CN116127199A - 一种针对服装序列推荐的用户偏好建模方法 - Google Patents
一种针对服装序列推荐的用户偏好建模方法 Download PDFInfo
- Publication number
- CN116127199A CN116127199A CN202310402642.3A CN202310402642A CN116127199A CN 116127199 A CN116127199 A CN 116127199A CN 202310402642 A CN202310402642 A CN 202310402642A CN 116127199 A CN116127199 A CN 116127199A
- Authority
- CN
- China
- Prior art keywords
- preference
- user
- clothing
- intention
- term
- 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 42
- 230000003993 interaction Effects 0.000 claims abstract description 63
- 230000007774 longterm Effects 0.000 claims abstract description 33
- 230000008447 perception Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 4
- 101000818522 Homo sapiens fMet-Leu-Phe receptor Proteins 0.000 description 3
- 108090001145 Nuclear Receptor Coactivator 3 Proteins 0.000 description 3
- 102100022883 Nuclear receptor coactivator 3 Human genes 0.000 description 3
- 102100021145 fMet-Leu-Phe receptor Human genes 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
Abstract
本发明涉及针对服装序列推荐的用户偏好建模方法。本发明首先获取用户—服装的长期偏好、短期偏好及主观偏好;其次,基于用户—服装的长期偏好、短期偏好构建偏好学习模块,自动度量输入偏好权重,得到动态偏好;然后,通过定义包含多用户意图感知注意力机制的意图感知模块,根据多个用户—服装交互子序列对当前用户的主观偏好进行学习,引入知识库并定义交互意图集以融合服装特征,计算意图感知重要性得到意图偏好;最后,定义统一偏好空间,对动态偏好和意图偏好进行偏好融合并将基于时序与意图两种空间的偏好融合到该偏好空间中,输出最终用户—服装的总体偏好。本发明能够建模用户动态和意图偏好,有效用于精准的服装序列推荐。
Description
技术领域
本发明涉及一种针对服装序列推荐的用户偏好建模方法,属于人工智能、机器学习领域。
背景技术
服装序列推荐是利用神经网络将用户和服装的交互建模为动态序列并且利用序列来捕捉用户偏好以向用户推荐服装的技术。服装序列推荐可以根据用户—服装交互序列向用户推荐符合其交互风格的服装,在服装设计、服装搭配、服装风格预测等具有广阔的应用前景。公知的方法考虑到存在不同服装属性,使用例如Bi-LSTM结构、GNN结构、SCE-Net结构、GAN结构,旨在通过提取服装特征以提升推荐精度。然而仅仅考虑服装特征不能很好的考虑用户—服装交互关系,对于服装序列推荐中用户—服装交互序列不能很好的建模。就技术而言,服装序列推荐仍有一些关键问题未得到较好解决,主要体现在三个方面:1)用户偏好是动态变化的,序列中连续的服装间关系不固定,难以直接建模动态用户偏好;2)服装属性难以量化,一些服装属性没有固定的优劣,不易确定用户对其意图;3)用户—服装交互与服装属性不在一个空间,难以结合。以上三个方面是服装序列推荐亟待解决的关键。
公知的基于深度学习的服装序列推荐方法主要有端到端方法、隐式反馈方法、序列方法。其中,公知的基于端到端的方法中,例如Li Yuncheng(< IEEE Transactions onMultimedia >, 2017, 19(8): 1946-1955)提出了一个推荐系统,通过一个多模式多实例深度学习系统根据外观和元数据为候选时装组合打分,能够结合服装特征实现服装推荐;在基于隐式反馈的方法中,例如Hai(< Mining Intelligence and KnowledgeExploration >, 2014: 51-61)将用户与项目的关系转换为隐式偏好分数,然后定义惩罚函数获取特征值并返回推荐置信度,通过分析用户的隐性反馈实现服装推荐。该种方法相比于其他的推荐系统效率与准度均有一定提升;基于序列方法中,Ding(< ModelingInstant User Intent and Content-Level Transition for Sequential FashionRecommendation >,2022, 24: 2687-2700)提出了一种基于注意力内容级翻译的推荐器,同时对每个转换的即时用户意图和特定于意图的转换概率进行建模,实现了根据用户的喜好推荐服装,Pang(< Conference on Computer Vision and Pattern RecognitionWorkshops >,2021: 3889-3893)提出了一个时尚兼容性评估框架,将由多个不同物品组成的服装被视为一个序列,以此来使用双层LSTM网络联合训练,实现了将不同物品视为服装序列来进行推荐。然而,这些方法都没有考虑到用户偏好随时间的变化、用户的隐式反馈不易体现主观意图、用户交互序列存在干扰与无关项、序列推荐不充分建模序列项目自身特征等问题,具有一定的局限性。本发明针对服装序列推荐,提出用户偏好建模方法。采用用户—服装交互序列建模用户的长期偏好与短期偏好,并学习度量用户动态偏好;还考虑无法通过长短期偏好建模得到的主观意图,将主观意图作为因子之一实现服装序列推荐,从而提高服装推荐的准确率。
发明内容
本发明提供了一种针对服装序列推荐的用户偏好建模方法,以用于有效地建模用户偏好,从而对用户进行精确的服装序列推荐。
本发明的技术方案是:一种针对服装序列推荐的用户偏好建模方法,所述方法的具体步骤如下:
步骤一 对输入的用户行为数据集中的用户—服装交互序列进行偏好提取,得到用户—服装的长期偏好、短期偏好及主观偏好;
步骤二 基于用户—服装的长期偏好、短期偏好构建偏好学习模块,自动度量输入偏好权重,得到动态偏好;
步骤三 通过定义包含多用户意图感知注意力机制的意图感知模块,根据多个用户—服装交互子序列对当前用户的主观偏好进行学习,引入知识库并定义交互意图集以融合服装特征,计算意图感知重要性得到意图偏好;
步骤四 定义统一偏好空间,对动态偏好和意图偏好进行偏好融合并将基于时序与意图两种空间的偏好融合到该偏好空间中,输出最终用户—服装的总体偏好;
所述步骤一具体如下:
首先,对输入的用户集
U和项目集
I中的用户—服装交互序列构建无向图
G={
V,E,A},其中是用户,是用户—服装交互序列长度,其中
V是服装项目点集,
E是交互边集,
A是图
G的邻接矩阵,是用户的首个项目;
其次,根据构建出的无向图得到用户—服装项目点集,其中是单个服装项目嵌入;通过对嵌入及其邻域点集嵌入计算注意评分,其中Attention是以LeakyReLU为激活函数的两层前馈神经网络,是单个节点的嵌入向量且是邻域点集的嵌入平均值,是可训练矩阵,是拼接向量,是Hadamard积;再利用目标节点与源节点的相关性计算注意评分,其中为源节点嵌入,为目标节点嵌入,是可训练矩阵;基于两个注意力评分,使用softmax函数计算归一化注意系数,其中控制目标节点接收信息,控制节点发送信息,是点集
V中其他目标节点与源节点相关性注意评分;基于归一化注意系数得到新的节点嵌入矩阵,其中,节点的嵌入向量,其中是非线性函数,是可训练矩阵;
然后,通过G
NN池化得到矩阵,其中是权值矩阵,池化图的邻接矩阵经过相对位置正则化得到用户核心偏好序列;采用2个共享权重的
RNN网络分别提取得到用户—服装长期偏好和用户—服装短期偏好;是用户核心偏好序列的长度,是矩阵A的i行j列,是在新的节点嵌入矩阵中节点j的嵌入向量;
最后,利用用户交互序列中已经存在的显式交互构建用户—服装主观偏好,其中为用户的交互序列,是用户的首个项目,是用户与中共同存在的末尾项目,连接向量得到用户的主观偏好,其中是可训练的权值矩阵,是其他有共同末尾项目的用户—服装主观偏好。
所述步骤二具体如下:
首先对输入的用户—服装长期偏好与短期偏好,分别定义长期偏好权重与短期偏好权重,其中,,,为模型参数,为校正后的线性单位。
然后,定义包含长期偏好范数与短期偏好范数的偏好学习模块,对输入的长期偏好权重和短期偏好权重进行自动度量,分别得到优化后的长期偏好权重与优化后的短期偏好权重。
最后,将长期偏好与短期偏好统一至同一个潜在空间,并加权拼接生成最终的动态偏好。
所述步骤三具体如下:
首先,根据步骤一得到的该用户主观偏好以及与该用户交互序列中存在共同末尾项目的其他用户,分别得到其他用户的主观偏好、等,利用步骤一中训练的权值矩阵,学习该用户的多用户注意力主观偏好。
然后,定义交互意图集,其中为意图集长度,意图定义为替换、互补、场景并引入外部知识库,从知识库中检索并匹配每一步交互的项目与意图,得到项目的概念嵌入以实现意图感知。包含服装的特征及交互意图与服装的匹配程度。
最后,结合上述的多用户注意力主观偏好与包含意图感知的项目概念嵌入,确定意图匹配过程中不同服装属性的重要性。定义该项目的意图感知重要性,其中是可训练映射向量,是向量
v的转置,为可训练权值矩阵。通过对该项目的所有属性应用
softmax函数来计算该意图的重要性。将该重要性应用到主观偏好上,得到意图偏好,为输入的用户集
U和项目集
I中的用户—服装交互序列。
本发明的有益效果是:
1、公知的方法在用户偏好提取中计算用户—服装的隐式偏好分数,忽略了用户偏好的动态变化,导致在未来的交互过程中丢失之前的交互信息。本发明通过将用户—服装交互序列构建为用户—服装交互图,提取用户核心偏好,通过共享权重的RNN网络和偏好学习模块得到动态偏好,不仅能筛选出核心偏好,还可以建模用户偏好的动态变化,为后续服装序列推荐提供更精准的用户偏好,提高服装序列推荐的精度。
2、由于服装项目的属性较主观,不易量化确定优劣,存在难以建模用户意图的问题。公知的方法仅根据用户—服装交互序列考虑用户意图,对服装属性的建模不充分,难以结合服装属性。本发明引入知识库,定义意图集,通过检索知识库获得服装属性的概念嵌入,并匹配相关意图计算用户对某个服装属性的意图及序列中的意图转换,实现结合服装属性与用户意图,为服装序列推荐提供服装知识,提高服装序列推荐的精度。
附图说明
图1为本发明的流程图。
图2为本发明步骤一的具体流程图。
图3为本发明步骤二的具体流程图。
图4为本发明步骤三的具体流程图。
图5为本发明步骤四的具体流程图。
具体实施方式
实施例1、图1-图5,一种针对服装序列推荐的用户偏好建模方法,所述方法具体步骤如下:
步骤一、对输入的用户行为数据集中的用户—服装交互序列进行偏好提取,得到用户—服装的长期偏好、短期偏好及主观偏好;步骤一具体包括如下:
如图2所示,序列为输入的用户集
U和项目集
I的用户—服装交互序列;根据输入的用户—服装交互序列构建无向图
G={
V,E,A},其中是用户,是用户—服装交互序列长度,其中
V是服装项目点集,
E是交互边集,
A是图
G的邻接矩阵,是用户的首个项目;
根据构建出的无向图得到用户—服装项目点集,其中是单个服装项目嵌入。通过对嵌入及其邻域点集嵌入计算注意评分,其中Attention是以LeakyReLU为激活函数的两层前馈神经网络,是单个节点的嵌入向量且是邻域点集的嵌入平均值,是可训练矩阵,是拼接向量,是Hadamard积;再利用目标节点与源节点的相关性计算注意评分,其中为源节点嵌入,为目标节点嵌入,是可训练矩阵;基于两个注意力评分,使用softmax函数计算归一化注意系数,其中控制目标节点接收信息,控制节点发送信息,是点集
V中其他目标节点与源节点相关性注意评分;基于归一化注意系数得到新的节点嵌入矩阵,其中,节点的嵌入向量,其中是非线性函数,是可训练矩阵。
然后,通过
GNN池化得到矩阵,其中是权值矩阵,池化图的邻接矩阵,其节点嵌入矩阵,重要性得分,经过相对位置正则化得到用户核心偏好序列。采用2个共享权重的
RNN网络分别提取得到用户—服装长期偏好和用户—服装短期偏好,是用户核心偏好序列的长度,是矩阵A的i行j列,是在新的节点嵌入矩阵中节点j的嵌入向量;由于用户-服装长期偏好对时间不敏感,构建用户-服装长期偏好时直接建模整个用户—服装交互序列;由于用户-服装短期偏好对时间敏感,相邻项目交互更容易反映用户-服装短期偏好,构建用户-服装短期偏好需要考虑到末尾项目进行推理。
最后,利用用户交互序列中已经存在的显式交互构建用户—服装主观偏好,其中为用户的交互序列,是用户的首个项目,是用户与中共同存在的末尾项目,连接向量得到用户的主观偏好,其中是可训练的权值矩阵,是其他有共同末尾项目的用户—服装主观偏好。
步骤一的具体流程如图2所示,经过步骤一后长期偏好、短期偏好及主观偏好。本发明使用的数据集是iFashion数据集,该数据集有36752个用户、458642个项目及1324637组用户交互。本实例以用户—服装交互序列为输入,使用Pytorch进行实验。通过对提出的方法进行第一阶段的训练,再不断调整训练参数,使得输入到下一阶段的偏好更加精确。数据集的项目类别如表1所示。其第一阶段定量对比如表2所示,本实例与公知方法中其他典型的用于服装序列推荐的模型ACTR和FMLP进行对比,其中MRR是平均倒数排名,NDCG是归一化折损累计增益,Recall是召回率,从结果看出虽然平均倒数排名较小,但是获得了较高的召回率。
表1
时尚部位 | 类别 |
包 | 单肩包、水桶包、手拿钱包、手提袋、购物袋、邮差包、公文包、双肩包 |
上衣 | 连衣裙、短裤、游戏服、连身裤、T恤、牛仔裤、睡衣、内衣、内裤、泳装、短裙、外套、运动夹克、开衫外套、打底裤、马甲、背心、连帽衫、POLO衫、西服、西裤 |
鞋子 | 楔形凉鞋、运动鞋、平底鞋、高跟鞋、短靴、过膝靴、中筒靴、及膝长靴 |
表2
方法 | MRR | NDCG | Recall |
本发明 | 0.496072 | 0.532294 | 0.658226 |
ACTR | 0.504780 | 0.539522 | 0.651127 |
FMLP | 0.3029 | 0.3371 | 0.5015 |
步骤二、基于用户—服装的长期偏好、短期偏好构建偏好学习模块,自动度量输入偏好权重,得到动态偏好;步骤二具体包括如下:
如图3所示,对输入的用户—服装长期偏好与短期偏好,分别定义长期偏好权重与短期偏好权重,其中,,,为模型参数,为校正后的线性单位。
然后,定义包含长期偏好范数与短期偏好范数的偏好学习模块,对输入的长期偏好权重和短期偏好权重进行自动度量,分别得到优化后的长期偏好权重与优化后的短期偏好权重。
最后,将长期偏好与短期偏好统一至同一个潜在空间,并加权拼接生成最终的动态偏好。
步骤三、通过定义包含多用户意图感知注意力机制的意图感知模块,根据多个用户—服装交互子序列对当前用户的主观偏好进行学习,引入知识库并定义交互意图集以融合服装特征,计算意图感知重要性得到意图偏好;步骤三具体包括如下:
如图4所示,根据步骤一得到的该用户主观偏好以及与该用户交互序列中存在共同末尾项目的其他用户,分别得到其他用户的主观偏好、等,利用步骤一中训练的权值矩阵,学习该用户的多用户注意力主观偏好。
然后,定义交互意图集,其中为意图集长度,意图定义为替换、互补、场景并引入外部知识库,从知识库中检索并匹配每一步交互的项目与意图,得到项目的概念嵌入以实现意图感知。包含服装的特征及交互意图与服装的匹配程度。定义与服装匹配的意图是替换为,与服装匹配的意图是互补为,不匹配为。在该场景上下文中,这种意图可以通过用户—服装交互序列中相邻项目的关系得到。例如,当用户交互的两个连续项目的属性相似,即功能接近时,根据从知识库中获得的匹配结果,可以认为用户对后一个项目的意图是替换。
最后,结合上述的多用户注意力主观偏好与包含意图感知的项目概念嵌入,确定意图匹配过程中不同服装属性的重要性。定义该项目的意图感知重要性,其中是可训练映射向量,是向量
v的转置,为可训练权值矩阵。通过对该项目的所有属性应用
softmax函数来计算该意图的重要性。将该重要性应用到主观偏好上,得到意图偏好。
步骤四、如图5所示,定义统一偏好空间,对动态偏好和意图偏好进行偏好融合并将基于时序与意图两种空间的偏好融合到该偏好空间中,输出最终用户—服装的总体偏好。偏好融合使用拼接方法,将两个向量直接拼接后输入到多层感知机中,多层感知机输出最终偏好。经过上述步骤后,将最终偏好输入到其他通用推荐模型的推荐模块,给出的推荐系统评价指标如表3所示,从结果看出,在融合了意图偏好后,模型的召回率有所增加,且平均倒数排名与归一化折损累计增益的下降并不明显,获得了较高的精度。
表3
方法 | MRR | NDCG | Recall |
本发明 | 0.494618 | 0.534927 | 0.671788 |
ACTR | 0.504780 | 0.539522 | 0.651127 |
FMLP | 0.3108 | 0.3581 | 0.5322 |
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种针对服装序列推荐的用户偏好建模方法,其特征在于:包括以下步骤:
步骤一 对输入的用户行为数据集中的用户—服装交互序列进行偏好提取,得到用户—服装的长期偏好、短期偏好及主观偏好;
步骤二 基于用户—服装的长期偏好、短期偏好构建偏好学习模块,自动度量输入偏好权重,得到动态偏好;
步骤三 通过定义包含多用户意图感知注意力机制的意图感知模块,根据多个用户—服装交互子序列对当前用户的主观偏好进行学习,引入知识库并定义交互意图集以融合服装特征,计算意图感知重要性得到意图偏好;
步骤四 定义统一偏好空间,对动态偏好和意图偏好进行偏好融合并将基于时序与意图两种空间的偏好融合到该偏好空间中,输出最终用户—服装的总体偏好。
2.根据权利要求1所述的一种针对服装序列推荐的用户偏好建模方法,其特征在于:所述步骤一的具体过程如下:
首先,对输入的用户集U和项目集I中的用户—服装交互序列构建无向图G={V,E,A},其中是用户,是用户—服装交互序列长度,其中V是服装项目点集,E是交互边集,A是图G的邻接矩阵,是用户的首个项目;
其次,根据构建出的无向图得到用户—服装项目点集,其中是单个服装项目嵌入;通过对嵌入及其邻域点集嵌入计算注意评分,其中Attention是以LeakyReLU为激活函数的两层前馈神经网络,是单个节点的嵌入向量且是邻域点集的嵌入平均值,是可训练矩阵,是拼接向量,是Hadamard积;再利用目标节点与源节点的相关性计算注意评分,其中为源节点嵌入,为目标节点嵌入,是可训练矩阵;基于两个注意力评分,使用softmax函数计算归一化注意系数,其中控制目标节点接收信息,控制节点发送信息,是点集V中其他目标节点与源节点相关性注意评分;基于归一化注意系数得到新的节点嵌入矩阵,其中,节点的嵌入向量,其中是非线性函数,是可训练矩阵;
然后,通过GNN池化得到矩阵,其中是权值矩阵,池化图的邻接矩阵经过相对位置正则化得到用户核心偏好序列;采用2个共享权重的RNN网络分别提取得到用户—服装长期偏好和用户—服装短期偏好;是用户核心偏好序列的长度,是矩阵A的i行j列,是在新的节点嵌入矩阵中节点j的嵌入向量;
最后,利用用户交互序列中已经存在的显式交互构建用户—服装主观偏好,其中为用户的交互序列,是用户的首个项目,是用户与中共同存在的末尾项目,连接向量得到用户的主观偏好,其中是可训练的权值矩阵,是其他有共同末尾项目的用户—服装主观偏好。
3.根据权利要求1所述的一种针对服装序列推荐的用户偏好建模方法,其特征在于:所述步骤二的具体过程如下:
首先对输入的用户—服装长期偏好与短期偏好,分别定义长期偏好权重与短期偏好权重,其中,,,为模型参数,为校正后的线性单位;
然后,定义包含长期偏好范数与短期偏好范数的偏好学习模块,对输入的长期偏好权重和短期偏好权重进行自动度量,分别得到优化后的长期偏好权重与优化后的短期偏好权重;
最后,将长期偏好与短期偏好统一至同一个潜在空间,并加权拼接生成最终的动态偏好。
4.根据权利要求1所述的一种针对服装序列推荐的用户偏好建模方法,其特征在于:所述步骤三的具体过程如下:
首先,根据步骤一得到的该用户主观偏好以及与该用户交互序列中存在共同末尾项目的其他用户,分别得到其他用户的主观偏好、,利用步骤一中训练的权值矩阵,学习该用户的多用户注意力主观偏好;
然后,定义交互意图集,其中为意图集长度,意图定义为替换、互补、场景并引入外部知识库,从知识库中检索并匹配每一步交互的项目与意图,得到项目的概念嵌入以实现意图感知;包含服装的特征及交互意图与服装的匹配程度;
最后,结合上述的多用户注意力主观偏好与包含意图感知的项目概念嵌入,确定意图匹配过程中不同服装属性的重要性;定义该项目的意图感知重要性,其中是可训练映射向量,是向量v的转置,为可训练权值矩阵;通过对该项目的所有属性应用softmax函数来计算该意图的重要性;将该重要性应用到主观偏好上,得到意图偏好,为输入的用户集U和项目集I中的用户—服装交互序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402642.3A CN116127199B (zh) | 2023-04-17 | 2023-04-17 | 一种针对服装序列推荐的用户偏好建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402642.3A CN116127199B (zh) | 2023-04-17 | 2023-04-17 | 一种针对服装序列推荐的用户偏好建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127199A true CN116127199A (zh) | 2023-05-16 |
CN116127199B CN116127199B (zh) | 2023-06-16 |
Family
ID=86303125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310402642.3A Active CN116127199B (zh) | 2023-04-17 | 2023-04-17 | 一种针对服装序列推荐的用户偏好建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127199B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541359A (zh) * | 2024-01-04 | 2024-02-09 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | 一种基于偏好分析的用餐推荐方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625940A (zh) * | 2009-06-12 | 2012-08-01 | 电子湾有限公司 | 互联网偏好学习工具 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
CN110516160A (zh) * | 2019-08-30 | 2019-11-29 | 中国科学院自动化研究所 | 基于知识图谱的用户建模方法、序列推荐方法 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN114282077A (zh) * | 2021-12-31 | 2022-04-05 | 深圳市颐通科技有限公司 | 一种基于会话数据的会话推荐方法及系统 |
US20220301024A1 (en) * | 2020-01-07 | 2022-09-22 | Northwestern Polytechnical University | Sequential recommendation method based on long-term and short-term interests |
-
2023
- 2023-04-17 CN CN202310402642.3A patent/CN116127199B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625940A (zh) * | 2009-06-12 | 2012-08-01 | 电子湾有限公司 | 互联网偏好学习工具 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
CN110516160A (zh) * | 2019-08-30 | 2019-11-29 | 中国科学院自动化研究所 | 基于知识图谱的用户建模方法、序列推荐方法 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
US20220301024A1 (en) * | 2020-01-07 | 2022-09-22 | Northwestern Polytechnical University | Sequential recommendation method based on long-term and short-term interests |
CN114282077A (zh) * | 2021-12-31 | 2022-04-05 | 深圳市颐通科技有限公司 | 一种基于会话数据的会话推荐方法及系统 |
Non-Patent Citations (5)
Title |
---|
LIWEI HUANG ET AL.: "An Attention-Based Spatiotemporal LSTM Network for Next POI Recommendation", 《IEEE TRANSACTIONS ON SERVICES COMPUTING》, pages 1585 - 1597 * |
刘骊 等: "数据驱动的三维服装快速建模", 《软件学报》, pages 2574 - 2586 * |
张岩;郭斌;王倩茹;张靖;於志文;: "SeqRec:基于长期偏好和即时兴趣的序列推荐模型", 浙江大学学报(工学版), no. 06, pages 1 * |
沈学利 等: "融合自注意力机制与长短期偏好的序列推荐模型", 《计算机应用研究》, pages 1371 - 1375 * |
郑晨旺: "基于用户动态偏好与注意力机制的兴趣点推荐算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 1227 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541359A (zh) * | 2024-01-04 | 2024-02-09 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | 一种基于偏好分析的用餐推荐方法及系统 |
CN117541359B (zh) * | 2024-01-04 | 2024-03-29 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | 一种基于偏好分析的用餐推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116127199B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Dressing as a whole: Outfit compatibility learning based on node-wise graph neural networks | |
Cheng et al. | Fashion meets computer vision: A survey | |
US11100560B2 (en) | Extending machine learning training data to generate an artificial intelligence recommendation engine | |
He et al. | Ups and downs: Modeling the visual evolution of fashion trends with one-class collaborative filtering | |
US20210209510A1 (en) | Using artificial intelligence to determine a value for a variable size component | |
Hsiao et al. | ViBE: Dressing for diverse body shapes | |
US20200257976A1 (en) | Algorithmic apparel recommendation | |
CN110110181A (zh) | 一种基于用户风格和场景偏好的服装搭配推荐方法 | |
Han et al. | Prototype-guided attribute-wise interpretable scheme for clothing matching | |
Zheng et al. | Personalized fashion recommendation from personal social media data: An item-to-set metric learning approach | |
Guan et al. | Apparel-based deep learning system design for apparel style recommendation | |
CN116127199B (zh) | 一种针对服装序列推荐的用户偏好建模方法 | |
Liu et al. | Neural fashion experts: I know how to make the complementary clothing matching | |
US20200143454A1 (en) | Computer vision based methods and systems of universal fashion ontology fashion rating and recommendation | |
CN116762089A (zh) | 基于多模态时装知识图谱的产品推荐系统及方法 | |
Singh et al. | Generation of fashionable clothes using generative adversarial networks: A preliminary feasibility study | |
KR20190128143A (ko) | 이미지/텍스트 기반 디자인 생성 장치 및 방법 | |
Shimizu et al. | Fashion intelligence system: An outfit interpretation utilizing images and rich abstract tags | |
Yang et al. | From recommendation to generation: A novel fashion clothing advising framework | |
Sapna et al. | Recommendence and fashionsence: Online fashion advisor for offline experience | |
Wang et al. | Learning outfit compatibility with graph attention network and visual-semantic embedding | |
Wang et al. | Learning compatibility knowledge for outfit recommendation with complementary clothing matching | |
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 | |
Sulthana | A review on the literature of fashion recommender system using deep learning | |
Zhou et al. | Attribute-aware heterogeneous graph network for fashion compatibility prediction |
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 |