CN111797322A - 一种所属风格的纺织品类分层花型设计图用智能推荐方法 - Google Patents
一种所属风格的纺织品类分层花型设计图用智能推荐方法 Download PDFInfo
- Publication number
- CN111797322A CN111797322A CN202010659465.3A CN202010659465A CN111797322A CN 111797322 A CN111797322 A CN 111797322A CN 202010659465 A CN202010659465 A CN 202010659465A CN 111797322 A CN111797322 A CN 111797322A
- Authority
- CN
- China
- Prior art keywords
- style
- client
- recommendation method
- pattern design
- intelligent recommendation
- 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 34
- 239000004753 textile Substances 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 19
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种所属风格的纺织品类分层花型设计图用智能推荐方法,该智能推荐方法包括以下步骤:图像编码特征→客户画像→风格特征→KMedoid方法聚类→推荐花型。该智能推荐方法由客户画像得到客户的编码风格,再通过客户风格所在类别找到符合该类别的待推荐花型子集,最后使用客户的风格编码在待推荐花型子集中找到最适合的花型图进行推荐,可以为客户个性化的推荐分层的纺织类花型,满足了纺织品类花型推荐中风格相似而不太过形似的要求,基于海量花型图的推荐速度以及满足生产,避免给客户推荐花型外观及其相似的,而是属于该客户风格的花型图,并保证推荐速度。
Description
技术领域
本发明涉及神经网络、图像相似推荐的技术领域,特别是涉及一种所属风格的纺织品类分层花型设计图用智能推荐方法。
背景技术
近年来,深度学习在推荐***方向开始被广泛使用。基于其优势如自动特征选择、序列建模、灵活性及其非线性变换,很多基于深度学习的推荐***被提出,其中最受欢迎的方法是基于多层感知器的推荐,例如神经协同过滤,使用神经网络扩展了传统的协同过滤方法。多层感知器经常作为基础网络使用于更高级的网络,例如编码、解码网络。编码器、解码器框架尝试使用部分用户/物品矢量以重建项目与用户的关系,进行排名预测或编码成语义特征。多层感知器的应用中,常见的有VGG、ResNet卷积的网络用于图像特征提取。但目前相关技术并没有在纺织类花型进行实践,由于花型的特殊性:花型图案复杂,有多种领域的混合如动植物,卡通与写实摄影等,因此现有的网络不能很好的进行特征提取。在本发明中,网络部分采用分层输入,加入LSTM(长短期记忆)网络,作为深度学习中循环神经网络的一种变体,它对时间序列具有长时间的记忆能力,可以更好的编码三层图像。
由于纺织品类花型的数量之大,基于客户风格对每一张花型进行筛选,非常耗费时间与资源,因此本发明中使用KMedoid对所有客户风格进行无监督聚类以优化流程,由于客户风格没有标签,故使用无监督学习。
发明内容
本发明的目的提供一种所属风格的纺织品类分层花型设计图用智能推荐方法。
一种所属风格的纺织品类分层花型设计图用智能推荐方法,包括CNN和LSTM两个神经网络,所述所属风格的纺织品类分层花型设计图用智能推荐方法具体步骤为:
S1、基于神经网络1,库中所有待推荐的分层psd图得到各自的图像编码特征。
S2、从客户的购买历史选择最近的k张分层花型图,得到客户画像P = {v1,v2,...,vn}。
S3、基于神经网络2的编码器和S2中得到客户画像P,产生客户对应的风格特征s。
S4、对所有客户重复S3,得到所有客户的风格特征,对它们使用 KMedoid方法聚类,得到分类集合S;接着产生2个索引,第一是每个客户风格s在分类集合S中所属的类别,第二是通过神经网络2解码器得到所有待推荐图所匹配的S中的风格类别。
优选的,所述客户默认存在购买历史,且客户若无购买历史,使用热门风格进行随机推荐。
优选的,所述vi是第i张分层的输入图经过神经网络1得到的1x128维图像编码向量,且如果i小于k,使用数值均为0的1x128维向量补足。
优选的,所述分层psd图其中底纹作为一层,所有素材合并为一层,技法为一层,三张图分别经过预先训练好的VGG16网络。
优选的,所述客户的输入画像特征维度为1x128xk,经过两个卷积层,使用256个1x3的卷积核,步长为1,得到1x128x256维的输出。
优选的,所述对所有客户的风格特征s进行KMedoid方法聚类,起始质心点随机选取,分成n个类别,聚类得到的质心作为风格标签。
与现有技术相比,本发明的有益效果是:该智能推荐方法由客户画像得到客户的编码风格,再通过客户风格所在类别找到符合该类别的待推荐花型子集,最后使用客户的风格编码在待推荐花型子集中找到最适合的花型图进行推荐,可以为客户个性化的推荐分层的纺织类花型,满足了纺织品类花型推荐中风格相似而不太过形似的要求,基于海量花型图的推荐速度以及满足生产,避免给客户推荐花型外观及其相似的,而是属于该客户风格的花型图,并保证推荐速度。
附图说明
图1为本发明的神经网络1的网络结构图;
图2为本发明的神经网络2的编码器结构图;
图3为本发明的神经网络2的解码器结构图。
具体实施方式
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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种所属风格的纺织品类分层花型设计图用智能推荐方法,包括CNN和LSTM两个神经网络,所属风格的纺织品类分层花型设计图用智能推荐方法具体步骤为:
S1、基于神经网络1,库中所有待推荐的分层psd图得到各自的图像编码特征;
(1)、输入为分层的psd图,其中底纹作为一层,若没有底纹,客户会有一张纯色图作为底;所采用的技法效果为一层;所有素材合并为一层。若图像输入仅有两层,则为技法不存在,本发明会默认补上一张纯白的图层。
(2)、输入的分层psd图由步骤1变为三张图:素材、技法、底纹。三张图分别经过预先训练好的VGG16网络,得到对应的素材特征、技法特征和底纹特征。
(3)、对步骤(2)中得到的三个特征,分别输入到神经网络1的编码器中,经过2个2层的LSTM网络及一个VGG16后,输出1x128维的向量作为最终的图像编码特征。本步骤VGG16网络与步骤(2)中VGG16网络,仅网络结构一致,模型分别训练,因此权重不同,前者用于用于提取完整的花型信息,后者用于提取单图层的特征信息,第二个VGG16网络,其中包含2个2层的长短期记忆模型。
(4)、循环以上步骤,花型库中所有分层psd图将得到各自的图像编码特征。
S2、从客户的购买历史选择最近的k张分层花型,得到客户画像P = {v1,v2,...,vn},其中vi是第i张分层的输入图经过神经网络1得到的1x128维图像编码向量,如果i小于k,使用数值均为0的1x128维向量补足;
(1)、客户对应的k张花型图,每一张图应用步骤1,得到k个1x128的图像编码向量,即得到单个客户的画像向量为1x128xk维。
S3、基于神经网络2的编码器(附图2)和步骤2中得到客户画像P,产生客户对应的风格特征s;
(1)、客户的输入画像特征维度为1x128xk,经过两个卷积层,使用256个1x3的卷积核,步长为1,得到1x128x256维的输出。
(2)、使(1)的结果过一个最大池化层,得到1x32x256维的向量。
(3)、使(2)的结果过两个全连接网络,得到1x128维的风格向量。
S4、对所有客户重复S3,得到所有客户的风格特征,对它们使用 KMedoid方法聚类,得到分类集合S;接着产生两个索引,第一是每个客户风格s在分类集合S中所属的类别,第二是通过神经网络2解码器得到所有待推荐图所匹配的S中的风格类别;
(1)、对所有客户的风格特征s进行KMedoid方法聚类,起始质心点随机选取,分成n个类别,聚类得到的质心作为风格标签。
(2)、从(1)中得到风格聚类后,得到每个客户对应的风格类别标签。
(3)、将S1得到的所有库内分层图的图像编码与(1)中的风格聚类质心一一组合后输入本发明的神经网络2的解码器,连接输入的风格质心s与输入花型的编码变量v,得到1x256维向量,经过三层全连接网络,使用softmax为激活函数,最终输出为一个0~1之间的数值,对此输出设定阀值为t,大于t判定为该风格与该花型图符合,反之不符合。从而所有库内图建立所符合风格的索引。
S5、使用客户的风格编码和由此对应的风格类别得到待推荐花型子集,基于神经网络2的解码器,找到最适合的图进行推荐给该客户;
(1)、基于客户的所属的风格类别,找到属于该风格的待推荐花型图。
(2)、将(1)中得到待推荐花型一一与客户风格编码组合,再通过神经网络2的解码器,记录网络最终输出的数值,对其进行排序,所得数值高的花型图则优先推荐。
工作原理:该方法基于神经网络和KMedoid机器学习模型,其中涉及CNN(卷积网络)和LSTM(时间循环网络),神经网络1对分层输入图进行图像编码,神经网络2由编码器与解码器两部分组成,编码器基于客户画像得到客户风格编码,解码器基于解码器得到的客户编码与神经网络1得到的图像编码,判定是否应该给该客户推荐该花型图,通过神经网络1对客户的图编码以组成客户画像,通过神经网络2编码器得到客户的编码风格,再通过KMedoid用于对所有客户的风格聚类,通过风格所在类别找到符合该类别的待推荐花型子集,最后通过神经网络2解码器结合客户的风格编码在待推荐花型子集中找到最适合的图进行推荐,重点考虑了以下情况:客户不需要非常雷同的花型,而需要相同风格、一个系列的花型图,并且提高了花型的时效性及海量花型中的推荐搜索速度,满足了纺织品类花型推荐中风格相似而不太过形似的要求。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其效物界定。
Claims (6)
1.一种所属风格的纺织品类分层花型设计图用智能推荐方法,包括CNN和LSTM两个神经网络,其特征在于:所述所属风格的纺织品类分层花型设计图用智能推荐方法具体步骤为:
S1、基于神经网络1,库中所有待推荐的分层psd图得到各自的图像编码特征;
S2、从客户的购买历史选择最近的k张分层花型图,得到客户画像P = {v1,v2,...,vn};S3、基于神经网络2的编码器和S2中得到客户画像P,产生客户对应的风格特征s;
S4、对所有客户重复S3,得到所有客户的风格特征,对它们使用 KMedoid方法聚类,得到分类集合S;接着产生2个索引,第一是每个客户风格s在分类集合S中所属的类别,第二是通过神经网络2解码器得到所有待推荐图所匹配的S中的风格类别。
2.根据权利要求1所述的一种所属风格的纺织品类分层花型设计图用智能推荐方法,其特征在于,所述客户默认存在购买历史,且客户若无购买历史,使用热门风格进行随机推荐。
3.根据权利要求1所述的一种所属风格的纺织品类分层花型设计图用智能推荐方法,其特征在于,所述vi是第i张分层的输入图经过神经网络1得到的1x128维图像编码向量,且如果i小于k,使用数值均为0的1x128维向量补足。
4.根据权利要求1所述的一种所属风格的纺织品类分层花型设计图用智能推荐方法,其特征在于,所述分层psd图其中底纹作为一层,所有素材合并为一层,技法为一层,三张图分别经过预先训练好的VGG16网络。
5.根据权利要求1所述的一种所属风格的纺织品类分层花型设计图用智能推荐方法,其特征在于,所述客户的输入画像特征维度为1x128xk,经过两个卷积层,使用256个1x3的卷积核,步长为1,得到1x128x256维的输出。
6.根据权利要求1所述的一种所属风格的纺织品类分层花型设计图用智能推荐方法,其特征在于,所述对所有客户的风格特征s进行KMedoid方法聚类,起始质心点随机选取,分成n个类别,聚类得到的质心作为风格标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659465.3A CN111797322A (zh) | 2020-07-10 | 2020-07-10 | 一种所属风格的纺织品类分层花型设计图用智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659465.3A CN111797322A (zh) | 2020-07-10 | 2020-07-10 | 一种所属风格的纺织品类分层花型设计图用智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797322A true CN111797322A (zh) | 2020-10-20 |
Family
ID=72810654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010659465.3A Pending CN111797322A (zh) | 2020-07-10 | 2020-07-10 | 一种所属风格的纺织品类分层花型设计图用智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797322A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107862022A (zh) * | 2017-10-31 | 2018-03-30 | 中国科学院自动化研究所 | 文化资源推荐*** |
CN109543840A (zh) * | 2018-11-09 | 2019-03-29 | 北京理工大学 | 一种基于多维分类强化学习的动态推荐***设计方法 |
CN111125528A (zh) * | 2019-12-24 | 2020-05-08 | 三角兽(北京)科技有限公司 | 信息推荐方法及装置 |
-
2020
- 2020-07-10 CN CN202010659465.3A patent/CN111797322A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107862022A (zh) * | 2017-10-31 | 2018-03-30 | 中国科学院自动化研究所 | 文化资源推荐*** |
CN109543840A (zh) * | 2018-11-09 | 2019-03-29 | 北京理工大学 | 一种基于多维分类强化学习的动态推荐***设计方法 |
CN111125528A (zh) * | 2019-12-24 | 2020-05-08 | 三角兽(北京)科技有限公司 | 信息推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Efficient facial expression recognition algorithm based on hierarchical deep neural network structure | |
Jetchev et al. | The conditional analogy gan: Swapping fashion articles on people images | |
Dai et al. | Pdan: Pyramid dilated attention network for action detection | |
CN107194371B (zh) | 基于层次化卷积神经网络的用户专注度识别方法及*** | |
CN109829537B (zh) | 基于深度学习gan网络童装服装的风格转移方法及设备 | |
CN104850890B (zh) | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 | |
CN106504064A (zh) | 基于深度卷积神经网络的服装分类与搭配推荐方法及*** | |
CN111652049A (zh) | 人脸图像处理模型训练方法、装置、电子设备及存储介质 | |
KR101992986B1 (ko) | 이미지 검색을 이용한 의류 부자재 추천 학습 방법 | |
CN110909754A (zh) | 一种属性生成对抗网络及基于该网络的搭配服饰生成方法 | |
CN110097609A (zh) | 一种基于样本域的精细化绣花纹理迁移方法 | |
Pérez-Delgado | The color quantization problem solved by swarm-based operations | |
CN110765960B (zh) | 一种自适应多任务深度学习的行人再识别方法 | |
CN110688897A (zh) | 一种基于联合判断与生成学习的行人重识别方法及装置 | |
KR20230082668A (ko) | 신발류 디지털 자산을 생성하기 위한 컴퓨터 아키텍처 | |
Deverall et al. | Using generative adversarial networks to design shoes: the preliminary steps | |
CN110675309A (zh) | 一种基于卷积神经网络和VGGNet16模型的图像风格转换方法 | |
CN116012094A (zh) | 一种深度图匹配网络及基于该网络的时尚搭配推荐方法 | |
CN109508640A (zh) | 一种人群情感分析方法、装置和存储介质 | |
CN117112915B (zh) | 基于用户特征及大数据训练的智能设计方法和*** | |
CN111797322A (zh) | 一种所属风格的纺织品类分层花型设计图用智能推荐方法 | |
Soderlund et al. | Adversarial image generation using evolution and deep learning | |
CN116468699A (zh) | 随光强弱变色的面料的智能化生产***及其方法 | |
Jia et al. | Sequential dual deep learning with shape and texture features for sketch recognition | |
CN113763498B (zh) | 一种面向工业制造的肖像简笔画区域自适应颜色匹配方法及*** |
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: 20201020 |