CN112150239A - 一种穿搭图像信息推荐方法及装置 - Google Patents
一种穿搭图像信息推荐方法及装置 Download PDFInfo
- Publication number
- CN112150239A CN112150239A CN202010949822.XA CN202010949822A CN112150239A CN 112150239 A CN112150239 A CN 112150239A CN 202010949822 A CN202010949822 A CN 202010949822A CN 112150239 A CN112150239 A CN 112150239A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- matching
- image
- score
- 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
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
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种穿搭图像信息推荐方法及装置,为了克服目前服装实体店,穿搭图像推荐主要由导购人员提供,效果不佳而人力成本高的不足之处,提供基于用户信息精准匹配,为用户快速准确提供合适的穿搭图像组合。所述方法步骤包括:建立存储穿搭图像的搭配数据库,每一项的穿搭图像预设多维度的匹配标签;获取用户的多维度的用户信息,所述的多维度用户信息和所述多维度匹配标签对应;根据预设的各维度权重计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,根据所述匹配分值的计算结果为优先级向用户推送推荐穿搭图像。所述装置包括搭配数据库、信息采集模块、推荐模块、修正模块。
Description
技术领域
本发明涉及数据挖掘应用技术领域,尤其涉及应用数据挖掘技术的服饰穿搭图像推荐的方法及实现该方法的装置。
背景技术
随着社会经济发展和个人消费能力升级,消费者对于服装的关注因素已经从原来的价格是否低廉、质量是否耐穿,转而追求舒适度、如何搭配穿的才更好看等因素。服装行业各式各样的商品层出不穷,服装可选择性的日趋多样化并且流行趋势变化频繁,也增加了穿搭图像的多样性和选择难度。
对于线上购买服装的消费者更加难于实际体验服装上身搭配的实际效果,只从展示的模特穿搭图片或视频,消费者选择难度大。
而对于线下实体店,这主要通过导购辅助消费者搭配服装,引导消费者消费。但是实际效果则主要取决于导购的个人能力和经验,商家需要花费大量资金培训导购人员,但也不能保证实际效果。
因此,亟需一种成本更低、更易普及和智能化的方法,向不同消费者推荐适合的服装和搭配,辅助导购提高销售业绩和消费者体验。
发明内容
本发明是为了克服目前服装实体店,穿搭图像推荐主要由导购人员提供,效果不佳而人力成本高的不足之处,提供基于用户信息精准匹配,为用户快速准确提供合适的穿搭图像组合的一种穿搭图像信息推荐方法及装置。
为实现上述目的,本发明采用以下技术方案:
本发明提供一种穿搭图像信息推荐方法,所述方法包括以下步骤:
步骤1,建立存储穿搭图像的搭配数据库,每一项的穿搭图像预设多维度的匹配标签;
步骤2,获取用户的多维度的用户信息,所述的多维度用户信息和所述多维度匹配标签对应;
步骤3,根据预设的各维度权重计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,根据所述匹配分值的总分为优先级向用户推送推荐穿搭图像。
作为优选,所述步骤2,获取用户信息的步骤,进一步包括:
步骤201,获取用户的人像照片、身高数据和体重数据,根据人像照片中的人脸特征信息,获取用户的人种、肤色、年龄、性别、脸型、五官位置;
步骤202,根据身高数据和体重数据,获取用户的体型类型;
步骤203,定位用户所在的位置信息,获取用户所在位置的地理位置、温度信息。
作为优选,所述步骤3,进一步包括:
步骤301,根据用户的性别信息,筛选对应性别标签的穿搭图像;
步骤302,加载个人权重分值模型,所述的个人权重分值模型中包含各项匹配标签的匹配分值计算模型;
步骤303,根据个人权重分值模型,计算人脸匹配分值,采用人脸识别算法,计算用户人脸特征信息和搭配组合的人脸特征因素的相似度,获取人脸匹配分值;
步骤304,根据个人权重分值模型,判断用户的年龄信息、身高信息、体重信息、体型信息、温度信息是否在穿搭图像的对应匹配标签的区间范围内,若是,则匹配分值为该项匹配标签的满分分值,若否则根据偏离程度减分计算匹配分值;
步骤305,根据用户人脸特征信息中的脸型类型,推荐对应脸型类型的发型和配饰。
作为优选,所述个人权重分值模型的生成步骤包括:
步骤501,根据各维度的基础权重分值模型,计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,向用户推送初步的推荐穿搭图像;
步骤502,根据用户对初步推荐穿搭图像的反馈行为数据,确定用户偏好的穿搭图像;
步骤503,对比用户偏好的穿搭图像和初步的推荐穿搭图像之间差异,调整各维度权重分值,生成适用于用户个人的各维度匹配的个人权重分值模型。
作为优选,所述的基础权重分值模型包括:采集具有相近人脸特征信息、身高信息、体重信息、体型信息的用户群体的偏好穿搭图像,训练对应匹配标签的权重分值,生成的基础权重分值模型。
作为优选,所述匹配标签包括人脸特征、适合性别标签、适合年龄区间、适合身高区间、适合体重区间、适合体型信息、适合温度区间、风格标签和场景标签,所述适合人脸特征包括人种、肤色、脸型、五官位置;所述用户信息包括人脸特征信息、性别信息、年龄信息、身高信息、体重信息、体型信息、温度信息、风格偏好、常用场景。
作为优选,还包括步骤4,根据用户对推荐穿搭图像的反馈行为数据,判定用户关于风格偏好和常用场景的偏好信息,根据所述偏好信息修正推荐穿搭图像的优先级,同时更新用户信息中的风格偏好和常用场景。
作为优选,其特征是,所述反馈行为数据包括用户浏览停留时间、用户点击和用户选择行为。
本发明同时提供一种穿搭图像信息推荐装置,用于实现上述的一种穿搭图像信息推荐方法,所述装置包括:
搭配数据库,用于建立存储穿搭图像的搭配数据库,每一项的穿搭图像预设多维度的匹配标签;
信息采集模块,获取用户的多维度的用户信息,所述的多维度用户信息和所述多维度匹配标签对应;
推荐模块,根据预设的各维度权重计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,根据所述匹配分值的总分为优先级向用户推送推荐穿搭图像。
修正模块,用于根据用户对推荐穿搭图像的反馈行为数据,获取用户的偏好信息,根据所述偏好信息修正推荐穿搭图像的优先级。
作为优选,所述装置还包括:修正模块,用于根据用户对推荐穿搭图像的反馈行为数据,判定用户关于风格偏好和常用场景的偏好信息,根据所述偏好信息修正推荐穿搭图像的优先级,同时更新用户信息中的风格偏好和常用场景。
穿搭图像的效果好坏主要取决于能否根据用户的个人外形因素(身材、人脸特征等)、个性因素(年龄、性别等)、季节因素(季节时间、温度等)、风格类型和使用场景,一般来说搭配组合中的上述因素与用户当前实际情况约符合,搭配的实际效果越好。然而导购员无法准确掌握上述信息,并且穿搭图像种类繁多,也难以准确匹配这些因素是目前的技术难点。
本申请的技术方案,通过预先建立的搭配数据库存储了大量优选的穿搭图像,每一个穿搭图像包括服装、发型、配饰的搭配组合,由模特穿着所述搭配组合的展示图像。用于可以在该穿搭图像中,看到采用服装、发型、配饰的品类,以及实物穿搭的效果。同时在搭配组合中设置匹配标签,通过加权计算匹配分值的方式,从数据库中挑选出最为合适的搭配组合,从而能够精准快速的缩小搭配组合选择的范围并给出优先级建议,从而向不同消费者推荐适合的服装和搭配,辅助导购提高销售业绩和消费者体验。并且可以在用户浏览推荐的穿搭图像的列表过程中,可通过采集其浏览停留时间、用户点击和用户选择行为,判断其对于初步推荐的穿搭图像的关注程度,分析其对于风格和场景的偏好这两类较难以直接获取的用户信息,优化推荐结构,提高精准度。
本方案会维护每个用户的个人权重分值模型,个人权重分值模型是基于相近似用户群体的偏好建立的基础权重分值模型为基础,通过用户的反馈行为调整各维度权重分值,为每一个用户建立一个独一无二的个人权重分值模型。
穿搭图像是否合适具有很强的主观性,人为设置的匹配标签的各维度权重也只是行业内从业者的经验之谈。因此本申请中通过相近似用户群体的偏好为基础建立基础权重分值模型,充分考虑了大众偏好的影响。同时也能够采集更大范围的数据,提高权重分值模型的可靠性,充分弥补了单一用户使用频次低、数据量不足,影响推荐效果的问题。
说明书附图
图1为本发明的一种穿搭图像信息推荐方法的第一流程图。
图2为本发明的一种穿搭图像信息推荐方法的第二流程图。
图3为本发明的一种穿搭图像信息推荐方法的第三流程图。
图4为本发明的一种穿搭图像信息推荐方法的第四流程图。
图5为本发明的一种穿搭图像信息推荐装置的原理框图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步描述。
如图1所示,本发明提供一种穿搭图像信息推荐方法,所述方法包括以下步骤:
步骤1,建立存储穿搭图像的搭配数据库,每一项的穿搭图像预设多维度的匹配标签。
所述穿搭图像是包括服装、发型、配饰的搭配组合,由模特穿着所述搭配组合的展示图像。用于可以在该穿搭图像中,看到采用服装、发型、配饰的品类,以及实物穿搭的效果。并且穿搭图像是一种优化的组合,在用户点击浏览穿搭图像时,会展示多张图片,同时可会关联地给出其中服装的近似搭配,供用户选择。
所述匹配标签包括人脸特征、适合性别标签、适合年龄区间、适合身高区间、适合体重区间、适合体型信息、适合温度区间、风格标签和场景标签,所述适合人脸特征包括人种、肤色、脸型、五官位置。
步骤2,获取用户的多维度的用户信息,所述的多维度用户信息和所述多维度匹配标签对应。
所述用户信息包括人脸特征信息、性别信息、年龄信息、身高信息、体重信息、体型信息、温度信息、风格偏好、常用场景。
如图2所示,具体的步骤2,进一步包括以下步骤:
步骤201,获取用户的人像照片、身高数据和体重数据,根据人像照片中的人脸特征信息,获取用户的人种、肤色、年龄、性别、脸型、五官位置。
步骤202,根据身高数据和体重数据,获取用户的体型类型。
步骤203,定位用户所在的位置信息,获取用户所在位置的地理位置、温度信息。
通过上述的数据获取方式,可以尽可能减少用户繁琐的信息登记操作。基于人脸识别技术和AI技术通过人像照片直接获取到人脸特征信息,并且获取到年龄和性别信息。并且年龄信息更加贴近用户的实际外形效果。
步骤3,根据预设的各维度权重计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,根据所述匹配分值的总分为优先级向用户推送推荐穿搭图像。
如图3所示,所述步骤3进一步包括:
步骤301,根据用户的性别信息,筛选对应性别标签的穿搭图像。
步骤302,加载个人权重分值模型,所述的个人权重分值模型中包含各项匹配标签的匹配分值计算模型。
步骤303,根据个人权重分值模型,计算人脸匹配分值,采用人脸识别算法,计算用户人脸特征信息和搭配组合的人脸特征因素的相似度,获取人脸匹配分值。
步骤304,根据个人权重分值模型,判断用户的年龄信息、身高信息、体重信息、体型信息、温度信息是否在穿搭图像的对应匹配标签的区间范围内,若是,则匹配分值为该项匹配标签的满分分值,若否则根据偏离程度减分计算匹配分值。
步骤305,根据用户人脸特征信息中的脸型类型,推荐对应脸型类型的发型和配饰。
如图4所示,所述个人权重分值模型的生成步骤包括:
步骤501,根据各维度的基础权重分值模型,计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,向用户推送初步的推荐穿搭图像。
步骤502,根据用户对初步推荐穿搭图像的反馈行为数据,确定用户偏好的穿搭图像。所述反馈行为数据包括用户浏览停留时间、用户点击和用户选择行为。
步骤503,对比用户偏好的穿搭图像和初步的推荐穿搭图像之间差异,调整各维度权重分值,生成适用于用户个人的各维度匹配的个人权重分值模型。
所述的基础权重分值模型包括:采集具有相近人脸特征信息、身高信息、体重信息、体型信息的用户群体的偏好穿搭图像,训练对应匹配标签的权重分值,生成的基础权重分值模型。
本申请的技术方案会维护每个用户的个人权重分值模型,个人权重分值模型是基于相近似用户群体的偏好建立的基础权重分值模型为基础,通过用户的反馈行为调整各维度权重分值,为每一个用户建立一个独一无二的个人权重分值模型。
穿搭图像是否合适具有很强的主观性,人为设置的匹配标签的各维度权重也只是行业内从业者的经验之谈。因此本申请中通过相近似用户群体的偏好为基础建立基础权重分值模型,充分考虑了大众偏好的影响。同时也能够采集更大范围的数据,提高权重分值模型的可靠性,充分弥补了单一用户使用频次低、数据量不足,影响推荐效果的问题。
个人权重分值模型是各项匹配标签的满分分值、计算方式和配策略,体现不同匹配标签的影响权重,以下为一种具体示例以说明匹配分值计算的方式。
针对服装部分:性别标签为男、女、通用三中类别。
人脸匹配分值,采用人脸识别算法,计算用户人脸特征信息和搭配组合的人脸特征因素的相似度,所述人脸匹配分值=60—[相似度(**%)60];
温度匹配分值,判断用户的温度信息是否在搭配组合的温度因素的区间内,是,温度匹配分值为40分;若不是,每相差5度,减10分,最多减40分;
年龄匹配分值,判断用户年龄是否在搭配适合年龄区间内,若是,则年龄匹配分值为30分;若不是,每相差1岁,减1.5分,最多减30分;
身高匹配分值,判断用户身高是否在搭配适合身高区间内,若是,身高匹配分值为10分;若不是,每相差1,减2分,最多减10分;
体重匹配分值,判断用户体重是否在搭配适合体重区间内,若是,身高匹配分值为15分;若不是,每相差1,减1分,最多减15分;
身型匹配分值,判断用户身型是否在搭配适合身型区间内,若是,身型匹配分值为20分;若不是,身型匹配分值为0分。
针对配饰和发型部分:
根据用户面部信息分析出脸型:正方形、三角形、椭圆形、心形、圆形5种脸型。采用如下的匹配策略。
配饰匹配:
正方形,视觉上延长面部,耳环的形状应该比宽长:圆形或三角形,水滴耳环和各种形状的戒指更加适合
三角形,简略却亮眼的饰品,长形的单钻项链、质感好的贵金属饰品。避免配戴角度明显的首饰,正三角形、六角形更适合
椭圆形,任何类型的耳环都适合
心形,适合正方形、圆形或三角形的配饰,可以增加脸颊和颧骨的体积。
避免长形状,把脸拉长
圆形,长耳环让脸看起来更长。几何形状的,三角形、正方形、矩形更适合
发型匹配:
正方形,适合长卷发、A型月弧波波头、长斜刘海发型。不适合丸子头
三角形,最好留一个刘海。短发最好留长度到下巴位置。不想留刘海,可吹卷前额两侧靠近头顶的头发,加强下颌附近向内的卷度
椭圆形,A字波波头、齐肩内扣、长波浪卷。不适合浓密卷曲不蓬松及太短的头发更适合
心形,有弧度的长刘海加大波浪卷发、卷曲侧马尾、中长锯齿发型、修刘海卷发类。不适合:齐刘海长马尾、短发、大光明
圆形,增加发顶的高度和饱满度。偏分、s卷刘海,锁骨发,有小卷幅度的长发。不适合留厚刘海,或没有蓬松度的发型。
步骤4,根据用户对推荐穿搭图像的反馈行为数据,判定用户关于风格偏好和常用场景的偏好信息,根据所述偏好信息修正推荐穿搭图像的优先级,同时更新用户信息中的风格偏好和常用场景。
用户信息中的风格偏好和匹配标签中的风格标签,代表的是穿搭的风格类型,包括但不局限于欧美风、日系风、韩版、淑女风、通勤风、英伦风、OL风、简约风、中性、学院风、街头风、朋克风、复古风、嬉皮风、民族风、波西米亚风、嘻哈风、百搭等风格信息。用户信息中的常用场景和匹配标签中的场景标签,代表的是穿搭的适用场景包括但不局限于约会、重要场合、休闲、旅游、逛街、日常、上班、商务等。
在用户浏览推荐的穿搭图像的列表过程中,可通过采集其浏览停留时间、用户点击和用户选择行为,判断其对于初步推荐的穿搭图像的关注程度,分析其对于风格和场景的偏好这两类较难以直接获取的用户信息,优化推荐结构,提高精准度。
如图5所示,本发明申请同时提供一种实现上述穿搭图像信息推荐方法的一种穿搭图像信息推荐装置。所述装置包括:
搭配数据库1,用于建立存储穿搭图像的搭配数据库,每一项的穿搭图像预设多维度的匹配标签。
信息采集模块2,获取用户的多维度的用户信息,所述的多维度用户信息和所述多维度匹配标签对应。
推荐模块3,根据预设的各维度权重计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,根据所述匹配分值的总分为优先级向用户推送推荐穿搭图像。
修正模块4,用于根据用户对推荐穿搭图像的反馈行为数据,判定用户关于风格偏好和常用场景的偏好信息,根据所述偏好信息修正推荐穿搭图像的优先级,同时更新用户信息中的风格偏好和常用场景。
所述信息采集模块2,进一步包括:
数据获取单元201,用于获取用户的人像照片、身高数据和体重数据,根据人像照片中的人脸特征信息,获取用户的人种、肤色、年龄、性别、脸型、五官位置。
人脸识别单元202,用于根据身高数据和体重数据,获取用户的体型类型。
位置定位单元203,用于定位用户所在的位置信息,获取用户所在位置的地理位置、温度信息。
穿搭图像的效果好坏主要取决于能否根据用户的个人外形因素(身材、人脸特征等)、个性因素(年龄、性别等)、季节因素(季节时间、温度等)、风格类型和使用场景,一般来说搭配组合中的上述因素与用户当前实际情况约符合,搭配的实际效果越好。然而导购员无法准确掌握上述信息,并且穿搭图像种类繁多,也难以准确匹配这些因素是目前的技术难点。
本申请的技术方案,通过预先建立的搭配数据库存储了大量优选的穿搭图像,每一个穿搭图像包括服装、发型、配饰的搭配组合,由模特穿着所述搭配组合的展示图像。用于可以在该穿搭图像中,看到采用服装、发型、配饰的品类,以及实物穿搭的效果。同时在搭配组合中设置匹配标签,通过加权计算匹配分值的方式,从数据库中挑选出最为合适的搭配组合,从而能够精准快速的缩小搭配组合选择的范围并给出优先级建议,从而向不同消费者推荐适合的服装和搭配,辅助导购提高销售业绩和消费者体验。并且可以在用户浏览推荐的穿搭图像的列表过程中,可通过采集其浏览停留时间、用户点击和用户选择行为,判断其对于初步推荐的穿搭图像的关注程度,分析其对于风格和场景的偏好这两类较难以直接获取的用户信息,优化推荐结构,提高精准度。
Claims (10)
1.一种穿搭图像信息推荐方法,其特征是,所述方法包括以下步骤:
步骤1,建立存储穿搭图像的搭配数据库,每一项的穿搭图像预设多维度的匹配标签;
步骤2,获取用户的多维度的用户信息,所述的多维度用户信息和所述多维度匹配标签对应;
步骤3,根据预设的各维度权重计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,根据所述匹配分值的总分为优先级向用户推送推荐穿搭图像。
2.根据权利要求1所述的一种穿搭图像信息推荐方法,其特征是,所述步骤2,获取用户信息的步骤,进一步包括:
步骤201,获取用户的人像照片、身高数据和体重数据,根据人像照片中的人脸特征信息,获取用户的人种、肤色、年龄、性别、脸型、五官位置;
步骤202,根据身高数据和体重数据,获取用户的体型类型;
步骤203,定位用户所在的位置信息,获取用户所在位置的地理位置、温度信息。
3.根据权利要求1所述的一种穿搭图像信息推荐方法,其特征是,所述步骤3,进一步包括:
步骤301,根据用户的性别信息,筛选对应性别标签的穿搭图像;
步骤302,加载个人权重分值模型,所述的个人权重分值模型中包含各项匹配标签的匹配分值计算模型;
步骤303,根据个人权重分值模型,计算人脸匹配分值,采用人脸识别算法,计算用户人脸特征信息和搭配组合的人脸特征因素的相似度,获取人脸匹配分值;
步骤304,根据个人权重分值模型,判断用户的年龄信息、身高信息、体重信息、体型信息、温度信息是否在穿搭图像的对应匹配标签的区间范围内,若是,则匹配分值为该项匹配标签的满分分值,若否则根据偏离程度减分计算匹配分值;
步骤305,根据用户人脸特征信息中的脸型类型,推荐对应脸型类型的发型和配饰。
4.根据权利要求2所述的一种穿搭图像信息推荐方法,其特征是,所述个人权重分值模型的生成步骤包括:
步骤501,根据各维度的基础权重分值模型,计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,向用户推送初步的推荐穿搭图像;
步骤502,根据用户对初步推荐穿搭图像的反馈行为数据,确定用户偏好的穿搭图像;
步骤503,对比用户偏好的穿搭图像和初步的推荐穿搭图像之间差异,调整各维度权重分值,生成适用于用户个人的各维度匹配的个人权重分值模型。
5.根据权利要求4所述的一种穿搭图像信息推荐方法,其特征是,所述的基础权重分值模型包括:采集具有相近人脸特征信息、身高信息、体重信息、体型信息的用户群体的偏好穿搭图像,训练对应匹配标签的权重分值,生成的基础权重分值模型。
6.根据权利要求1所述的一种穿搭图像信息推荐方法,其特征是,所述匹配标签包括人脸特征、适合性别标签、适合年龄区间、适合身高区间、适合体重区间、适合体型信息、适合温度区间、风格标签和场景标签,所述适合人脸特征包括人种、肤色、脸型、五官位置;所述用户信息包括人脸特征信息、性别信息、年龄信息、身高信息、体重信息、体型信息、温度信息、风格偏好、常用场景。
7.根据权利要求1所述的一种穿搭图像信息推荐方法,其特征是,还包括步骤4,根据用户对推荐穿搭图像的反馈行为数据,判定用户关于风格偏好和常用场景的偏好信息,根据所述偏好信息修正推荐穿搭图像的优先级,同时更新用户信息中的风格偏好和常用场景。
8.根据权利要求1或2或3或4或7所述的一种穿搭图像信息推荐方法,其特征是,所述反馈行为数据包括用户浏览停留时间、用户点击和用户选择行为。
9.一种穿搭图像信息推荐装置,其特征是,所述装置包括:
搭配数据库,用于建立存储穿搭图像的搭配数据库,每一项的穿搭图像预设多维度的匹配标签;
信息采集模块,获取用户的多维度的用户信息,所述的多维度用户信息和所述多维度匹配标签对应;
推荐模块,根据预设的各维度权重计算用户信息与每一项的穿搭图像的匹配标签的匹配分值,根据所述匹配分值的总分为优先级向用户推送推荐穿搭图像。
10.根据权利要求1所述的一种穿搭图像信息推荐装置,其特征是,所述装置还包括:修正模块,用于根据用户对推荐穿搭图像的反馈行为数据,判定用户关于风格偏好和常用场景的偏好信息,根据所述偏好信息修正推荐穿搭图像的优先级,同时更新用户信息中的风格偏好和常用场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949822.XA CN112150239A (zh) | 2020-09-10 | 2020-09-10 | 一种穿搭图像信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949822.XA CN112150239A (zh) | 2020-09-10 | 2020-09-10 | 一种穿搭图像信息推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112150239A true CN112150239A (zh) | 2020-12-29 |
Family
ID=73890046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010949822.XA Pending CN112150239A (zh) | 2020-09-10 | 2020-09-10 | 一种穿搭图像信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150239A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983952A (zh) * | 2023-03-21 | 2023-04-18 | 江西服装学院 | 一种定制服装设计推荐*** |
CN116823361A (zh) * | 2023-08-31 | 2023-09-29 | 博洛尼智能科技(青岛)有限公司 | 基于人工智能的首饰搭配检测及推送方法 |
CN117893289A (zh) * | 2024-03-15 | 2024-04-16 | 长园电力技术有限公司 | 一种基于ar和ai的虚拟试穿*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203313A (zh) * | 2016-07-05 | 2016-12-07 | 昆明理工大学 | 一种基于图像内容的服装分类和推荐方法 |
CN108664569A (zh) * | 2018-04-24 | 2018-10-16 | 杭州数为科技有限公司 | 一种发型推荐方法、***、终端及介质 |
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 |
CN110458292A (zh) * | 2019-07-04 | 2019-11-15 | 西安工程大学 | 一种基于专家知识的服装推荐方法 |
CN110930294A (zh) * | 2019-08-19 | 2020-03-27 | 网娱互动科技(北京)股份有限公司 | 一种智能推荐发型及呈现的方法 |
CN111179009A (zh) * | 2019-08-19 | 2020-05-19 | 网娱互动科技(北京)股份有限公司 | 一种智能匹配服装搭配的方法 |
CN111401306A (zh) * | 2020-04-08 | 2020-07-10 | 青岛海尔智能技术研发有限公司 | 用于衣物穿搭推荐的方法及装置、设备 |
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 |
-
2020
- 2020-09-10 CN CN202010949822.XA patent/CN112150239A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203313A (zh) * | 2016-07-05 | 2016-12-07 | 昆明理工大学 | 一种基于图像内容的服装分类和推荐方法 |
CN108664569A (zh) * | 2018-04-24 | 2018-10-16 | 杭州数为科技有限公司 | 一种发型推荐方法、***、终端及介质 |
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 |
CN110458292A (zh) * | 2019-07-04 | 2019-11-15 | 西安工程大学 | 一种基于专家知识的服装推荐方法 |
CN110930294A (zh) * | 2019-08-19 | 2020-03-27 | 网娱互动科技(北京)股份有限公司 | 一种智能推荐发型及呈现的方法 |
CN111179009A (zh) * | 2019-08-19 | 2020-05-19 | 网娱互动科技(北京)股份有限公司 | 一种智能匹配服装搭配的方法 |
CN111401306A (zh) * | 2020-04-08 | 2020-07-10 | 青岛海尔智能技术研发有限公司 | 用于衣物穿搭推荐的方法及装置、设备 |
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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983952A (zh) * | 2023-03-21 | 2023-04-18 | 江西服装学院 | 一种定制服装设计推荐*** |
CN115983952B (zh) * | 2023-03-21 | 2023-12-08 | 江西服装学院 | 一种定制服装设计推荐*** |
CN116823361A (zh) * | 2023-08-31 | 2023-09-29 | 博洛尼智能科技(青岛)有限公司 | 基于人工智能的首饰搭配检测及推送方法 |
CN116823361B (zh) * | 2023-08-31 | 2023-12-12 | 博洛尼智能科技(青岛)有限公司 | 基于人工智能的首饰搭配检测及推送方法 |
CN117893289A (zh) * | 2024-03-15 | 2024-04-16 | 长园电力技术有限公司 | 一种基于ar和ai的虚拟试穿*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150239A (zh) | 一种穿搭图像信息推荐方法及装置 | |
US10799010B2 (en) | Makeup application assist device and makeup application assist method | |
US10559102B2 (en) | Makeup simulation assistance apparatus, makeup simulation assistance method, and non-transitory computer-readable recording medium storing makeup simulation assistance program | |
CN101582143A (zh) | 一种终端试穿戴仿真***及生成试穿戴图像的方法 | |
US11069089B2 (en) | Information processing apparatus, information processing method, and computer program product | |
JP2008165807A (ja) | ターミナル試着模擬システム及び操作と応用方法 | |
JP2008108287A (ja) | ファッションアドバイジングシステム | |
US20220044311A1 (en) | Method for enhancing a user's image while e-commerce shopping for the purpose of enhancing the item that is for sale | |
US11157988B2 (en) | System and method for fashion recommendations | |
CN102622613A (zh) | 一种基于双眼定位和脸型识别的发型设计方法 | |
CN108876430B (zh) | 一种基于人群特征的广告推送方法、电子设备及存储介质 | |
CN109063671A (zh) | 用于智能化妆的方法及装置 | |
CN111612584A (zh) | 一种基于穿搭理论的ai智能服装推荐方法 | |
KR20200023970A (ko) | 가상 피팅 지원 시스템 | |
JPWO2003069526A1 (ja) | ファッションアドバイジングシステム | |
JP2020166454A (ja) | ファッションタイプ診断システム、ファッションタイプ診断方法 | |
JP2006024203A (ja) | コーディネート支援システム | |
JP5782540B2 (ja) | 美容カウンセリング方法 | |
US11544768B2 (en) | System and method for fashion recommendations | |
US11526925B2 (en) | System and method for fashion recommendations | |
JP2012203592A (ja) | 画像処理システム、顔情報蓄積方法、画像処理装置及びその制御方法と制御プログラム | |
CN110169646B (zh) | 一种美发服务*** | |
CN113393304A (zh) | 服装定制方法和装置 | |
US20100151430A1 (en) | Identifying a body shape | |
He | The Interweaving of Piety and Fashion: Reinterpretation of Religious Symbols in Clothing Design |
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 |