CN115982474B - 基于社交网络的时尚人格预测和服装推荐方法及装置 - Google Patents
基于社交网络的时尚人格预测和服装推荐方法及装置 Download PDFInfo
- Publication number
- CN115982474B CN115982474B CN202211690323.9A CN202211690323A CN115982474B CN 115982474 B CN115982474 B CN 115982474B CN 202211690323 A CN202211690323 A CN 202211690323A CN 115982474 B CN115982474 B CN 115982474B
- Authority
- CN
- China
- Prior art keywords
- personality
- fashion
- clothing
- user
- style
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013461 design Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008451 emotion Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 description 7
- 230000008447 perception Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于社交网络的时尚人格预测和服装推荐方法，包括：采集社交网络中用户语言特征数据；依据时尚人格测试量表，获取用户所有时尚人格类型倾向比重；采用机器学习算法建立用户语言特征与时尚人格类型关系模型；提取服装特性，筛选服装样本，对服装样本风格进行量化，进而匹配服装样本的设计风格；获取用户对于服装样本风格偏好值；根据时尚人格类型与服装风格偏好值的对应关系以及服装风格与设计元素之间的对应关系，结合用户语言特征与时尚人格类型关系模型构建服装设计模型，进行预测与推荐。本发能更全面、高效地挖掘消费者个性化审美需求，从模型精确度上有较大提升；对时尚人格进行了定义，有助于服装企业制定精准营销策略。
Description
技术领域
本发明涉及偏好数据预测技术领域，尤其涉及一种基于社交网络的时尚人格预测和服装推荐方法及装置。
背景技术
现有服装推荐方法与技术主要包括：(1)利用消费者评价数据提取用户需求与偏好，但用户评价数据收集难度较大，要求有产品使用经验；消费者语言不够规范，语义模糊，影响需求信息的提取。(2)通过专家感性评价(打分)，构建服装与评价元素(如风格、款式、面料等属性)间的隶属度关系。但该方法忽视了消费者的个人需求。(3)通过用户历史购买记录，根据商品相似性进行服装推荐。
然而，目前的方法依赖用户过去的服装消费行为，存在数据稀疏、冷启动(相关数控少或无数据)的问题且主要考虑服装本身，同时忽视了消费者的情感需求，难以从消费者出发捕捉其真实、稳定的内在需求，设计效率与推荐准确性偏低。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于社交网络的时尚人格预测和服装推荐方法及装置解决目前推荐和预测存在数据稀疏、冷启动(相关数控少或无数据)的问题，难以从消费者出发捕捉其真实、稳定的内在需求，设计效率与推荐准确性偏低的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，
采集社交网络中用户语言特征数据；
建立时尚人格测试量表，依据所述时尚人格测试量表，获取所述用户所有时尚人格类型倾向比重；
采用机器学习算法建立用户语言特征与时尚人格类型关系模型；
提取服装特性，筛选服装样本，对所述服装样本风格进行量化，进而匹配服装样本的设计风格；
获取所述用户对于服装样本风格偏好值；
根据时尚人格类型与服装风格偏好值的对应关系以及服装风格与设计元素之间的对应关系，结合所述用户语言特征与时尚人格类型关系模型构建服装设计模型，进行预测与推荐。
作为本发明所述的基于社交网络的时尚人格预测和服装推荐方法的一种优选方案，其中：所述采用机器学习算法建立用户语言特征与时尚人格类型关系模型之前，还包括，
依据所述用户社交文本中不同类型用词字数，结合情感词典获取第一人格语言特征要素集合m；
获取所述用户人格语言特征要素与时尚人格类型相关性系数，筛选出强相关系数的人格语言特征要素；
所述强相关系数的人格语言特征要素用于建立所述关系模型。
作为本发明所述的基于社交网络的时尚人格预测和服装推荐方法的一种优选方案，其中：建立时尚人格测试量表，包括，
采集大量时尚的日常产品图像，依据图像生成表达时尚风格的人格类描述词汇；
对所有人格类描述词汇筛选后，通过聚类算法结合语义进行归类，每个类型对应一种时尚人格类型，表示为p1,p2,…pk；
围绕具有不同时尚人格的用户在时尚相关活动中的具体行为及心理表现，设计一系列基于文字和图像的时尚人格测试题，通过显著性差异分析、信效度检验筛选出具有人格鉴别作用的题项，构成时尚人格测试量表；
以及，依据时尚人格测试量表，获取所述用户所有时尚人格类型倾向比重，包括，
通过时尚人格测试量表对每一人格类型进行得分统计，获得第一得分集合；
将第一得分集合内的各人格类型得分与题数相比，获得时尚人格类型倾向比重P＝{p1,p2,…pk}。
作为本发明所述的基于社交网络的时尚人格预测和服装推荐方法的一种优选方案，其中：所述筛选出强相关系数的人格语言特征要素，包括，
将大于第一阈值的相关性系数所涉及的特征要素进行保留，作为时尚人格预测指标的关键语言特征集，表示为：
T＝{ti,tj,…,tw}(i＜j＜w∈{1,2,3,…,m})
即，在m个语言特征要素中，有w(w＜m)个特征要素与时尚人格类型相关性较强。
作为本发明所述的基于社交网络的时尚人格预测和服装推荐方法的一种优选方案，其中：所述建立用户语言特征与时尚人格类型关系模型，包括，
输入数据为所述关键语言特征集Ti＝{t1,t2,…,tw}；
输出数据为一个多维矩阵Qi＝{q1,q2,…,qk}，
所述多维矩阵Qi＝{q1,q2,…,qk}对应人格类型倾向比重P＝{p1,p2,…pk}。
作为本发明所述的基于社交网络的时尚人格预测和服装推荐方法的一种优选方案，其中：对所述服装样本风格进行量化，进而匹配服装样本的设计风格，包括，
采用九级语义量表对服装样本风格进行得分统计；
基于得分统计，采用三角模糊数对各类服装样本风格进行表征，计算贴近度，表示为：
其中，n为参与评价的专家总人数，i表示不同服装样本，j表示不同服装风格形容词对；
其中， 为三角模糊数的整体效用值；n为参与实验的专家总人数，m、l分别为三角模糊数的上限和下限；
其中，为三角模糊数/>对应的整体效用值，/>为三角模糊数/>对应的整体效用值，/>表示A与B两者贴近度，即服装样本与服装风格贴近度。
作为本发明所述的基于社交网络的时尚人格预测和服装推荐方法的一种优选方案，其中：所述设计元素需依据服装风格，为能够组成一件完整服装的设计元素集合，并为各类设计元素集合进行分类编号；
所述服装设计模型，包括，
输入为多维矩阵Qi＝{q1,q2,…,qk}，
输出为各类设计元素组成的多维数据集S＝{Si,Sj,…,Sv},其中Sk(k＝i,j,…,v)为k类设计元素集合的分类编号。
第二方面，本发明提供了基于社交网络的时尚人格预测和服装推荐装置，包括，
采集模块，用于获取社交网络中用户语言特征数据；
比重获取模块，用于依据时尚人格测试量表，获取所述用户所有时尚人格类型倾向比重；
第一模型构建模块，用于采用机器学习算法建立用户语言特征与时尚人格类型关系模型；
风格匹配模块，用于提取服装特性，筛选服装样本，对所述服装样本风格进行量化，进而匹配服装样本的设计风格；
用户偏好获取模块，用于获取所述用户对于服装样本风格偏好值；
第二模型构建模块，用于根据时尚人格类型与服装风格偏好值的对应关系以及服装风格与设计元素之间的对应关系，结合所述用户语言特征与时尚人格类型关系模型构建服装设计模型，进行预测与推荐。
第三方面，本发明提供了一种电子设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于社交网络的时尚人格预测和服装推荐方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于社交网络的时尚人格预测和服装推荐方法的步骤。
与现有技术相比，本发明的有益效果：本发明从社交网络数据挖掘消费者的时尚审美倾向，并据此指导服装个性化设计，提供了大数据背景下以消费者需求为驱动的服装智能化设计的有效解决方案，相比现有技术，能更全面、高效地挖掘消费者个性化审美需求，从逻辑方法和模型效果上都有较大的提升；对时尚人格进行了定义，从产业链核心环节实现服装业智能制造，有助于服装企业把握消费者需求动态，制定精准营销策略。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。其中：
图1为本发明一个实施例所述的基于社交网络的时尚人格预测和服装推荐方法的整体流程示意图；
图2为本发明一个实施例所述的基于社交网络的时尚人格预测和服装推荐方法的整体流程细节划分示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-2，为本发明的一个实施例，提供了一种基于社交网络的时尚人格预测和服装推荐方法，包括：
S1：采集社交网络中用户语言特征数据；
应说明的是，用户语言特征数据包括，用户上传的文字，符号等，如：微信朋友圈、微博推文等公开文字，可通过各类大数据搜集算法获取，如爬虫算法。
S2：建立时尚人格测试量表，依据时尚人格测试量表，获取用户所有时尚人格类型倾向比重；
更进一步的，建立时尚人格测试量表包括，
采集大量时尚的日常产品图像，依据图像生成表达时尚风格的人格类描述词汇；
应说明的是，日常产品可以包括，服饰、艺术品、汽车等，词汇生成方式包括但不限于专家评断方式，邀请专家基于图像，从“时尚感”的角度，穷举能够表达时尚风格的人格类描述词，并将其定义为时尚人格，随后对描述词进行筛选。
对所有人格类描述词汇筛选后，通过聚类算法结合语义进行归类，每个类型对应一种时尚人格类型，表示为p1,p2,…pk；
具体的，时尚人格类型可以包括，如精致型、理智型、新颖型等。
围绕具有不同时尚人格的用户在时尚相关活动中的具体行为及心理表现，设计一系列基于文字和图像的时尚人格测试题，通过显著性差异分析、信效度检验筛选出具有人格鉴别作用的题项，构成时尚人格测试量表。
应说明的是，具体行为及心理表现包括时尚感知力、敏感度、审美态度、风格等方面；测试题的设计可以通过心理学研究方式例如专家访谈、消费者问卷、头脑风暴等方式进行设计。
更进一步的，以及，依据时尚人格测试量表，获取用户所有时尚人格类型倾向比重，包括，
通过时尚人格测试量表对每一人格类型进行得分统计，获得第一得分集合；
应说明的是，时尚人格测试量表为参考现有人格理论，利用专家与消费者评估，确定时尚人格类型分布，如精致型、理智型、新颖型。每个时尚人格类型对应一定数量的测试题，包括判断题、选择题等。
将第一得分集合内的各人格类型得分与题数相比，获得时尚人格类型倾向比重P＝{p1,p2,…pk}。
应说明的是，例如，每题对应1分，最后统计用户在每个时尚人格类型测试题下的得分，如精致型共有15题，用户共获得12分，则在该时尚人格上的倾向程度为12/15＝0.8。同理，计算此用户其他时尚人格倾向程度，最终该用户时尚人格测试结果以P＝{p1,p2,…pk}表示。
更进一步的，采用机器学习算法建立用户语言特征与时尚人格类型关系模型之前，还包括，
依据用户语言字数，结合情感词典获取第一人格语言特征要素集合m；
应说明的是，情感词典包含大量有明确类型标记的词语，如工作类、健康类、休闲类、认知类、情绪类等等，获取集合m的方式可为计算每名用户所有文字中各类别词汇占比，并将这些类别作为与人格相关的语言特征要素。
获取用户人格语言特征要素与时尚人格类型相关性系数，筛选出强相关系数的人格语言特征要素；
强相关系数的人格语言特征要素用于建立关系模型。
应说明的是，相关系系数可通过Pearson相关性进行计算统计。
更进一步的，筛选出强相关系数的人格语言特征要素，包括，
将大于第一阈值的相关性系数所涉及的特征要素进行保留，作为时尚人格预测指标的关键语言特征集，表示为：
T＝{ti,tj,…,tw}(i＜j＜w∈{1,2,3,…,m})
即，在m个语言特征要素中，有w(w＜m)个特征要素与时尚人格类型相关性较强。
应说明的是，保留相关性系数较强的特征要素，从而提取出主要的影响因子，一般提取大于等于0.6系数的相关因素，如若发现工作类词汇与时尚人格倾向间的相关系数较小(小于0.4)，则剔除该特征。
Pearson相关系数一般用r表示，其计算公式及取值范围如下：
其中，xi，yi分别表示样本i在变量x与y上的取值；分别表示所有样本在变量x与y上的均值。相关系数r的取值范围：-1≤r≤1；其中，
S3：采用机器学习算法建立用户语言特征与时尚人格类型关系模型；
更进一步的，建立用户语言特征与时尚人格类型关系模型，包括，
输入数据为关键语言特征集Ti＝{t1,t2,…,tw}；
输出数据为一个多维矩阵Qi＝{q1,q2,…,qk}，
多维矩阵Qi＝{q1,q2,…,qk}对应人格类型倾向比重P＝{p1,p2,…pk}。
应说明的是，机器学习算法可以是随机森林，SVM(支持向量机)等，所建立的模型为为多输入多输出预测模型，同时，输入输出变量均为0～1之间的数值变量。相比传统统计学方法，此类算法对样本数量要求较低，且在处理高维特征的输入样本时也具有良好的表现，更适用于本方法。
S4：提取服装特性，筛选服装样本，对服装样本风格进行量化，进而匹配服装样本的设计风格；
应说明的是，提取服装特性，筛选服装样本之前，会先搜集大量服装图片，邀请服装背景专家若干进行风格提取和分类，确定常见服装风格形容词，如传统的——前卫的，运动的——休闲的等。在此基础上，专家对图片进行筛选，选出代表性服装样本，这些样本需尽可能全面地覆盖市面上所有常见的服装款式；
更进一步的，对服装样本风格进行量化，进而匹配服装样本的设计风格，
具体的可以为：根据选出的服装风格形容词对及其样本，邀请专家进行感性评价实验。具体地，专家将针对每张服装图片，对上述形容词对进行打分，目的是获得每个样本在各风格维度的倾向。
采用九级语义量表对服装样本风格进行得分统计；
具体的，例如以传统的——前卫的为例，量表设计具体如下：
表1服装风格评价量表
基于得分统计，采用三角模糊数对各类服装样本风格进行表征，计算贴近度，表示为：
其中，n为参与评价的专家总人数，i表示不同服装样本，j表示不同服装风格形容词对；
其中， 为三角模糊数的整体效用值；n为参与实验的专家总人数，m、l分别为三角模糊数的上限和下限；
其中，为三角模糊数/>对应的整体效用值，/>为三角模糊数/>对应的整体效用值，/>表示A与B两者贴近度，即服装样本与服装风格贴近度。
还应说明的是，上述三角模糊数是将模糊的、不确定的语言变量转化为确定数值的一种方法，具体定义如下：
若模糊数可由(al,am,au)决定，al≤am≤au,其中al,am,au均为实数，且隶属度函数为：
则称为三角模糊数，记为/>其中al,am,au分别代表三角模糊数的最小值、中间值和最大值。
根据上述采用的九级语义量表，各级评价语言对应的三角模糊数如下表2所示(以传统的——前卫的为例)。
表2三角模糊数对应的语义量尺
S5：获取用户对于服装样本风格偏好值；
优选的，基于服装样本，邀请同一批用户参与服装偏好调查，即针对每款服装，用户根据喜爱程度对其打分。结合每款服装所属风格类型，进而获得用户的服装风格偏好。本轮采用五级量表评分，量表如表3所示：
表3服装喜爱程度评价量表
| 不喜欢 | 稍微喜欢 | 比较喜欢 | 很喜欢 | 非常喜欢 |
| 1分 | 2分 | 3分 | 4分 | 5分 |
S6：根据时尚人格类型与服装风格偏好值的对应关系以及服装风格与设计元素之间的对应关系，结合用户语言特征与时尚人格类型关系模型构建服装设计模型，进行预测与推荐。
更进一步的，设计元素需依据服装风格，为能够组成一件完整服装的设计元素集合，并为各类设计元素集合进行分类编号；
优选的，设计元素可通过文献搜集、专家访谈等方法搜集服装设计要素，如色彩、面料、款式等。邀请服装背景专家确定能够反映各服装风格并组成一件完整服装的设计元素(包括面料、色彩、款式(领型、袖型、衣长、袖长、廓形等))并对其编码，如面料(A1,A2,…)、色彩(B1,B2,…)、款式(C1,C2,C3,…)等。
服装设计模型，包括，
输入为多维矩阵Qi＝{q1,q2,…,qk}，
输出为各类设计元素组成的多维数据集S＝{Si,Sj,…,Sv},其中Sk为各类设计元素集合的分类编号。具体的，Sk指的是多维数据集S中的某个数据集，k可以是i,j,…v。例如：服装由色彩、面料、款式等多个设计类别组成。假设Si表示颜色，那么Si＝{红，橙，黄，…}，若Sj表示面料，则Sj＝{棉，麻，丝，…}。
应说明的是，该模型可根据不同时尚人格，推荐相应的服装设计，鉴于输入输出数据相对复杂，且服装样本数量有限，此过程依旧采用样本量要求低、预测准确性高的机器学习算法。整体方法包含两个子模型，分别是时尚人格预测模型与服装设计推荐模型。借助此方法及模型，输入用户在社交网络上的语言特征，即可获得相应的个性化服装设计方案，同时，可获得该用户的时尚人格类型。
上述为本实施例的一种基于社交网络的时尚人格预测和服装推荐方法的示意性方案。需要说明的是，该基于社交网络的时尚人格预测和服装推荐装置的技术方案与上述的基于社交网络的时尚人格预测和服装推荐方法的技术方案属于同一构思，本实施例中基于社交网络的时尚人格预测和服装推荐装置的技术方案未详细描述的细节内容，均可以参见上述基于社交网络的时尚人格预测和服装推荐方法的技术方案的描述。
本实施例中基于社交网络的时尚人格预测和服装推荐装置，包括：
采集模块，用于获取社交网络中用户语言特征数据；
比重获取模块，用于依据时尚人格测试量表，获取用户所有时尚人格类型倾向比重；
第一模型构建模块，用于采用机器学习算法建立用户语言特征与时尚人格类型关系模型；
风格匹配模块，用于提取服装特性，筛选服装样本，对服装样本风格进行量化，进而匹配服装样本的设计风格；
用户偏好获取模块，用于获取用户对于服装样本风格偏好值；
第二模型构建模块，用于根据时尚人格类型与服装风格偏好值的对应关系以及服装风格与设计元素之间的对应关系，结合用户语言特征与时尚人格类型关系模型构建服装设计模型，进行预测与推荐。
本实施例还提供一种计算设备，适用于累计爬升高度计算的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现基于社交网络的时尚人格预测和服装推荐方法。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于社交网络的时尚人格预测和服装推荐方法。
本实施例提出的存储介质与上述实施例提出的实现基于社交网络的时尚人格预测和服装推荐方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照表4，为本发明的一个实施例，提供了一种基于社交网络的时尚人格预测和服装推荐方法，为了验证其有益效果，提供了与传统方案的对比展示。
表4对比表
由表4可知，我方优势在于利用大数据技术挖掘用户社交网络日常行为数据，从中提取时尚消费者个性化特征；基于认知心理学，构建面向时尚领域的人格倾向判别体系，获得更加稳定、准确的用户偏好；结合专家感性评价，融合服装设计专业知识与消费者个性特征及需求，运用人工智能推荐算法，进行高匹配度的服装智能化设计与推荐。
整体上，利用大数据分析技术深入挖掘社交网络用户行为特征，涉及用户在微博、微信(朋友圈)、小红书等平台发布的个人相关生活分享、观点、态度等文本数据，结合人格特质理论(参考大五人格、九型人格)，围绕个人时尚态度、时尚感知力、审美偏好等维度构建时尚人格判别体系；随后从社交网络文本数据中提取出影响用户时尚人格的主要特征因子，构建时尚人格预测模型。并聚焦到服装领域，通过感性评价、模糊数学等方法获取用户偏好数据，包括服装风格、款式、色彩及面料，借助机器学习算法构建服装偏好预测模型；最后，加入设计师专业知识，提供相应的服装产品推荐。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.基于社交网络的时尚人格预测和服装推荐方法，其特征在于，包括：
采集社交网络中用户语言特征数据；
建立时尚人格测试量表，依据所述时尚人格测试量表，获取所述用户所有时尚人格类型倾向比重；
采用机器学习算法建立用户语言特征与时尚人格类型关系模型；
建立用户语言特征与时尚人格类型关系模型，包括，
输入数据为关键语言特征集Ti＝{t1,t2,…,tw}；
输出数据为一个多维矩阵Qi＝{q1,q2,…,qk}，
多维矩阵Qi＝{q1,q2,…,qk}对应人格类型倾向比重P＝{p1,p2,…pk}；
提取服装特性，筛选服装样本，对所述服装样本风格进行量化，进而匹配服装样本的设计风格；
对所述服装样本风格进行量化，进而匹配服装样本的设计风格，包括，
采用九级语义量表对服装样本风格进行得分统计；
基于得分统计，采用三角模糊数对各类服装样本风格进行表征，计算贴近度，表示为：
其中，n为参与评价的专家总人数，i表示不同服装样本，j表示不同服装风格形容词对；
其中，i＝1,2,…,n；/>为三角模糊数的整体效用值；n为参与实验的专家总人数，m、l分别为三角模糊数的上限和下限；
其中，为三角模糊数/>对应的整体效用值，/>为三角模糊数/>对应的整体效用值，/>表示A与B两者贴近度，即服装样本与服装风格贴近度；
获取所述用户对于服装样本风格偏好值；
根据时尚人格类型与服装风格偏好值的对应关系以及服装风格与设计元素之间的对应关系，结合所述用户语言特征与时尚人格类型关系模型构建服装设计模型，进行预测与推荐；
所述设计元素需依据服装风格，为能够组成一件完整服装的设计元素集合，并为各类设计元素集合进行分类编号；
所述服装设计模型，包括，
输入为多维矩阵Qi＝{q1,q2,…,qk}，
输出为各类设计元素组成的多维数据集S＝{Si,Sj,…,Sv},其中Sk(k＝i,j,…,v)为k类设计元素集合的分类编号。
2.如权利要求1所述的基于社交网络的时尚人格预测和服装推荐方法，其特征在于，所述采用机器学习算法建立用户语言特征与时尚人格类型关系模型之前，还包括，
依据所述用户社交文本中不同类型用词字数，结合情感词典获取第一人格语言特征要素集合m；
获取所述用户人格语言特征要素与时尚人格类型相关性系数，筛选出强相关系数的人格语言特征要素；
所述强相关系数的人格语言特征要素用于建立所述关系模型。
3.如权利要求2所述的基于社交网络的时尚人格预测和服装推荐方法，其特征在于，建立时尚人格测试量表，包括，
采集大量时尚的日常产品图像，依据图像生成表达时尚风格的人格类描述词汇；
对所有人格类描述词汇筛选后，通过聚类算法结合语义进行归类，每个类型对应一种时尚人格类型，表示为p1,p2,…pk；
围绕具有不同时尚人格的用户在时尚相关活动中的具体行为及心理表现，设计一系列基于文字和图像的时尚人格测试题，通过显著性差异分析、信效度检验筛选出具有人格鉴别作用的题项，构成时尚人格测试量表；
以及，依据时尚人格测试量表，获取所述用户所有时尚人格类型倾向比重，包括，
通过时尚人格测试量表对每一人格类型进行得分统计，获得第一得分集合；
将第一得分集合内的各人格类型得分与题数相比，获得时尚人格类型倾向比重P＝{p1,p2,…pk}。
4.如权利要求2或3所述的基于社交网络的时尚人格预测和服装推荐方法，其特征在于，所述筛选出强相关系数的人格语言特征要素，包括，
将大于第一阈值的相关性系数所涉及的特征要素进行保留，作为时尚人格预测指标的关键语言特征集，表示为：
T＝{ti,tj,…,tw}(i＜j＜w∈{1,2,3,…,m})
即，在m个语言特征要素中，有w(w＜m)个特征要素与时尚人格类型相关性较强。
5.一种应用如权利要求1所述的基于社交网络的时尚人格预测和服装推荐方法的装置，其特征在于，包括，
采集模块，用于获取社交网络中用户语言特征数据；
比重获取模块，用于依据时尚人格测试量表，获取所述用户所有时尚人格类型倾向比重；
第一模型构建模块，用于采用机器学习算法建立用户语言特征与时尚人格类型关系模型；
风格匹配模块，用于提取服装特性，筛选服装样本，对所述服装样本风格进行量化，进而匹配服装样本的设计风格；
用户偏好获取模块，用于获取所述用户对于服装样本风格偏好值；
第二模型构建模块，用于根据时尚人格类型与服装风格偏好值的对应关系以及服装风格与设计元素之间的对应关系，结合所述用户语言特征与时尚人格类型关系模型构建服装设计模型，进行预测与推荐。
6.一种电子设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至4任意一项所述基于社交网络的时尚人格预测和服装推荐方法的步骤。
7.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至4任意一项所述基于社交网络的时尚人格预测和服装推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211690323.9A CN115982474B (zh) | 2022-12-27 | 2022-12-27 | 基于社交网络的时尚人格预测和服装推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211690323.9A CN115982474B (zh) | 2022-12-27 | 2022-12-27 | 基于社交网络的时尚人格预测和服装推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115982474A CN115982474A (zh) | 2023-04-18 |
| CN115982474B true CN115982474B (zh) | 2024-05-14 |
Family
ID=85971820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211690323.9A Active CN115982474B (zh) | 2022-12-27 | 2022-12-27 | 基于社交网络的时尚人格预测和服装推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982474B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331417A (zh) * | 2014-10-09 | 2015-02-04 | 深圳码隆科技有限公司 | 一种用户个人服饰的搭配方法 |
| 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 |
| CN111383081A (zh) * | 2020-03-24 | 2020-07-07 | 东华大学 | 一种服装搭配的智能推荐方法 |
| CN111612584A (zh) * | 2020-05-22 | 2020-09-01 | 杭州智珺智能科技有限公司 | 一种基于穿搭理论的ai智能服装推荐方法 |
| CN113705725A (zh) * | 2021-09-15 | 2021-11-26 | 中国矿业大学 | 一种基于多模态信息融合的用户人格特征预测方法和装置 |
| CN114821202A (zh) * | 2022-06-29 | 2022-07-29 | 武汉纺织大学 | 一种基于用户偏好的服装推荐方法 |
| KR20220111592A (ko) * | 2021-02-02 | 2022-08-09 | 주식회사 패션에이드 | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10957306B2 (en) * | 2016-11-16 | 2021-03-23 | International Business Machines Corporation | Predicting personality traits based on text-speech hybrid data |
-
2022
- 2022-12-27 CN CN202211690323.9A patent/CN115982474B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331417A (zh) * | 2014-10-09 | 2015-02-04 | 深圳码隆科技有限公司 | 一种用户个人服饰的搭配方法 |
| 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 |
| CN111383081A (zh) * | 2020-03-24 | 2020-07-07 | 东华大学 | 一种服装搭配的智能推荐方法 |
| CN111612584A (zh) * | 2020-05-22 | 2020-09-01 | 杭州智珺智能科技有限公司 | 一种基于穿搭理论的ai智能服装推荐方法 |
| KR20220111592A (ko) * | 2021-02-02 | 2022-08-09 | 주식회사 패션에이드 | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 |
| CN113705725A (zh) * | 2021-09-15 | 2021-11-26 | 中国矿业大学 | 一种基于多模态信息融合的用户人格特征预测方法和装置 |
| CN114821202A (zh) * | 2022-06-29 | 2022-07-29 | 武汉纺织大学 | 一种基于用户偏好的服装推荐方法 |
Non-Patent Citations (3)
| Title |
|---|
| Rajani Chulyadyo等.A Personalized Recommender System from Probabilistic Relational Model and Users’ Preferences.《Procedia Computer Science》.2014,1063-1072. * |
| Zhebin Xue等.Development of an intelligent model to predict tactile properties from visual features of textile products.《2015 10th International Conference on Intelligent Systems and Knowledge Engineering (ISKE)》.2016,229-236. * |
| 胡觉亮 ; 王正方 ; 韩曙光 ; .基于用户偏好的个性化服装推荐模式研究.浙江理工大学学报(社会科学版).2018,(02),136-143. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115982474A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Learning sentimental influence in twitter | |
| CN110532379B (zh) | 一种基于lstm的用户评论情感分析的电子资讯推荐方法 | |
| CN107943800A (zh) | 一种微博话题舆情计算与分析的方法 | |
| CN112966091B (zh) | 一种融合实体信息与热度的知识图谱推荐系统 | |
| Huang et al. | A multi-source integration framework for user occupation inference in social media systems | |
| Wang et al. | A multitask deep learning approach for user depression detection on sina weibo | |
| CN108615177A (zh) | 基于加权提取兴趣度的电子终端个性化推荐方法 | |
| CN111666496A (zh) | 一种基于评论文本的组推荐方法 | |
| Yigit et al. | Extended topology based recommendation system for unidirectional social networks | |
| Yang | Clothing design style recommendation using decision tree algorithm combined with deep learning | |
| CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
| CN115982474B (zh) | 基于社交网络的时尚人格预测和服装推荐方法及装置 | |
| Argueta et al. | Unsupervised graph-based patterns extraction for emotion classification | |
| Latuny et al. | Sentiment analysis of consumers for determining the packaging features of eucalyptus oil products | |
| CN103942278B (zh) | 通过分析用户主动交友意愿进行朋友推荐的方法 | |
| Sharma et al. | Personality prediction of Twitter users with logistic regression classifier learned using stochastic gradient descent | |
| Chen et al. | A selfie is worth a thousand words: Mining personal patterns behind user selfie-posting behaviours | |
| US20240221054A1 (en) | Fashion Personality Prediction and Clothing Recommendation Method and Device Based on Social Networks | |
| Shokeen | On measuring the role of social networks in project recommendation | |
| Chenna et al. | Emotion And Sentiment Analysis From Twitter Text | |
| CN113362034A (zh) | 一种职位推荐方法 | |
| Hartanto et al. | Classifying User Personality Based on Media Social Posts Using Support Vector Machine Algorithm Based on DISC Approach | |
| Hsu et al. | Identifying representations of categories of discrete items using Markov chain Monte Carlo with people | |
| Park et al. | Understanding brand image from consumer-generated hashtags | |
| Nanduri et al. | Modified Fuzzy Approach to Automatic Classification of Cyber Hate Speech from the Online Social Networks (OSN's). |
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 |