C，每项数据包含套装内每个单品的编号，选择该套装的用户编号，套装数据C的所有数据交互时间都在用户与服饰单品的历史交互数据B的交互时间后，并将套装数据C分为训练集与测试集。
3.如权利要求1所述的一种利用时间因素的个性化服饰搭配推荐方法，其特征在于，所述通过服饰与用户两种类型的节点及其不同的边联系，组成异构图网络，将所述数据集中的服饰数据与用户数据进行编码，作为异构图网络的节点初始输入，构建元路径，编码交互时间特征，融合时间特征，通过异构图神经网络的节点聚合，学习节点间的潜在联系，得到最终的异构图网络输出结果，具体为：
编码服饰特征，使用预训练的Resnet18网络，提取服饰视觉特征作为服饰编码，作为异构图中的服饰节点的初始表示，编码用户向量，建立用户向量嵌入索引矩阵，使用正态分布初始化，依据索引获得用户编码，作为异构图中的用户节点的初始表示；
在节点类型为用户和服饰两种类型的异构图中，构建多条元路径，通过节点类型与联系描述元路径如：服饰-兼容-服饰，用户-点击-服饰，用户-收藏-服饰，用户-购买-服饰，依据构成的元路径，建立数据节点间的联系，构建异构图，考虑不同元路径对节点更新的影响，通过所述用户与单品的历史交互数据，学习用户对套装的偏好，并学习服饰间的潜在搭配可能，对服饰-兼容-服饰这一条元路径的连边，以一定的概率随机进行抹除；
对构建的异构图进行节点信息的聚合，参考异构图注意力网络HAN的方法，将节点更新分为进行节点级别与元路径级别聚合两步，进行节点级别特征聚合，对每条元路径Φ使用多头注意力学习邻居节点s对目标节点t的权重
融入节点的联系时间特征，进行时间特征编码，使用正弦/余弦编码方法，对节点的联系时间进行编码，定义节点s和t的联系时间
寻找时间的周期性规律，对服饰与服饰的联系，联系时间定义为两件服饰生产年份之差，并根据服饰流行一般规律定义服饰流行周期T，而对用户与服饰的交互，联系时间定义为推荐系统保存用户历史记录时间T内，该交互产生的时间与该用户进行同类型交互的最早交互时间的天数差，天数差越大，代表该交互越新，将联系时间
编码成d维向量
后，进行线性变换
得到联系时间编码
编码方式如公式：
其中，
和
分别表示偶数与奇数维度的编码方式，分别采用正弦、余弦编码；
将节点的联系时间融入节点更新计算中，则目标节点t在元路径Φ上的第L层更新结果
为：
其中，K代表多头注意力个数，
为目标节点t在Φ路径上的邻居节点集合，
为邻居节点s在图神经网络第L-1层上的特征表示，σ为sigmoid激活函数；
在元路径级别的聚合上，使用HAN的元路径聚合方式，通过软注意力机制计算不同元路径的权重，以此聚合不同元路径上的节点级别聚合结果，目标节点t在第L层的最终更新结果为
异构图神经网络共经过
层迭代后，首先得到节点t在第
层的初步特征聚合结果
在最后一层输出的节点特征表示上，融入第一层学习到的信息，得到节点t的最终图网络输出结果：
4.如权利要求3所述的一种利用时间因素的个性化服饰搭配推荐方法，其特征在于，所述学习服饰搭配的一般规则，计算套装搭配分数，具体为：
对含有N件单品的套装O,含有
种两两搭配关系，对套装O中的单品如服饰i、j两两计算搭配分数，通过服饰对平均搭配分数代表套装搭配分数：
5.如权利要求4所述的一种利用时间因素的个性化服饰搭配推荐方法，其特征在于，所述学习用户对套装的偏好规则，计算某用户对某套装评价分数，具体为：
对套装O中N件单品的嵌入特征表示求和作为该套装的特征向量，则用户u对套装O的喜好分数定义为：
6.如权利要求4或5所述的一种利用时间因素的个性化服饰搭配推荐方法，其特征在于，所述由所述套装搭配分数与所述套装评价分数，计算个性化搭配评分，综合用户对套装的喜爱与套装的通用搭配规律，由所述套装数据和所述服饰数据组成正负训练样本，定义损失函数对所述异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型，具体为：
个性化搭配评分计算方式为：
β取值范围为[0,1]，代表搭配指数与个人偏好的占比；
组成训练正负样本数据，由所述套装数据，作为正样本ε+，对所述每一项套装数据，剔除其中的一到二件单品，并从所述服饰数据中随机抽取服饰组成套装负样本ε-；
损失函数定义，使用贝叶斯个性化排序BPR作为损失函数：
其中，σ是sigmoid激活函数，
为正样本个性化搭配评分，
为负样本个性化搭配评分；
训练结束，得到综合服饰搭配匹配度与用户个人偏好的评分模型。
7.一种利用时间因素的个性化服饰搭配推荐系统，其特征在于，所述系统包括：
数据收集单元，收集数据集，包括服饰数据、用户与服饰单品的历史交互数据和套装数据；
构建异构图单元，组成异构图网络，构建元路径，编码交互时间特征并融合，通过节点聚合，得到最终的异构图网络输出结果；
模型训练与应用单元，异构图网络计算套装搭配分数，计算某用户对某套装评价分数，计算个性化搭配评分，定义损失函数进行训练，得到评分模型，用户利用评分模型最终获取个性化服饰搭配推荐。
8.如权利要求7所述的一种利用时间因素的个性化服饰搭配推荐系统，其特征在于，所述数据收集单元，从电商网站收集服饰数据A，每项数据包含服饰编号、服饰图片，并处理成统一尺寸，收集用户与服饰单品的历史交互数据B，每项数据包含用户编号，服饰编号，交互方式(点击、收藏、购买等)、交互时间的记录，收集套装数据C，每项数据包含套装内每个单品的编号，选择该套装的用户编号，套装数据C的所有数据交互时间都在用户与服饰单品的历史交互数据B的交互时间后，并将套装数据C分为训练集与测试集。
9.如权利要求7所述的一种利用时间因素的个性化服饰搭配推荐系统，其特征在于，所述构建异构图单元，通过服饰与用户两种类型的节点及其不同的边联系，组成异构图网络，将所述数据集中的服饰数据与用户数据进行编码，作为异构图网络的节点初始输入，构建元路径，编码交互时间特征，融合时间特征，通过异构图神经网络的节点聚合，学习节点间的潜在联系，得到最终的异构图网络输出结果。
10.如权利要求7所述的基于雨线特征重构的多维聚合网络的图像去雨系统，其特征在于，所述模型训练与应用单元，学习服饰搭配的一般规则，计算套装搭配分数，学习用户对套装的偏好规则，计算某用户对某套装评价分数，由套装搭配分数与套装评价分数计算个性化搭配评分，综合用户对套装的喜爱与套装的通用搭配规律，由套装数据和服饰数据组成正负训练样本，定义损失函数对异构图网络进行训练，得到综合服饰搭配匹配度与用户个人偏好的评分模型，用户利用评分模型最终获取个性化服饰搭配推荐。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940385.XA CN113592609B (zh) | 2021-08-17 | 一种利用时间因素的个性化服饰搭配推荐方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940385.XA CN113592609B (zh) | 2021-08-17 | 一种利用时间因素的个性化服饰搭配推荐方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592609A true CN113592609A (zh) | 2021-11-02 |
| CN113592609B CN113592609B (zh) | 2024-06-04 |
Family
ID=
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114267191A (zh) * | 2021-12-10 | 2022-04-01 | 北京理工大学 | 缓解交通拥堵驾驶员控制系统、方法、介质、设备及应用 |
| CN114610989A (zh) * | 2022-02-23 | 2022-06-10 | 苏州大学 | 基于异构图动态信息补偿的个性化论文推荐方法及系统 |
| CN114707427A (zh) * | 2022-05-25 | 2022-07-05 | 青岛科技大学 | 基于有效邻居取样最大化的图神经网络的个性化建模方法 |
| CN114969862A (zh) * | 2022-06-27 | 2022-08-30 | 广东时谛智能科技有限公司 | 根据用户信息生成鞋体模型方法、装置、设备及存储介质 |
| CN116662676A (zh) * | 2023-06-09 | 2023-08-29 | 北京华品博睿网络技术有限公司 | 一种基于多行为建模的在线招聘双向互惠推荐系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064249A (zh) * | 2018-06-28 | 2018-12-21 | 中山大学 | 一种基于特征个性化修改的服装推荐优化方法及其系统 |
| CN109146626A (zh) * | 2018-08-14 | 2019-01-04 | 中山大学 | 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) * | 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 |
| CN110659958A (zh) * | 2019-09-06 | 2020-01-07 | 电子科技大学 | 基于生成对抗网络的服饰搭配生成方法 |
| CN111275490A (zh) * | 2020-01-20 | 2020-06-12 | 清华大学深圳国际研究生院 | 一种面向差异化场景的服饰推荐系统及方法 |
| CN112270354A (zh) * | 2020-10-27 | 2021-01-26 | 中山大学 | 一种基于人体身形特征的服装推荐方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064249A (zh) * | 2018-06-28 | 2018-12-21 | 中山大学 | 一种基于特征个性化修改的服装推荐优化方法及其系统 |
| CN109146626A (zh) * | 2018-08-14 | 2019-01-04 | 中山大学 | 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) * | 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 |
| CN110659958A (zh) * | 2019-09-06 | 2020-01-07 | 电子科技大学 | 基于生成对抗网络的服饰搭配生成方法 |
| CN111275490A (zh) * | 2020-01-20 | 2020-06-12 | 清华大学深圳国际研究生院 | 一种面向差异化场景的服饰推荐系统及方法 |
| CN112270354A (zh) * | 2020-10-27 | 2021-01-26 | 中山大学 | 一种基于人体身形特征的服装推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘骊;付晓东;王若梅;罗笑南;: "部件化构建的三维服装快速编辑方法", 图学学报, no. 02 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114267191A (zh) * | 2021-12-10 | 2022-04-01 | 北京理工大学 | 缓解交通拥堵驾驶员控制系统、方法、介质、设备及应用 |
| CN114610989A (zh) * | 2022-02-23 | 2022-06-10 | 苏州大学 | 基于异构图动态信息补偿的个性化论文推荐方法及系统 |
| CN114707427A (zh) * | 2022-05-25 | 2022-07-05 | 青岛科技大学 | 基于有效邻居取样最大化的图神经网络的个性化建模方法 |
| CN114969862A (zh) * | 2022-06-27 | 2022-08-30 | 广东时谛智能科技有限公司 | 根据用户信息生成鞋体模型方法、装置、设备及存储介质 |
| CN116662676A (zh) * | 2023-06-09 | 2023-08-29 | 北京华品博睿网络技术有限公司 | 一种基于多行为建模的在线招聘双向互惠推荐系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310063B (zh) | 基于神经网络的记忆感知门控因子分解机物品推荐方法 | |
| KR20190117584A (ko) | 스트리밍 비디오 내의 객체를 검출하고, 필터링하고 식별하기 위한 방법 및 장치 | |
| CN110110181A (zh) | 一种基于用户风格和场景偏好的服装搭配推荐方法 | |
| Xiang et al. | Time-dependent models in collaborative filtering based recommender system | |
| CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
| CN109658206A (zh) | 信息推荐方法和装置 | |
| CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
| CN113918833B (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
| CN110580489B (zh) | 一种数据对象的分类系统、方法以及设备 | |
| CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
| CN113722583A (zh) | 推荐方法、推荐模型训练方法及相关产品 | |
| CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
| Yu et al. | Spectrum-enhanced pairwise learning to rank | |
| CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
| Wang et al. | Learning outfit compatibility with graph attention network and visual-semantic embedding | |
| Sapna et al. | Recommendence and fashionsence: Online fashion advisor for offline experience | |
| Gong et al. | Aesthetics, personalization and recommendation: A survey on deep learning in fashion | |
| CN109146606A (zh) | 一种品牌推荐方法、电子设备、存储介质及系统 | |
| CN110555719B (zh) | 一种基于深度学习的商品点击率预测方法 | |
| CN110020918B (zh) | 一种推荐信息生成方法和系统 | |
| CN116842267A (zh) | 基于深度学习的个性化装修方案推荐方法、系统及介质 | |
| Pecenakova et al. | Fitgan: fit-and shape-realistic generative adversarial networks for fashion | |
| Yuan et al. | Matching recommendations based on siamese network and metric learning | |
| CN113592609B (zh) | 一种利用时间因素的个性化服饰搭配推荐方法与系统 | |
| CN113592609A (zh) | 一种利用时间因素的个性化服饰搭配推荐方法与系统 |
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 |