CN111275490A - 一种面向差异化场景的服饰推荐***及方法 - Google Patents
一种面向差异化场景的服饰推荐***及方法 Download PDFInfo
- Publication number
- CN111275490A CN111275490A CN202010066018.7A CN202010066018A CN111275490A CN 111275490 A CN111275490 A CN 111275490A CN 202010066018 A CN202010066018 A CN 202010066018A CN 111275490 A CN111275490 A CN 111275490A
- Authority
- CN
- China
- Prior art keywords
- user
- neural network
- layer
- network structure
- commodities
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect 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
- 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
- G06N3/045—Combinations of 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
- G06N3/08—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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种面向差异化场景的服饰推荐***及方法，该***包括基于深度学习的第一层神经网络结构和第二层神经网络结构，通过所述第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过所述第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前；其中，所述第一层神经网络结构和第二层神经网络结构经过深度学习，根据所输入的用户所处场景、用户风格偏好以及服饰舒适度，为用户精准推荐适合该场景下的服饰商品。该***大大减少了需要处理的数据量，可以处理大量的用户推荐，同时可以为每个用户提供符合场景的个性化的服饰推荐服务。
Description
技术领域
本发明涉及一种面向差异化场景的服饰推荐***及方法。
背景技术
现有的工程技术中，个性化服饰推荐***常常根据用户浏览的商品信息进行相关种类的服饰进行推荐，而对用户所处不同场景下推荐的服饰需求产生一定的偏差，存在一定的缺陷。
新的研究成果中主要由两种方法来个性化推荐服饰：
1)通过人工智能技术与大数据分析获取用户在服饰方面的偏好信息，为用户提供个性化穿搭推荐，但是未考虑服饰本身舒适度和流行度信息，且数据量大。
2)根据用户浏览的商品信息进行相关种类的服饰进行推荐，从内容和服务上来说显得过于简单，不满足人们对现有服饰搭配与推荐的需求。
例如，专利文献CN110059247A公开了一种基于人工智能技术的个性化穿搭推荐***，通过人工智能技术与大数据分析能够获取用户在服饰方面的偏好信息，为用户提供个性化穿搭推荐，不仅数据量大，也难以有效满足人们对现有服饰搭配与推荐的需求。
如何减少需要处理的数据量，不仅可以处理大量的用户推荐，而且可以为每个用户提供个性化的推荐服务，是上述技术面临的问题。
发明内容
本发明的主要目的在于上述技术缺陷中的至少一种，提供一种面向差异化场景的服饰推荐***及方法。
为实现上述目的，本发明采用以下技术方案：
一种面向差异化场景的服饰推荐***，包括基于深度学习的第一层神经网络结构和第二层神经网络结构，通过所述第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过所述第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前；其中，所述第一层神经网络结构和第二层神经网络结构经过深度学习，根据所输入的用户所处场景、用户风格偏好以及服饰舒适度，为用户精准推荐适合该场景下的服饰商品。
进一步地：
在所述第二层神经网络结构还获取其他渠道推荐过来的候选推荐集，和所述第一层神经网络结构的候选推荐集融合起来进行排序。
根据用户所处场景的不同，所推荐的服饰商品的风格和舒适度权重占比不同。
通过DNN和激活函数来进行用户选择的风格与舒适度的融合，以向用户推荐适合该场景下的服饰商品。
基于所述用户所处场景和用户偏好信息，与符合当季潮流穿搭的流行度信息相结合，为用户推荐适合用户所处场景和偏好且当季流行的潮流搭配。
所述第一层神经网络结构包括多层全连接的DNN和ReLU激活函数，其中，将商品id的嵌入、搜索的关键词的嵌入、以及场景的嵌入、地理信息、商品的生命周期信息作为特征送入第一层神经网络中，在训练阶段，网络最后一层的输出经过softmax之后得到最有可能购买的商品预测值，与用户实际上购买的下一件商品进行比较，并求损失，在线上推荐服务阶段，直接使用softmax之前的特征向量作为该用户的隐向量，使用近似最近邻的方法，找出与该隐向量最接近的若干条隐向量代表的商品，作为所述候选集。
所述第二层神经网络结构包括多层全连接的DNN和ReLU激活函数，在排序阶段，对于待求排序分数的商品i，将该商品的嵌入、整个候选集所有商品的嵌入的均值、场景的嵌入、以及地理位置信息作为特征送入所述第二层神经网络结构，在训练阶段，网络的首部是一个逻辑回归，用来学习通过回归得到的每个商品的排序分数，在线上推荐服务阶段，网络直接输出商品i的分数，依据此分数对商品排序，并选择排名靠前的商品进行推荐。
一种面向差异化场景的服饰推荐方法，构建并使用所述的服饰推荐***对用户提供面向差异化场景的服饰推荐。
本发明具有如下有益效果：
本发明提供一种面向差异化场景的服饰推荐***，采用深度学习的两层神经网结构，能够智能分析用户所处场景、用户风格偏好以及服饰舒适度，为用户精准推荐适合该场景下的服饰商品，根据用户所处不同场景为用户提供良好的个性化穿搭推荐。其中，通过第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前，上述两层结构的设计大大减少了需要处理的数据量，可以处理大量的用户推荐，同时可以为每个用户提供符合场景的个性化的服饰推荐服务。进一步地，根据用户所处场景的不同，***所推荐的服饰商品的风格和舒适度权重占比不同，从而为用户更精准地推荐适合场景的服饰商品。进一步的，***还可以结合当季服饰流行度信息，提升个性化穿搭推荐的当季流行匹配度，从而在适合场景的基础上，为用户推荐符合当季流行的潮流搭配。
附图说明
图1为本发明一种实施例的面向差异化场景的服饰推荐***的总体结构；
图2为本发明实施例中通过第一层神经网络结构实现融合场景的候选集生成示意图。
图3为本发明实施例中通过第二层神经网络结构实现融合场景的推荐排序示意图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
参阅图1至图3，本发明实施例提出一种面向差异化场景的服饰推荐***，包括基于深度学习的第一层神经网络结构和第二层神经网络结构，通过所述第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过所述第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前；其中，所述第一层神经网络结构和第二层神经网络结构经过深度学习，根据所输入的用户所处场景、用户风格偏好以及服饰舒适度，为用户精准推荐适合该场景下的服饰商品。
在优选的实施例中，在所述第二层神经网络结构还获取其他渠道推荐过来的候选推荐集，和所述第一层神经网络结构的候选推荐集融合起来进行排序。
在优选的实施例中，根据用户所处场景的不同，所推荐的服饰商品的风格和舒适度权重占比不同。
在优选的实施例中，通过DNN和激活函数来进行用户选择的风格与舒适度的融合，以向用户推荐适合该场景下的服饰商品。
在优选的实施例中，基于所述用户所处场景和用户偏好信息，与符合当季潮流穿搭的流行度信息相结合，为用户推荐适合用户所处场景和偏好且当季流行的潮流搭配。
本发明实施例还提出一种面向差异化场景的服饰推荐方法，包括构建前述任一实施例的服饰推荐***，并使用该***对用户提供面向差异化场景的服饰推荐。
本发明实施例提供一种面向差异化场景的服饰推荐***，采用深度学习的两层神经网结构，能够智能分析用户所处场景、用户风格偏好以及服饰舒适度，为用户精准推荐适合该场景下的服饰商品，根据用户所处不同场景为用户提供良好的个性化穿搭推荐。其中，通过第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前，两层结构大大减少了需要处理的数据量，同时可以为每个用户提供符合场景的个性化的服饰推荐服务。进一步地，根据用户所处场景的不同，***所推荐的服饰商品的风格和舒适度权重占比不同，从而为用户更精准地推荐适合场景的服饰商品。进一步的，***还可以结合当季服饰流行度信息(流行因子)，提升个性化穿搭推荐的当季流行匹配度，从而在适合场景的基础上，为用户推荐符合当季流行的潮流搭配。
以下结合附图进一步描述本发明具体实施例的特征和优点。
本发明一些实施例中，利用深度学习，构建了两层结构的推荐***。在第一层里，从海量的服饰商品中选取比较少量的用户可能感兴趣的商品出来，构成候选推荐集。在第二层里，由于此时需要考虑的商品量大大减少了，所以可以使用一些计算量比较大的深度学习模型以及获取更多的特征，来对商品进行排序，将用户可能最感兴趣的服饰排名升高。使用这样的推荐结构，好处之一是可以处理大量的用户推荐，通过这两层结构，大大减少了需要处理的数据量，同时可以为每个用户提供个性化的内容推荐服务。另外，使用两层结构，可以在第二层推荐排序中获取其它渠道推荐过来的候选集，和第一层的结果融合起来，方便扩展，为用户提供更好的体验。
本发明一些实施例中，在不同场景下(运动，上班，约会，晚宴等)，用户对服饰商品的风格和舒适度权重占比不同，用DNN(深度神经网络)+激活函数做一个选择门(selectgate)进行风格与舒适度的融合，为用户更精准的推荐适合该场景下的服饰商品。
本发明一些实施例中，将时尚达人推荐的符合当季潮流穿搭的数据信息融入推荐***中进行学习，结合用户历史购买行为，为用户推荐符合当季流行的潮流搭配。
首先，实现基于场景的服饰推荐。在不同场景下，用户对服饰商品的风格和舒适度权重占比不同，为用户更精准的推荐适合该场景下的服饰商品。
进一步地，还实现基于流行度的服饰搭配。用户已经购买了一件或几件服饰单品却不知如何搭配其它单品时，通过本发明的***和方法，可以快速准确地获得符合当季流行的潮流搭配。
图1为本发明一种实施例的面向差异化场景的服饰推荐***的总体结构。该***由两个神经网络组成，一个为深度专家推荐***，用于召回(粗选)，一个为深度排名***，用于排名。图2为本发明实施例中通过第一层神经网络结构实现融合场景的候选集生成示意图。图3为本发明实施例中通过第二层神经网络结构实现融合场景的推荐排序示意图。
如图2，将商品id的嵌入(embedding)、搜索的关键词的嵌入、以及场景的嵌入、地理信息、商品的生命周期等信息作为特征送入网络中，网络整体结构是一个全连接的DNN+ReLU激活函数，在训练阶段，网络最后一层的输出经过softmax之后得到最有可能购买的商品预测值，与用户实际上购买的下一件商品进行比较，并求损失(loss)。在线上推荐服务(serving)阶段，直接使用softmax之前的特征向量(feature vector)作为该用户的隐向量(latent vector)，使用近似最近邻的方法，找出与该隐向量最接近的若干条隐向量(数量级在1k左右)代表的商品，作为候选集。
如图3，在排序阶段，对于待求排序分数的商品i，将该商品的嵌入，整个候选集所有商品的嵌入的均值，场景的嵌入，以及地理位置等其他信息作为特征送入网络网络结构还是多层全连接的DNN+ReLU激活函数。在训练阶段，网络的首部(head)是一个逻辑回归(Logistics Regression)，用来学习通过回归得到的每个商品的排序分数。在serving阶段，网络直接输出商品i的分数这样对于上一页中候选集中的每一个商品都过一遍网络，每一个都得到一个分数，就可以依据此分数对商品排序，并选择排名靠前的若干商品进行推荐。
使用本发明实施例面向差异化场景的服饰推荐***，能够智能分析用户的偏好信息以及服饰舒适度信息，根据用户所处不同场景为用户提供良好的个性化穿搭推荐，提升个性化穿搭推荐的匹配度。
本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。
Claims (8)
1.一种面向差异化场景的服饰推荐***，其特征在于，包括基于深度学习的第一层神经网络结构和第二层神经网络结构，通过所述第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过所述第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前；其中，所述第一层神经网络结构和第二层神经网络结构经过深度学习，根据所输入的用户所处场景、用户风格偏好以及服饰舒适度，为用户推荐适合该场景下的服饰商品。
2.如权利要求1所述的面向差异化场景的服饰推荐***，其特征在于，在所述第二层神经网络结构还获取其他渠道推荐过来的候选推荐集，和所述第一层神经网络结构的候选推荐集融合起来进行排序。
3.如权利要求1或2所述的面向差异化场景的服饰推荐***，其特征在于，根据用户所处场景的不同，所推荐的服饰商品的风格和舒适度权重占比不同。
4.如权利要求3所述的面向差异化场景的服饰推荐***，其特征在于，通过DNN和激活函数来进行用户选择的风格与舒适度的融合，以向用户推荐适合该场景下的服饰商品。
5.如权利要求1至4任一项所述的面向差异化场景的服饰推荐***，其特征在于，基于所述用户所处场景和用户偏好信息，与符合当季潮流穿搭的流行度信息相结合，为用户推荐适合用户所处场景和偏好且当季流行的潮流搭配。
6.如权利要求1至5任一项所述的面向差异化场景的服饰推荐***，其特征在于，所述第一层神经网络结构包括多层全连接的DNN和ReLU激活函数，其中，将商品id的嵌入、搜索的关键词的嵌入、以及场景的嵌入、地理信息、商品的生命周期信息作为特征送入第一层神经网络中，在训练阶段，网络最后一层的输出经过softmax之后得到最有可能购买的商品预测值，与用户实际上购买的下一件商品进行比较，并求损失，在线上推荐服务阶段，直接使用softmax之前的特征向量作为该用户的隐向量，使用近似最近邻的方法，找出与该隐向量最接近的若干条隐向量代表的商品，作为所述候选集。
7.如权利要求1至6任一项所述的面向差异化场景的服饰推荐***，其特征在于，所述第二层神经网络结构包括多层全连接的DNN和ReLU激活函数，在排序阶段，对于待求排序分数的商品i，将该商品的嵌入、整个候选集所有商品的嵌入的均值、场景的嵌入、以及地理位置信息作为特征送入所述第二层神经网络结构，在训练阶段，网络的首部是一个逻辑回归，用来学习通过回归得到的每个商品的排序分数，在线上推荐服务阶段，网络直接输出商品i的分数，依据此分数对商品排序，并选择排名靠前的商品进行推荐。
8.一种面向差异化场景的服饰推荐方法，其特征在于，构建并使用如权利要求1至7任一项所述的服饰推荐***对用户提供面向差异化场景的服饰推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010066018.7A CN111275490A (zh) | 2020-01-20 | 2020-01-20 | 一种面向差异化场景的服饰推荐***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010066018.7A CN111275490A (zh) | 2020-01-20 | 2020-01-20 | 一种面向差异化场景的服饰推荐***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111275490A true CN111275490A (zh) | 2020-06-12 |
Family
ID=71003311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010066018.7A Pending CN111275490A (zh) | 2020-01-20 | 2020-01-20 | 一种面向差异化场景的服饰推荐***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275490A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592609A (zh) * | 2021-08-17 | 2021-11-02 | 中山大学 | 一种利用时间因素的个性化服饰搭配推荐方法与*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644093A (zh) * | 2017-09-27 | 2018-01-30 | 上海斐讯数据通信技术有限公司 | 智能终端的穿衣推荐方法及*** |
| CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐***及方法 |
-
2020
- 2020-01-20 CN CN202010066018.7A patent/CN111275490A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644093A (zh) * | 2017-09-27 | 2018-01-30 | 上海斐讯数据通信技术有限公司 | 智能终端的穿衣推荐方法及*** |
| CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐***及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592609A (zh) * | 2021-08-17 | 2021-11-02 | 中山大学 | 一种利用时间因素的个性化服饰搭配推荐方法与*** |
| CN113592609B (zh) * | 2021-08-17 | 2024-06-04 | 中山大学 | 一种利用时间因素的个性化服饰搭配推荐方法与*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Toward AI fashion design: An Attribute-GAN model for clothing match | |
| CN110110181B (zh) | 一种基于用户风格和场景偏好的服装搭配推荐方法 | |
| CN110458627B (zh) | 一种面向用户动态偏好的商品序列个性化推荐方法 | |
| US11062379B2 (en) | Automatic fashion outfit composition and recommendation system and method | |
| US11809985B2 (en) | Algorithmic apparel recommendation | |
| CN111062775A (zh) | 一种基于注意力机制的推荐***召回方法 | |
| Feng et al. | Interpretable partitioned embedding for customized multi-item fashion outfit composition | |
| KR20120085707A (ko) | 사용자 장르 및 스타일을 학습하고 사용자 선호도에 따라 상품을 매칭하는 방법 및 시스템 | |
| CN109242593B (zh) | 一种基于案例推理的服装推荐方法、装置和存储介质 | |
| US20230316378A1 (en) | System and methods for determining an object property | |
| US11783408B2 (en) | Computer vision based methods and systems of universal fashion ontology fashion rating and recommendation | |
| CN113850649A (zh) | 一种基于多平台用户数据的定制化推荐方法及推荐*** | |
| JP7427717B2 (ja) | マルチモーダルのトランスフォーマベースのアイテム分類システム、データ処理システム、データ処理方法、及びコンピュータ実行方法 | |
| Yang et al. | From recommendation to generation: A novel fashion clothing advising framework | |
| Gong et al. | Aesthetics, personalization and recommendation: A survey on deep learning in fashion | |
| Tahir et al. | E-commerce platform based on Machine Learning Recommendation System | |
| CN114840745A (zh) | 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及*** | |
| CN111275490A (zh) | 一种面向差异化场景的服饰推荐***及方法 | |
| Sulthana | A review on the literature of fashion recommender system using deep learning | |
| CN112508114A (zh) | 一种智能服装推荐***及方法 | |
| Pu et al. | Multimodal topic learning for video recommendation | |
| CN114821202B (zh) | 一种基于用户偏好的服装推荐方法 | |
| US20220100792A1 (en) | Method, device, and program for retrieving image data by using deep learning algorithm | |
| CN109191234B (zh) | 一种综合服装推荐方法、装置和存储介质 | |
| CN113496259A (zh) | 一种融入标签信息的图神经网络推荐方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |