CN115577613A - 一种基于用户需求的服装设计决策方法及系统 - Google Patents

Abstract

发明提供一种基于用户需求的服装设计决策方法及系统，包括：用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；根据深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式，并生成对应的可选清单；其中，深度神经元网络模型根据用户需求数据进行构建；可选清单包括按照权重推荐的至少一个服装产品或者系统推荐的与用户需求的服装品类和款式相似的其他服装产品。上述方案通过深度学习技术获得满足用户需求的服装，相较于传统的机器学习的自主学习，能够获得更广泛的隐藏信息，并且用户在获得推荐的包含服装产品的清单后，可以根据实际偏差对模型进一步优化，从而使分类训练过程更准确。

Description

一种基于用户需求的服装设计决策方法及系统

技术领域

本发明涉及服装设计领域，具体涉及一种基于用户需求的服装设计决策方法及系统。

背景技术

由于个体差异化，不同人对于服装的偏好均不相同。设计者无法知晓个体对象对款式、面料、颜色、图案等的具体需求，因此无法准确的根据用户当下对于服装的需求提供相应的产品。在服装产品设计中主要依赖于设计师以往的经验和判断，具有主观性、盲目性、随机性的弊端。

服装产品设计无论采用任何手段，都必须以满足目标用户群体的不同需求为前提。因此，充分利用计算机领域先进的理论和技术手段，研究创新的服装产品设计方法，有效基于用户需求，更加准确、高效、科学的服装产品开发方法，对于服装设计具有重要应用价值。如何利用新的技术提高产品设计中用户需求的准确性，值得我们深入探索。

为了解决这一困扰，亟待需要一个可用作服装产品设计的辅助工具，为人们提供便利；为品牌服装产品设计决策、个性化定制、交互式设计提供技术支持。

发明内容

为了满足上述需要，本发明提供一种基于用户需求的服装设计决策方法及系统，可有效评估用户对服装产品的喜好，通过深度学习技术获得满足用户需求的服装产品；相较于传统的机器学习的自主学习，能够获得更广泛的隐藏信息。为人们在购置服装中提供了便利，为设计师在服装设计中提供了重要的决策信息。

本发明提供的技术方案是：

一种基于用户需求的服装设计决策方法，所述方法包括：

用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；

根据所述深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式；

基于用户需求的服装品类和款式生成对应的可选清单；其中，所述深度神经元网络模型根据用户需求数据进行构建；

所述可选清单包括按照权重推荐的至少一个服装产品或者系统推荐的与用户需求的服装品类和款式相似的其他服装产品。

优选的，所述深度神经元网络模型根据用户需求数据进行构建，包括：

根据用户需求数据建立分析数据集，选择所述分析数据集中的输入参量，并对所述输入参量进行归一化处理，构建训练样本；

定义符合用户需求的服装品类和款式的目标参量；

以所述输入参量为判断符合用户需求的服装品类和款式的输入参数，以所述目标参量为目标数据建立深度神经元网络，并利用所述训练样本对所述深度神经元网络进行训练，获取判断用户需求的服装品类和款式的深度神经元网络模型。

进一步地，所述根据用户需求数据建立分析数据集包括：

获取用户需求数据，其包括服装款式、色彩、面料、工艺、图案；

读取需求中的关键字信息，分析用户对于服装设计的偏好；

基于用户对于服装设计的偏好对服装的品类、款式进行划分，获取分析数据集；并为分析数据集中各个服装的品类、款式设置权重。

进一步地，所述为分析数据集中服装各个品类、款式设置权重包括：

在各种服装产品属性下，综合用户偏好，通过加权和/或减权的方式设置各个所述服装产品属性数据的权重值；所述服装产品属性数据是与服装款式、色彩、面料、工艺、图案参数相关联的数据信息；

综合各个所述服装产品属性数据的权重值，通过加权方式设置所述服装各个品类、款式的权重。

进一步地，所述深度神经元网络模型是基于多层极学习机构成的深度神经元网络：将分析数据集中的输入参量作为输入样本映射到新的特征空间中，构成训练样本X＝{x_i,t_i},i＝1,...,n；其中，x_i表示输入样本，t_i表示输入样本对应的服装品类和款式，n为样本数量。

进一步地，所述深度神经元网络模型的隐含层选取n个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，损失函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用adam算法。

优选的，所述用户登录之前还包括：

接收用户侧发送的用户身份验证请求，调用系统查询接口向服务器发起登录用户的信息查询，对用户身份信息进行验证。

进一步地，所述对用户身份信息进行验证具体包括：

获取用户身份验证请求携带的客户端二维码所对应的用户身份标识open id或者身份证号加密串，与预先存储于服务器的注册信息open id或者身份证号信息进行匹配，判断其身份认证信息是否为注册用户；若是，则登录成功；若否，则反馈登录失败信息。

一种基于用户需求的服装设计决策系统，所述系统包括：

输入模块，用于用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；所述根据用户需求数据深度神经元网络模型进行构建；

分析模块，用于根据所述深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式；

获取模块，用于基于用户需求的服装品类和款式生成对应的可选清单；其中，所述可选清单包括按照所述权重推荐的至少一个服装产品或者系统推荐的与用户需求的服装品类和款式相似的其他服装产品。

与最接近的现有技术相比，本发明具有如下显著进步：

本发明提出一种基于用户需求的服装设计决策方法及系统，在用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；根据深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式，并生成对应的可选清单；其中，深度神经元网络模型根据用户需求数据进行构建；可选清单包括按照权重推荐的至少一个服装产品；或者与用户目标期望的服装品类、款式相似的其他服装产品。以上通过深度学习技术获得满足用户需求的服装产品相较于传统的机器学习的自主学习，能够获得更广泛的隐藏信息，能够评估用户对服装产品的喜好。

本发明在本地Fashion-MNIST数据集的基础上结合用户需求，为模型的构建提供了高质量的训练数据，基于深度学习的方式训练获得一个能够准确地判断出用户需求对应的服装品类及款式，并针对个性化需求输出服装产品信息的模型。

此外，在用户获得推荐的包含服装产品的清单后，还可以将推荐结果与用户的目标期望进行对比，并反馈给系统，系统后台可以根据对比后获得的实际偏差对模型进一步优化，从而使分类训练过程更准确，实现基于用户需求的服装设计决策。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明具体实施方式中提供的一种基于用户需求的服装设计决策方法流程图；

图2为本发明具体实施方式中提供的深度神经元网络模型示意图；

图3为本发明具体实施方式中提供的基于用户需求的服装设计决策系统结构示意图；

其中，11、输入模块；12、分析模块；13、获取模块。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明具体实施方式提供的一种基于用户需求的服装设计决策方法及系统是以深度学习为核心提供的技术方案。

实施例1：如图1所示，本发明具体实施方式的实施例1提供一种基于用户需求的服装设计决策方法，所述方法包括以下步骤：

S1用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；

S2根据所述深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式；

S3基于用户需求的服装品类和款式生成对应的可选清单；

其中，所述深度神经元网络模型根据用户需求数据进行构建；

所述可选清单包括按照权重推荐的至少一个服装产品或者系统推荐的与用户需求的服装品类和款式相似的其他服装产品。

步骤S1中，构建深度神经元网络模型的操作系统：Windows10 64位；开发平台：Visual studio 2022/tensorflow/pycharm/Tensorboard；编程语言：python/html/css。

所述深度神经元网络模型根据用户需求数据进行构建，具体包括：

S101根据用户需求数据建立分析数据集，选择所述分析数据集中的输入参量，并对所述输入参量进行归一化处理，构建训练样本；

S102定义符合用户需求的服装品类和款式的目标参量；

S103以所述输入参量为判断符合用户需求的服装品类和款式的输入参数，以所述目标参量为目标数据建立深度神经元网络，并利用所述训练样本对所述深度神经元网络进行训练，获取判断用户需求的服装品类和款式的深度神经元网络模型。

步骤101的分析数据集是在Fashion MNIST数据集的基础上进行建立的。FashionMNIST数据集为当前研究机构公开推出的一个全新的可视化嵌入的数据集，其中训练集包含60000个样例，测试集包含10000个样例，分为10类，其中的样本都来自日常穿着的衣裤鞋包，每个都是28×28的灰度图像，其中总共有10类标签，每张图像都有各自的标签。

10种标签包括：1：裤子、2：套头衫、3：连衣裙、4：大衣、5：凉鞋、6：衬衣、7：运动鞋、8：包、9：高帮鞋、10：T-shirt/上衣。

结合Fashion MNIST数据集，步骤101中根据用户需求数据建立分析数据集具体包括：

获取用户需求数据，其包括服装款式、色彩、面料、工艺、图案；

读取需求中的关键字信息，分析用户对于服装设计的偏好；

基于用户对于服装设计的偏好对服装的品类、款式进行划分，获取分析数据集；并为分析数据集中各个服装的品类、款式设置权重。

其中，为分析数据集中服装各个品类、款式设置权重包括：

在各种服装产品属性下，综合用户偏好，通过加权和/或减权的方式设置各个所述服装产品属性数据的权重值；所述服装产品属性数据是与服装款式、色彩、面料、工艺、图案参数相关联的数据信息；

综合各个所述服装产品属性数据的权重值，通过加权方式设置所述服装各个品类、款式的权重。

如图2所示，所述深度神经元网络模型是基于多层极学习机构成的深度神经元网络：将分析数据集中的输入参量作为输入样本映射到新的特征空间中，构成训练样本X＝{x_i,t_i},i＝1,...,n；其中，x_i表示输入样本，t_i表示输入样本对应的服装品类和款式，n为样本数量。

深度神经元网络模型包括输入层、输出层与隐含层。所述深度神经元网络模型的隐含层选取n个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，损失函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用adam算法。

在执行步骤101的用户登录之前还包括：

接收用户侧发送的用户身份验证请求，调用系统查询接口向服务器发起登录用户的信息查询，对用户身份信息进行验证。

其中，对用户身份信息进行验证具体包括：

获取用户身份验证请求携带的客户端二维码所对应的用户身份标识open id或者身份证号加密串，与预先存储于服务器的注册信息open id或者身份证号信息进行匹配，判断其身份认证信息是否为注册用户；若是，则登录成功；若否，则反馈登录失败信息。

在用户利用步骤S3获得基于用户需求的服装品类和款式生成对应的可选清单后，本发明实施例还包括：将推荐的可选清单与用户的目标期望进行对比，并反馈给系统，系统后台可以根据对比后获得的实际偏差对模型进一步优化，从而使分类训练过程更准确，实现基于用户需求的服装设计决策。

实施例2：基于同一技术构思，本发明具体实施方式的实施例2还提供一种基于用户需求的服装设计决策系统，该系统中基于用户需求数据构建的深度神经元网络模型，通过模型输出为当前用户推荐的包含服装产品的清单后，可以将推荐结果与用户的目标期望进行对比，并反馈给系统，系统后台根据对比后获得的实际偏差对模型进一步优化，从而降低产品设计与用户需求的误差。通过此模型的建立，将用户需求转化为设计的细节，指导设计工作的进行。以软件的方式将更快更准确的辅助品牌设计师进行设计工作，确定服装设计决策。

如图3所示，该系统基于Django进行服务器云端部署。Django是一个开放源代码的web应用框架，由python写成。所述系统包括：

输入模块11，用于用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；所述根据用户需求数据深度神经元网络模型进行构建；

分析模块12，用于根据所述深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式；

获取模块13，用于基于用户需求的服装品类和款式生成对应的可选清单；其中，所述可选清单包括按照所述权重推荐的至少一个服装产品或者系统推荐的与用户需求的服装品类和款式相似的其他服装产品。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种基于用户需求的服装设计决策方法，其特征在于，所述方法包括：

用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；

根据所述深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式；

基于用户需求的服装品类和款式生成对应的可选清单；其中，所述深度神经元网络模型根据用户需求数据进行构建；

所述可选清单包括按照权重推荐的至少一个服装产品或者系统推荐的与用户需求的服装品类和款式相似的其他服装产品。

2.如权利要求1所述的方法，其特征在于，所述深度神经元网络模型根据用户需求数据进行构建，包括：

根据用户需求数据建立分析数据集，选择所述分析数据集中的输入参量，并对所述输入参量进行归一化处理，构建训练样本；

定义符合用户需求的服装品类和款式的目标参量；

以所述输入参量为判断符合用户需求的服装品类和款式的输入参数，以所述目标参量为目标数据建立深度神经元网络，并利用所述训练样本对所述深度神经元网络进行训练，获取判断用户需求的服装品类和款式的深度神经元网络模型。

3.如权利要求2所述的方法，其特征在于，所述根据用户需求数据建立分析数据集包括：

获取用户需求数据，其包括服装款式、色彩、面料、工艺、图案；

读取需求中的关键字信息，分析用户对于服装设计的偏好；

基于用户对于服装设计的偏好对服装的品类、款式进行划分，获取分析数据集；并为分析数据集中各个服装的品类、款式设置权重。

4.根据权利要求3所述的方法，其特征在于，所述为分析数据集中服装各个品类、款式设置权重包括：

在各种服装产品属性下，综合用户偏好，通过加权和/或减权的方式设置各个所述服装产品属性数据的权重值；所述服装产品属性数据是与服装款式、色彩、面料、工艺、图案参数相关联的数据信息；

综合各个所述服装产品属性数据的权重值，通过加权方式设置所述服装各个品类、款式的权重。

5.如权利要求2所述的方法，其特征在于，所述深度神经元网络模型是基于多层极学习机构成的深度神经元网络：将分析数据集中的输入参量作为输入样本映射到新的特征空间中，构成训练样本X＝{x_i,t_i},i＝1,...,n；其中，x_i表示输入样本，t_i表示输入样本对应的服装品类和款式，n为样本数量。

6.如权利要求5所述的方法，其特征在于，所述深度神经元网络模型的隐含层选取n个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，损失函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用adam算法。

7.如权利要求1所述的方法，其特征在于，所述用户登录之前还包括：

接收用户侧发送的用户身份验证请求，调用系统查询接口向服务器发起登录用户的信息查询，对用户身份信息进行验证。

8.如权利要求7所述的方法，其特征在于，所述对用户身份信息进行验证具体包括：

获取用户身份验证请求携带的客户端二维码所对应的用户身份标识open id或者身份证号加密串，与预先存储于服务器的注册信息open id或者身份证号信息进行匹配，判断其身份认证信息是否为注册用户；若是，则登录成功；若否，则反馈登录失败信息。

9.一种基于用户需求的服装设计决策系统，其特征在于，所述系统包括：

输入模块，用于用户登录后，以登录用户的需求数据为测试样本，输入预先构建的深度神经元网络模型；所述根据用户需求数据深度神经元网络模型进行构建；

分析模块，用于根据所述深度神经元网络模型输出的目标参数，判断符合用户需求的服装品类和款式；

获取模块，用于基于用户需求的服装品类和款式生成对应的可选清单；其中，所述可选清单包括按照所述权重推荐的至少一个服装产品或者系统推荐的与用户需求的服装品类和款式相似的其他服装产品。

Images