CN116402590B - 一种基于人工智能的个性化服装商城系统及推荐方法 - Google Patents
一种基于人工智能的个性化服装商城系统及推荐方法 Download PDFInfo
- Publication number
- CN116402590B CN116402590B CN202310663784.5A CN202310663784A CN116402590B CN 116402590 B CN116402590 B CN 116402590B CN 202310663784 A CN202310663784 A CN 202310663784A CN 116402590 B CN116402590 B CN 116402590B
- Authority
- CN
- China
- Prior art keywords
- clothing
- user
- image
- style
- feature
- 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 28
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000013508 migration Methods 0.000 claims abstract description 45
- 230000005012 migration Effects 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008485 antagonism Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 patterns Substances 0.000 description 1
- 230000008569 process Effects 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及图像处理领域，公开了一种基于人工智能的个性化服装商城系统及推荐方法。该系统包括用户端、服装商家端和平台服务端，其中平台服务端包括服装解析模块、风格迁移模块和推荐模块；用户端用于获取和保存用户信息；服装商家端用于登记和存储服装商品与商家信息；平台服务端用于为用户和商家提供个性化服务，该系统应用多种人工智能技术，结合联合网络、生成对抗网络和个性化推荐等模型，为用户提供多元化、个性化的服务；同时能让商家更准确地把握用户需求，提高销售额。本系统能够准确的解析服装深层语义信息，让用户可以快速找到喜爱的服装，提高用户体验和满意度，具有一定的意义和价值。
Description
技术领域
本发明涉及图像处理领域，具体为一种基于人工智能的个性化服装商城系统及推荐方法。
背景技术
随着互联网技术的发展，电子商务平台给用户带来了更多的选择。然而，由于服装商品种类繁多，消费者往往难以找到自己所喜欢的风格和款式，这给用户带来了欠佳的购物体验。
个性化服装商城系统在时尚产业中具有重要的意义，它不仅可以通过收集和分析用户的购物行为、偏好、风格等信息，为用户推荐符合其需求和喜好的商品，从而减少用户的挑选时间和购物成本，提高用户的购物体验和满意度；还可以帮助供应商更好地了解消费者需求和趋势，提高市场竞争力。
要实现个性化服装商城系统，需要设计一个准确的特征提取模型，用于开发个性化推荐算法等附加服务。但是服装的风格多变，容易受到颜色、纹理、材质等因素的影响，目前的特征提取网络无法很好的满足服装特征的提取要求。
发明内容
针对现有技术的以上缺陷或者改进需求，本发明提供了一种基于人工智能的个性化服装商城系统，其目的在于利用联合网络完成服装深层语义信息的特征提取，针对用户个性化服装需求，完成服装风格的迁移或推荐功能。
为实现上述目的，按照本发明的一个方面，提供了一种基于人工智能的个性化服装商城系统，包括用户端、服装商家端和平台服务端，所述平台服务端作为中间商为用户和商家提供服务；
其中，所述用户端，用于获取和保存用户信息，包括注册、登录、个人资料管理、商品浏览记录、商品评价和购物记录功能，商城系统通过用户端了解用户的偏好、消费倾向信息，为用户提供个性化的服务；
其中，所述服装商家端，用于登记和存储服装商品与商家信息，包括服装图像和服装的分类、属性、风格、价格信息，以及商家品牌、资质、库存信息；
其中，所述平台服务端，用于为用户与商家提供个性化服务，包括服装解析模块、风格迁移模块和推荐模块；其中，服装解析模块用于对服装图像进行解析，提取服装颜色、材质、款式、风格特征，所述风格迁移模块用于将用户指定服装的风格迁移到服装商家端中的某件服装中，生成新的服装图像；所述推荐模块分两种方式使用，第一种是单独使用，针对用户当前浏览的服装单品，推荐与当前服装单品相关的服装商品；第二种是结合服装解析模块和风格迁移模块一起使用，利用修正余弦相似度度量方法，将用户通过风格迁移得到的新服装图像的特征与使用服装解析模块提取到的服装特征进行匹配，推荐相似程度靠前的服装图像，以此为用户推荐个性化服装。
进一步的，所述服装解析模块使用结合卷积结构和同序关注度机制的联合网络提取服装中的深层语义信息，具体操作是：先使用一个的标准卷积完成对图像特征的初步提取，/>为指定的参数，根据实际情况进行选择；接着使用多个卷积结构完成特征的深层次提取，将提取到的特征送入双分支进行处理；其中，第一条分支仍然使用卷积结构进行特征提取，第二条分支则使用两个同序关注度机制计算特征中的全局相似度关系，最后将两个分支的输出进行拼接操作，并通过自适应全连接获得最终的特征输出。
进一步的，所述卷积结构使用一个的分组卷积进行特征的升维提取，再经过两个/>的标准卷积，其中第一个标准卷积将通道数变为原始通道数的4倍，第二个标准卷积将通道数还原为原始通道数，在相邻的两个卷积中依次加入批量标准化/>和激活函数/>，最后将卷积结构的输入和输出做一个拼接操作，每两个卷积结构后令特征图的长宽减半，通道数加倍；激活函数/>的公式如下：
其中是一个极小数，/>是一个超参数，防止通过激活函数得出的数值过小。
进一步的，所述同序关注度机制取每个特征图上的每一行的特征序列为，经过两个随机初始化的参数矩阵，将/>映射到不同的空间维度，得到新的特征序列/>和/>，将所有特征序列的/>和/>分别进行拼接，获得序列矩阵/>和/>，使用归一化指数函数/>计算第个特征序列/>对所有的特征序列/>和/>的关注度信息，具体公式为：
式中的为特征序列/>的长度，/>为特征序列/>的维度，/>为计算同序关注度时的调节因子，/>为矩阵的转置符号。
进一步的，所述风格迁移模块利用生成对抗网络GAN进行风格迁移，GAN是一种由生成器和判别器组成的深度神经网络结构，其中生成器负责生成与样本相似的数据，而判别器则负责区分生成器生成的数据和真实数据；在风格迁移中，通过将用户选择的服装图像和服装商家端已有的服装款式作为输入，使用联合网络从中提取出相应的特征，然后将这些特征传入生成器中进行处理，得到与服装商家端已有款式相似的新风格图像；判别器选择已有的生成对抗模型，快速实现图像风格转换。
进一步的，所述推荐模块的具体实现方式如下；
在对用户当前浏览服装商品进行推荐时，假设用户当前浏览商品中服装图像的特征向量为，服装商家端中服装的图像特征为/>，则它们的修正余弦相似度为：
其中和/>分别表示向量/>和/>的第/>个元素，/>为特征向量的长度，/>是一个随机扰动变量，其值域在0到0.1之间，计算完相似度后，将服装按照相似度值进行排序，选择与特征向量v最相似的前/>个向量作为推荐结果。
按照本发明的另一个方面，本发明提供一种基于人工智能的个性化服装推荐方法，包括如下步骤：
步骤1，获取用户输入的服装图像信息或者浏览的服装图像信息；
步骤2，利用服装解析模块对服装图像进行解析，提取服装颜色、材质、款式、风格特征；
步骤3，根据步骤2的解析结果，通过风格迁移模块将用户指定服装的风格迁移到服装商家端中的某件服装中，生成新的服装图像；
步骤4，针对用户当前浏览的服装单品，直接推荐与当前服装单品相关的服装商品；针对用户输入的服装图像信息，结合服装解析模块和风格迁移模块，利用修正余弦相似度度量方法，将用户通过风格迁移得到的新服装图像的特征与使用服装解析模块提取到的服装特征进行匹配，推荐相似程度靠前的服装图像，以此为用户推荐个性化服装。
进一步的，所述服装解析模块使用结合卷积结构和同序关注度机制的联合网络提取服装中的深层语义信息，具体操作是：先使用一个的标准卷积完成对图像特征的初步提取，/>为指定的参数，根据实际情况进行选择；接着使用多个卷积结构完成特征的深层次提取，将提取到的特征送入双分支进行处理；其中，第一条分支仍然使用卷积结构进行特征提取，第二条分支则使用两个同序关注度机制计算特征中的全局相似度关系，最后将两个分支的输出进行拼接操作，并通过自适应全连接获得最终的特征输出；
所述卷积结构使用一个的分组卷积进行特征的升维提取，再经过两个/>的标准卷积，其中第一个标准卷积将通道数变为原始通道数的4倍，第二个标准卷积将通道数还原为原始通道数，在相邻的两个卷积中依次加入批量标准化/>和激活函数/>，最后将卷积结构的输入和输出做一个拼接操作，每两个卷积结构后令特征图的长宽减半，通道数加倍；激活函数/>的公式如下：
其中是一个极小数，/>是一个超参数，防止通过激活函数得出的数值过小；
所述同序关注度机制取每个特征图上的每一行的特征序列为，经过两个随机初始化的参数矩阵，将/>映射到不同的空间维度，得到新的特征序列/>和/>，将所有特征序列的和/>分别进行拼接，获得序列矩阵/>和/>，使用归一化指数函数/>计算第i个特征序列/>对所有的特征序列/>和/>的关注度信息，具体公式为：
式中的为特征序列/>的长度，/>为特征序列/>的维度，/>为计算同序关注度时的调节因子，/>为矩阵的转置符号。
进一步的，所述风格迁移模块利用生成对抗网络GAN进行风格迁移，GAN是一种由生成器和判别器组成的深度神经网络结构，其中生成器负责生成与样本相似的数据，而判别器则负责区分生成器生成的数据和真实数据；在风格迁移中，通过将用户选择的服装图像和服装商家端已有的服装款式作为输入，使用联合网络从中提取出相应的特征，然后将这些特征传入生成器中进行处理，得到与服装商家端已有款式相似的新风格图像；判别器选择已有的生成对抗模型，快速实现图像风格转换。
进一步的，步骤4中，在对用户当前浏览服装商品进行推荐时，假设用户当前浏览商品中服装图像的特征向量为，服装商家端中服装的图像特征为/>，则它们的修正余弦相似度为：
其中和/>分别表示向量/>和/>的第/>个元素，/>为特征向量的长度，/>是一个随机扰动变量，其值域在0到0.1之间，计算完相似度后，将服装按照相似度值进行排序，选择与特征向量v最相似的前/>个向量作为推荐结果。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得以下有益效果：
（1）使用结合卷积结构和同序关注度机制的联合网络，有利于准确获取服装深层次语义信息，便于实现特征抽取、数据分析等任务，也同样可以应用到风格迁移和服装推荐等模块；
（2）所提出的同序关注度机制能够在特征序列之间建立关联，提高模型对于序列数据的建模能力，从而提高模型的准确性；
（3）风格迁移模块可以帮助用户将喜欢的服装风格转化到服装商家端已有的服装款式中，满足用户个性化的需求，拓宽了用户的购买范围。
附图说明
图1为本发明的模块示意图；
图2为本发明中所设计的联合网络示意图；
图3为本发明中所设计的卷积结构示意图。
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，所属技术领域的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。
本发明提供的一种基于人工智能的个性化服装商城系统的模块示意图，参见附图1，包括用户端、服装商家端和平台服务端，所述平台服务端作为中间商为用户和商家提供服务；
其中，所述用户端，用于获取和保存用户信息，包括注册、登录、个人资料管理、商品浏览记录、商品评价和购物记录等功能。通过用户端，系统可以了解用户的偏好、消费倾向等信息，为用户提供个性化的服务；
其中，所述服装商家端，用于登记和存储服装商品与商家信息，包括服装图像和服装的分类、属性、风格、价格等信息，也包括商家品牌、资质、库存等信息；
其中，所述平台服务端，用于为用户与商家提供个性化服务，包括服装解析模块、风格迁移模块和推荐模块；其中，服装解析模块用于对服装图像进行解析，提取服装颜色、材质、款式、风格等特征，所述风格迁移模块用于将用户指定服装的风格迁移到服装商家端中的某件服装中，所述推荐模块利用用户偏好、用户购买历史和商品属性等信息，基于服装解析模块为用户推荐个性化的服装商品。平台服务端为用户和服装商家提供服务，针对服装商家的服装单品，使用服装解析模块提取服装的特征信息并保存；用户在浏览服装时，可能心仪某一款服装款式，但是没有自己喜爱的风格，因此他可以挑选自己喜爱风格的图像，利用风格迁移模块对服装商家端中的某款服装图像进行风格迁移，生成新的服装图像；利用推荐模块，可以推荐用户生成的新服装图像的相关图像，也可以利用用户当前浏览的商品/用户购买历史/用户偏好，进行推荐。
其中，所述服装解析模块使用结合卷积结构和同序关注度机制的联合网络提取服装中的深层语义信息，具体操作是：先使用一个的标准卷积完成对图像特征的初步提取，/>为指定的参数，可选的有3、5、7、11，应该根据实际情况进行选择，当/>较大时，可以更关注较大的服装特征，接着使用六个卷积结构完成特征的深层次提取，将提取到的特征送入双分支进行处理；其中，第一条分支仍然使用卷积结构进行特征提取，第二条分支则使用同序关注度机制计算特征中的全局相似度关系，最后将两个分支的输出进行拼接操作，并通过自适应全连接获得最终的特征输出。
其中，所述卷积结构使用一个的分组卷积进行特征的升维提取，再经过两个的标准卷积，其中第一个标准卷积将通道数变为原始通道数的4倍，第二个标准卷积将通道数还原为原始通道数，在相邻的两个卷积中依次加入批量标准化/>和激活函数，最后将卷积结构的输入和输出做一个拼接操作，每两个卷积结构后令特征图的长宽减半，通道数加倍，激活函数/>的公式如下：
其中是一个极小数，通常为0.05，/>是一个超参数，防止通过激活函数得出的数值过小。
其中，所述同序关注度机制取每个特征图上的每一行的特征序列为，经过两个随机初始化的参数矩阵，将/>映射到不同的空间维度，得到新的特征序列/>和/>，将所有特征序列的/>和/>分别进行拼接，获得序列矩阵/>和/>,使用归一化指数函数/>计算某一特征序列/>对所有的特征序列/>和/>的关注度信息，具体公式为：
式中的为特征序列/>的长度，/>为特征序列/>的维度，/>为计算同序关注度时的调节因子，/>为矩阵的转置符号，同序关注度机制可以计算特征中的全局相似度关系，从而更好地描述服装的整体特征，为后续的风格迁移提供更准确的基础。
其中，所述风格迁移模块利用生成对抗网络（GAN）进行风格迁移，GAN是一种由生成器和判别器组成的深度神经网络结构，其中生成器负责生成与样本相似的数据，而判别器则负责区分生成器生成的数据和真实数据；
在风格迁移中，通过将用户选择的服装图像和服装商家端已有的服装款式作为输入，使用联合网络从中提取出相应的特征，然后将这些特征传入生成器中进行处理，得到与服装商家端已有款式的新风格图像；判别器则可以选择已有的生成对抗模型，例如CycleGAN等，这些模型已经经过训练，可以快速实现图像风格转换，也可以根据具体需求自行设计模型，以满足不同的业务需求。
需要注意的是，用户通过风格迁移模块生成的图片可以进行保存，用于推荐模块的查找中。
其中，所述推荐模块可以根据分类、属性、风格、或个人风格进行推荐，在进行个人风格推荐时，用户可以上传自己的服装图像，结合服装解析模块对用户的服装图像进行特征提取，使用修正余弦相似度等度量方法将提取到的特征和系统内已有的特征（即服装解析模块对服装图像进行处理后生成的特征）进行匹配，推荐相似程度较高的服装图像。
所述推荐模块在对用户当前浏览商品进行推荐时，使用修正余弦相似度对服装商家端中相近的图像特征进行计算，假设用户当前浏览商品中服装图像的特征向量为，服装商家端中服装的图像特征为/>，则它们的修正余弦相似度为：
其中和/>分别表示向量/>和/>的第/>个元素,/>为特征向量的长度，/>是一个随机扰动变量，其值域在0到0.1之间。计算完相似度后，将服装按照相似度值进行排序，选择与特征向量/>最相似的前/>个向量作为推荐结果。
用户上传的服装图像和联合网络提取的特征可以帮助系统更准确地了解用户的喜好和风格，从而提高推荐的准确性。
其中，服装商城系统会利用联合网络提取服装商家端内服装图像的深层语义信息并保存，整个系统的数据在使用时会进行脱敏处理，即在涉及到用户信息时，采取数据掩码或数据截断操作对用户信息进行保护。
例如：①数据掩码：在向服装商家端反馈用户手机号时，使用139****8888代替。②数据截断：在展示用户生日时，使用199006代替用户生日完整信息。
本发明提供的一种基于人工智能的个性化服装商城系统，使用联合网络能够准确地解析服装的深层语义信息，从而为用户提供优质、个性化的服务。通过采用深度学习技术，系统能够提取服装的风格、颜色、图案和材质等多维度特征，进而根据用户的需求和喜好，提供针对性的风格迁移和服装推荐等服务。本系统有助于用户快速找到合适的服装，减少无效浏览，提高用户的购物体验，同时为服装品牌和零售商提供有价值的消费者洞察，助力产业发展。
本发明还提供一种基于人工智能的个性化服装推荐方法，包括如下步骤：
步骤1，获取用户输入的服装图像信息或者浏览的服装图像信息；
步骤2，利用服装解析模块对服装图像进行解析，提取服装颜色、材质、款式、风格特征；
步骤3，根据步骤2的解析结果，通过风格迁移模块将用户指定服装的风格迁移到服装商家端中的某件服装中，生成新的服装图像；
步骤4，针对用户当前浏览的服装单品，直接推荐与当前服装单品相关的服装商品；针对用户输入的服装图像信息，结合服装解析模块和风格迁移模块，推荐相似程度靠前的服装图像，以此为用户推荐个性化服装。
步骤中服装解析模块、风格迁移模块和推荐方法的具体实现方式与系统中各模块的实现方式相同，本发明不予撰述。
所属技术领域的技术人员应当理解：以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子。凡在本发明的精神和原则之内，对以上实施例所做的任何省略、修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的个性化服装商城系统，其特征在于，包括用户端、服装商家端和平台服务端，所述平台服务端作为中间商为用户和商家提供服务；
其中，所述用户端，用于获取和保存用户信息，包括注册、登录、个人资料管理、商品浏览记录、商品评价和购物记录功能，商城系统通过用户端了解用户的偏好、消费倾向信息，为用户提供个性化的服务；
其中，所述服装商家端，用于登记和存储服装商品与商家信息，包括服装图像和服装的分类、属性、风格、价格信息，以及商家品牌、资质、库存信息；
其中，所述平台服务端，用于为用户与商家提供个性化服务，包括服装解析模块、风格迁移模块和推荐模块；其中，服装解析模块用于对服装图像进行解析，提取服装颜色、材质、款式、风格特征，所述风格迁移模块用于将用户指定服装的风格迁移到服装商家端中的某件服装中，生成新的服装图像；所述推荐模块分两种方式使用，第一种是单独使用，针对用户当前浏览的服装单品，推荐与当前服装单品相关的服装商品；第二种是结合服装解析模块和风格迁移模块一起使用，利用修正余弦相似度度量方法，将用户通过风格迁移得到的新服装图像的特征与使用服装解析模块提取到的服装特征进行匹配，推荐相似程度靠前的服装图像，以此为用户推荐个性化服装；
所述服装解析模块使用结合卷积结构和同序关注度机制的联合网络提取服装中的深层语义信息，具体操作是：先使用一个的标准卷积完成对图像特征的初步提取，/>为指定的参数，m取3或5或7或11，根据实际情况进行选择；接着使用6个卷积结构完成特征的深层次提取，将提取到的特征送入双分支进行处理；其中，第一条分支仍然使用卷积结构进行特征提取，第二条分支则使用两个串联的同序关注度机制计算特征中的全局相似度关系，最后将两个分支的输出进行拼接操作，并通过自适应全连接获得最终的特征输出；
所述同序关注度机制取每个特征图上的每一行的特征序列为，经过两个随机初始化的参数矩阵，将/>映射到不同的空间维度，得到新的特征序列/>和/>，将所有特征序列的/>和分别进行拼接，获得序列矩阵/>和/>，使用归一化指数函数/>计算第/>个特征序列对所有的特征序列/>和/>的关注度信息，具体公式为：
；
式中的为特征序列/>的长度，/>为特征序列/>的维度，/>为计算同序关注度时的调节因子，/>为矩阵的转置符号；
所述风格迁移模块利用生成对抗网络GAN进行风格迁移，GAN是一种由生成器和判别器组成的深度神经网络结构，其中生成器负责生成与样本相似的数据，而判别器则负责区分生成器生成的数据和真实数据；在风格迁移中，通过将用户选择的服装图像和服装商家端已有的服装款式作为输入，使用联合网络从中提取出相应的特征，然后将这些特征传入生成器中进行处理，得到与服装商家端已有款式相似的新风格图像；判别器选择已有的生成对抗模型，快速实现图像风格转换。
2.如权利要求1所述的一种基于人工智能的个性化服装商城系统，其特征在于：所述卷积结构使用一个的分组卷积进行特征的升维提取，再经过两个/>的标准卷积，其中第一个标准卷积将通道数变为原始通道数的4倍，第二个标准卷积将通道数还原为原始通道数，在相邻的两个卷积中依次加入批量标准化/>和激活函数/>，最后将卷积结构的输入和输出做一个拼接操作，每两个卷积结构后令特征图的长宽减半，通道数加倍；激活函数/>的公式如下：
；
其中是一个极小数，/>是一个超参数，防止通过激活函数得出的数值过小。
3.如权利要求2所述的一种基于人工智能的个性化服装商城系统，其特征在于：所述推荐模块的具体实现方式如下；
在对用户当前浏览服装商品进行推荐时，假设用户当前浏览商品中服装图像的特征向量为，服装商家端中服装的图像特征为/>，则它们的修正余弦相似度为：
；
其中和/>分别表示向量/>和/>的第/>个元素，/>为特征向量的长度，/>是一个随机扰动变量，其值域在0到0.1之间，计算完相似度后，将服装按照相似度值进行排序，选择与特征向量v最相似的前/>个向量作为推荐结果。
4.一种基于人工智能的个性化服装推荐方法，其特征在于，包括如下步骤：
步骤1，获取用户输入的服装图像信息或者浏览的服装图像信息；
步骤2，利用服装解析模块对服装图像进行解析，提取服装颜色、材质、款式、风格特征；
所述服装解析模块使用结合卷积结构和同序关注度机制的联合网络提取服装中的深层语义信息，具体操作是：先使用一个的标准卷积完成对图像特征的初步提取，/>为指定的参数，m取3或5或7或11，根据实际情况进行选择；接着使用6个卷积结构完成特征的深层次提取，将提取到的特征送入双分支进行处理；其中，第一条分支仍然使用卷积结构进行特征提取，第二条分支则使用两个串联的同序关注度机制计算特征中的全局相似度关系，最后将两个分支的输出进行拼接操作，并通过自适应全连接获得最终的特征输出；
所述同序关注度机制取每个特征图上的每一行的特征序列为，经过两个随机初始化的参数矩阵，将/>映射到不同的空间维度，得到新的特征序列/>和/>，将所有特征序列的/>和分别进行拼接，获得序列矩阵/>和/>，使用归一化指数函数/>计算第i个特征序列对所有的特征序列/>和/>的关注度信息，具体公式为：
；
式中的为特征序列/>的长度，/>为特征序列/>的维度，/>为计算同序关注度时的调节因子，/>为矩阵的转置符号；
步骤3，根据步骤2的解析结果，通过风格迁移模块将用户指定服装的风格迁移到服装商家端中的某件服装中，生成新的服装图像；
所述风格迁移模块利用生成对抗网络GAN进行风格迁移，GAN是一种由生成器和判别器组成的深度神经网络结构，其中生成器负责生成与样本相似的数据，而判别器则负责区分生成器生成的数据和真实数据；在风格迁移中，通过将用户选择的服装图像和服装商家端已有的服装款式作为输入，使用联合网络从中提取出相应的特征，然后将这些特征传入生成器中进行处理，得到与服装商家端已有款式相似的新风格图像；判别器选择已有的生成对抗模型，快速实现图像风格转换；
步骤4，针对用户当前浏览的服装单品，直接推荐与当前服装单品相关的服装商品；针对用户输入的服装图像信息，结合服装解析模块和风格迁移模块，利用修正余弦相似度度量方法，将用户通过风格迁移得到的新服装图像的特征与使用服装解析模块提取到的服装特征进行匹配，推荐相似程度靠前的服装图像，以此为用户推荐个性化服装。
5.如权利要求4所述的一种基于人工智能的个性化服装推荐方法，其特征在于：所述卷积结构使用一个的分组卷积进行特征的升维提取，再经过两个/>的标准卷积，其中第一个标准卷积将通道数变为原始通道数的4倍，第二个标准卷积将通道数还原为原始通道数，在相邻的两个卷积中依次加入批量标准化/>和激活函数/>，最后将卷积结构的输入和输出做一个拼接操作，每两个卷积结构后令特征图的长宽减半，通道数加倍；激活函数/>的公式如下：
；
其中是一个极小数，/>是一个超参数，防止通过激活函数得出的数值过小。
6.如权利要求5所述的一种基于人工智能的个性化服装推荐方法，其特征在于：步骤4中，在对用户当前浏览服装商品进行推荐时，假设用户当前浏览商品中服装图像的特征向量为，服装商家端中服装的图像特征为/>，则它们的修正余弦相似度为：
；
其中和/>分别表示向量/>和/>的第/>个元素，/>为特征向量的长度，/>是一个随机扰动变量，其值域在0到0.1之间，计算完相似度后，将服装按照相似度值进行排序，选择与特征向量v最相似的前/>个向量作为推荐结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663784.5A CN116402590B (zh) | 2023-06-06 | 2023-06-06 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663784.5A CN116402590B (zh) | 2023-06-06 | 2023-06-06 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116402590A CN116402590A (zh) | 2023-07-07 |
| CN116402590B true CN116402590B (zh) | 2023-09-15 |
Family
ID=87016477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310663784.5A Active CN116402590B (zh) | 2023-06-06 | 2023-06-06 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116402590B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116911951B (zh) * | 2023-07-28 | 2024-03-08 | 北京数聚智连科技股份有限公司 | 一种电商数据分析处理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201329888A (zh) * | 2012-01-13 | 2013-07-16 | Clipick Co Ltd | 服飾搭配系統及其方法 |
| 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 |
| CN113160033A (zh) * | 2020-12-28 | 2021-07-23 | 武汉纺织大学 | 服装风格迁移系统与方法 |
| CN113657480A (zh) * | 2021-08-13 | 2021-11-16 | 江南大学 | 一种基于特征融合网络模型的服装解析方法 |
| KR20220111592A (ko) * | 2021-02-02 | 2022-08-09 | 주식회사 패션에이드 | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 |
| WO2022240420A1 (en) * | 2021-05-14 | 2022-11-17 | Jennifer Stine | Adaptable systems and methods for matching available clothing to appropriate customers based on profile data |
| KR20220165610A (ko) * | 2021-06-08 | 2022-12-15 | 김민진 | 인공지능 기반 패션 증강 현실 모바일 앱 |
| CN115618452A (zh) * | 2022-12-08 | 2023-01-17 | 湖南大学 | 具有设计师风格的服装图像智能生成系统 |
| CN115905593A (zh) * | 2022-10-27 | 2023-04-04 | 浙江大学 | 基于当季潮流风格对已有服装穿搭推荐的方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11727463B2 (en) * | 2019-10-07 | 2023-08-15 | Salesforce, Inc. | Systems and methods of image-based neural network apparel recommendation |
-
2023
- 2023-06-06 CN CN202310663784.5A patent/CN116402590B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201329888A (zh) * | 2012-01-13 | 2013-07-16 | Clipick Co Ltd | 服飾搭配系統及其方法 |
| 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 |
| CN113160033A (zh) * | 2020-12-28 | 2021-07-23 | 武汉纺织大学 | 服装风格迁移系统与方法 |
| KR20220111592A (ko) * | 2021-02-02 | 2022-08-09 | 주식회사 패션에이드 | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 |
| WO2022240420A1 (en) * | 2021-05-14 | 2022-11-17 | Jennifer Stine | Adaptable systems and methods for matching available clothing to appropriate customers based on profile data |
| KR20220165610A (ko) * | 2021-06-08 | 2022-12-15 | 김민진 | 인공지능 기반 패션 증강 현실 모바일 앱 |
| CN113657480A (zh) * | 2021-08-13 | 2021-11-16 | 江南大学 | 一种基于特征融合网络模型的服装解析方法 |
| CN115905593A (zh) * | 2022-10-27 | 2023-04-04 | 浙江大学 | 基于当季潮流风格对已有服装穿搭推荐的方法及系统 |
| CN115618452A (zh) * | 2022-12-08 | 2023-01-17 | 湖南大学 | 具有设计师风格的服装图像智能生成系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于注意力机制的CycleGAN服装局部风格迁移研究;陈佳;计算机工程;第47卷(第11期);全文 * |
| 采用双注意力机制Deeplabv3+算法的服装图像分割;赵乙等;成都信息工程大学学报;第37卷(第1期);第68页第1段-第69页第3段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116402590A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11783567B2 (en) | Systems, methods, and storage media for evaluating images | |
| CN104504055B (zh) | 基于图像相似度的商品相似计算方法及商品推荐系统 | |
| US11809985B2 (en) | Algorithmic apparel recommendation | |
| US20030063779A1 (en) | System for visual preference determination and predictive product selection | |
| CN108319633B (zh) | 一种图像处理方法、装置及服务器、系统、存储介质 | |
| US20180129904A1 (en) | Textile matching using color and pattern recognition and methods of use | |
| JP2012529122A (ja) | ユーザーのジャンル及びスタイルを学習すると共に製品をユーザーの好みにマッチングさせるシステム及び方法 | |
| WO2010014599A1 (en) | A distributed matching system for comparing garment information and buyer information | |
| CN116402590B (zh) | 一种基于人工智能的个性化服装商城系统及推荐方法 | |
| CN111325226A (zh) | 信息呈现方法和装置 | |
| KR20210031223A (ko) | 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템 | |
| Sapna et al. | Recommendence and fashionsence: Online fashion advisor for offline experience | |
| CN115392947A (zh) | 需求量预测方法以及装置 | |
| Zhu et al. | New product design with popular fashion style discovery using machine learning | |
| Anand et al. | An image-based deep learning approach for personalized outfit selection | |
| CN118215431A (zh) | 基于肤色和皮肤状态扫描的匹配化妆品和皮肤护理产品 | |
| US11481830B2 (en) | Method, system and medium for user specific apparel attribute recommendation | |
| KR20240090299A (ko) | 의류 거래를 자동화하기 위한 시스템 및 방법 | |
| CN114491086A (zh) | 服饰个性化搭配推荐方法、系统、电子设备及存储介质 | |
| Nair et al. | Outfit recommendation–using image processing | |
| CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
| KR20210112258A (ko) | 오프라인 구매를 위한 개인화된 추천 서비스 제공 방법 및 장치 | |
| Scaramuzzino et al. | Attribute disentanglement with gradient reversal for interactive fashion retrieval | |
| Griebel et al. | A picture is worth more than a thousand purchases: Designing an image-based fashion curation system | |
| US11842533B2 (en) | Predictive search techniques based on image analysis and group feedback |
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 |