基于人臉識(shí)別的商品推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

陳果 周志鋒 楊小波 王成 歐陽(yáng)純萍

摘 要： 在電子商務(wù)環(huán)境中，精確理解用戶的興趣，提供個(gè)性化商品推薦服務(wù)成為各大電商平臺(tái)關(guān)注的熱點(diǎn)。通過(guò)對(duì)實(shí)時(shí)獲取的人臉特征數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算出用戶對(duì)商品的評(píng)分和喜愛(ài)程度；再利用機(jī)器學(xué)習(xí)算法建立并修正“商品—人臉”興趣模型庫(kù)；最后通過(guò)用戶對(duì)商品的喜愛(ài)程度來(lái)實(shí)現(xiàn)商品的個(gè)性化推薦，并使用MVC框架實(shí)現(xiàn)了基于人臉識(shí)別的商品推薦系統(tǒng)。

關(guān)鍵詞： 人臉識(shí)別； 商品推薦； 個(gè)性化推薦； 推薦系統(tǒng)

中圖分類號(hào)：TP319 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2018）11-52-04

Abstract： In the e-commerce environment， accurately understanding the interests of users and providing personalized product recommendation services have become the hotspots of major e-commerce platforms. This paper normalizes the face feature data obtained in real time to calculate the user's rating and preference for the product； then uses the machine learning algorithm to establish and correct the "commodity-face" interest model library； finally， achieves personalized recommendation of the product by the user's preference for the product， and uses the MVC framework to implement a product recommendation system based on face recognition.

Key words： face recognition； product recommendation； personalized recommendation； recommendation system

0 引言

隨著互聯(lián)網(wǎng)信息技術(shù)和電子商務(wù)領(lǐng)域迅速發(fā)展，商品交易活動(dòng)逐漸趨向于電子商務(wù)的形式。如何準(zhǔn)確、高效地為用戶推薦個(gè)性化商品[1]是當(dāng)前電子商務(wù)領(lǐng)域研究的熱門內(nèi)容，而一個(gè)新穎有趣的購(gòu)物體驗(yàn)也將會(huì)成為用戶更高的追求。

近年來(lái)，各大平臺(tái)都開始采用不同的商品推薦技術(shù)，雖然略有成效，但依然存在很多問(wèn)題。使用較多的推薦技術(shù)主要有基于協(xié)同過(guò)濾[2]、基于內(nèi)容過(guò)濾[3]以及基于關(guān)聯(lián)規(guī)則過(guò)濾[4]的推薦技術(shù)。其中基于內(nèi)容過(guò)濾的推薦，主要通過(guò)用戶行為和用戶偏好來(lái)向用戶推薦一系列類似產(chǎn)品，但是這種推薦技術(shù)很難推薦新的用戶感興趣的商品，例如亞馬遜商城就是利用用戶偏好，以及用戶購(gòu)買記錄來(lái)向用戶推薦其他產(chǎn)品，然而這種推薦并不是很精確；基于協(xié)同過(guò)濾的推薦方式利用有著相似喜好的用戶群體來(lái)進(jìn)行推薦，此類推薦大大地提高了推薦系統(tǒng)準(zhǔn)確性，有著比較好的推薦效果，這也是目前使用范圍最廣的推薦技術(shù)；基于關(guān)聯(lián)規(guī)則過(guò)濾的推薦技術(shù)是通過(guò)獲取以往交易數(shù)據(jù)中的規(guī)則并建立商品之間的關(guān)聯(lián)規(guī)則進(jìn)行推薦。上述推薦系統(tǒng)都各有不同程度的局限性，目前大部分的商品推薦系統(tǒng)都是向用戶推薦不同種類、不同樣的商品，但是卻很少有基于用戶正確的行為的推薦方式。

針對(duì)上述商品推薦技術(shù)的弊端，本文提出一種基于人臉識(shí)別[5]的商品個(gè)性化推薦技術(shù)，該技術(shù)旨在結(jié)合人臉識(shí)別功能打造一種全新的推薦系統(tǒng)，根據(jù)用戶的面部特征以及頭部動(dòng)作給用戶推薦商品。

1 推薦系統(tǒng)的體系結(jié)構(gòu)

基于人臉識(shí)別的商品推薦系統(tǒng)采用B/S模式進(jìn)行設(shè)計(jì)。系統(tǒng)整體架構(gòu)如圖1所示。

該系統(tǒng)擁有以下三個(gè)功能模塊。

⑴ 人臉識(shí)別模塊

從客戶端攝像頭實(shí)時(shí)獲取人臉圖片，使用Ajax發(fā)送POST請(qǐng)求將圖片發(fā)送到后臺(tái)服務(wù)器，后臺(tái)服務(wù)器通發(fā)送HTTP請(qǐng)求與face++[6]人臉識(shí)別服務(wù)進(jìn)行交互，獲取實(shí)時(shí)的人臉特征數(shù)據(jù)。

⑵ “商品—人臉”興趣模型庫(kù)模塊

初始建立“商品—人臉”興趣模型庫(kù)，用于商品推薦。當(dāng)用戶面對(duì)攝像頭做出反饋時(shí)，該模塊對(duì)實(shí)時(shí)獲取的用戶的人臉特征數(shù)據(jù)進(jìn)行處理后得到相應(yīng)的多維向量，使用機(jī)器學(xué)習(xí)算法對(duì)相應(yīng)商品的人臉特征向量進(jìn)行修正，從而使興趣模型更加精確。

⑶ 商品推薦模塊

通過(guò)使用人臉識(shí)別模塊實(shí)時(shí)獲取用戶的面部特征數(shù)據(jù)，該模塊根據(jù)用戶的面部特征數(shù)據(jù)通過(guò)“商品—人臉”興趣模型庫(kù)計(jì)算推薦商品，最后反饋給用戶。

2 系統(tǒng)模塊分析

2.1 人臉識(shí)別

2.1.1 人臉特征數(shù)據(jù)的采集

Web客戶端通過(guò)調(diào)用攝像頭接口實(shí)時(shí)獲取用戶頭部圖片，每10ms發(fā)送圖片發(fā)送給后臺(tái)服務(wù)器，后臺(tái)服務(wù)器通過(guò)發(fā)送HTTP請(qǐng)求給face++的人臉識(shí)別服務(wù)，通過(guò)對(duì)face++返回的數(shù)據(jù)進(jìn)行歸一化，獲得每張圖片對(duì)應(yīng)的人臉特征數(shù)據(jù)。具體的數(shù)據(jù)流圖如圖2所示。

具體調(diào)用的API參數(shù)如表1所示。

2.1.2 人臉特征數(shù)據(jù)的表示

對(duì)獲取到的人臉特征數(shù)據(jù)進(jìn)行歸一化處理后，必須用適當(dāng)?shù)姆绞竭M(jìn)行表示。我們用一個(gè)7維向量表示每一個(gè)商品與人臉的關(guān)系，該7維向量包含7個(gè)分量：age（W1）、gender（W2）、smile（W3）、pitch_angle（W4）、roll_angle（W5）、yaw_angle（W6）、glass（W7），分別表示年齡、性別、微笑指數(shù)、搖頭指數(shù)（抬頭角度，平面旋轉(zhuǎn)角度，搖頭角度）、是否佩戴眼鏡。具體如公式⑴所示：

2.2 “商品—人臉”興趣模型庫(kù)

人臉信息中隱式的含有對(duì)商品數(shù)據(jù)的“偏好”，例如，如果用戶是男性，那么他們可能對(duì)數(shù)碼產(chǎn)品感興趣；如果是女性，可能對(duì)衣妝感興趣；如果用戶戴眼鏡，可能對(duì)電腦游戲或書籍更感興趣。因此，系統(tǒng)通過(guò)建立人臉-商品二維矩陣模型，建立了人臉特征與商品之間的關(guān)系；通過(guò)推薦商品讓用戶形成反饋，并通過(guò)用戶對(duì)推薦的商品的反饋，不斷調(diào)節(jié)人臉-商品二維矩陣，以達(dá)到優(yōu)化商品推薦模型的目的，最終能夠更加精確地給用戶推薦商品。

為了表示與計(jì)算的方便，商品—人臉興趣模型采用與人臉特征數(shù)據(jù)一樣的表示方式：用一個(gè)7維向量表示每個(gè)商品與人臉特征的關(guān)聯(lián)向量。每一個(gè)商品都有一組與人臉特征關(guān)聯(lián)的向量，初始每一個(gè)分量都是隨機(jī)數(shù)。

上文提到，“商品—人臉”興趣模型庫(kù)中每一個(gè)“商品—人臉”興趣模型的每一個(gè)分量都是隨機(jī)數(shù)。在客戶端使用過(guò)程中，用戶通過(guò)對(duì)商品做出與自己評(píng)價(jià)相應(yīng)的動(dòng)作，比如微笑和搖頭，微笑代表正反饋（喜歡），搖頭代表負(fù)反饋（不喜歡），系統(tǒng)通過(guò)采集用戶對(duì)被推薦商品的相應(yīng)反饋，對(duì)對(duì)應(yīng)商品—人臉興趣模型做出調(diào)整與修正，使未來(lái)的商品推薦越來(lái)越精確。修正過(guò)程如下。

結(jié)合微笑指數(shù)（smile）和搖頭指數(shù)（yaw_angle），通過(guò)公式⑵計(jì)算用戶對(duì)商品的評(píng)分：

計(jì)算后得到用戶對(duì)商品的評(píng)分，共五個(gè)等級(jí)（不滿意、較不滿意、中等、較滿意、滿意），然后在通過(guò)對(duì)比用戶對(duì)商品的評(píng)分和對(duì)商品的喜愛(ài)程度（計(jì)算方式參考小節(jié)2.3），并計(jì)算兩個(gè)數(shù)據(jù)之間的差值，設(shè)置一個(gè)機(jī)器學(xué)習(xí)[7]率，來(lái)控制修正模型調(diào)節(jié)的速度，于是得到最終的權(quán)值調(diào)節(jié)數(shù)值為，最后每個(gè)權(quán)值分別變成：

2.3 商品推薦

初始建立商品—人臉興趣模型庫(kù)之后，進(jìn)行人臉識(shí)別獲取人臉特征數(shù)據(jù)，進(jìn)行歸一化處理后得到表示人臉特征數(shù)據(jù)的7維向量，記為X1。

從數(shù)據(jù)庫(kù)獲取每個(gè)商品—人臉興趣模型，記為X2。

通過(guò)公式⑽（表示向量?jī)?nèi)積）計(jì)算，得到人臉對(duì)每個(gè)商品的喜愛(ài)程度，記為ans，

對(duì)計(jì)算結(jié)果進(jìn)行排序后，將排名靠前的商品推薦給用戶。

3 商品推薦系統(tǒng)的實(shí)現(xiàn)

前面介紹了的人臉識(shí)別、興趣模型構(gòu)建和商品推薦模塊，實(shí)現(xiàn)該推薦系統(tǒng)需要做的就是構(gòu)建用戶交互的客戶端系統(tǒng)以及為推薦功能服務(wù)的服務(wù)器系統(tǒng)。

該系統(tǒng)后端采用Java語(yǔ)言的MVC框架[8]、Hibernate框架、MySQL數(shù)據(jù)庫(kù)、servlet通信等技術(shù)；前端采用Bootstrap前端框架、html5、JavaScript、jquery、Ajax等技術(shù)來(lái)實(shí)現(xiàn)客戶端UI界面。系統(tǒng)的通信使用HTTP通信協(xié)議，數(shù)據(jù)傳輸使用JSON格式，系統(tǒng)通信過(guò)程是先由客戶端發(fā)送請(qǐng)求至服務(wù)器端，服務(wù)器再發(fā)送給servlet，后臺(tái)進(jìn)行數(shù)據(jù)處理并根據(jù)請(qǐng)求與參數(shù)去數(shù)據(jù)庫(kù)獲取結(jié)果，隨后servlet將獲取到的響應(yīng)內(nèi)容發(fā)送給服務(wù)器，服務(wù)器端再把響應(yīng)的JSON數(shù)據(jù)返回給客戶端后動(dòng)態(tài)更新界面。

在本系統(tǒng)的開發(fā)過(guò)程中，采用了面向?qū)ο蟮木幊趟枷耄褂肕VC框架，該框架的優(yōu)點(diǎn)在于耦合性低，實(shí)現(xiàn)了模型與控制器還有視圖層的相互分離，改變?nèi)龑又械钠渲幸粚硬粫?huì)影響另外兩層，各模塊代碼之間重用性較高，項(xiàng)目更易于維護(hù)和修改。為了直觀地顯示實(shí)驗(yàn)效果，截取了系統(tǒng)的主界面如圖3所示。

4 結(jié)束語(yǔ)

在電子商務(wù)不斷發(fā)展的今天，人們對(duì)商品信息的追求日趨個(gè)性化，個(gè)性化的產(chǎn)品推薦已經(jīng)成為學(xué)者們研究的熱點(diǎn)。論文闡述了“商品—人臉”興趣模型庫(kù)和推薦算法的設(shè)計(jì)與實(shí)現(xiàn)，并采用B/S模式商品推薦系統(tǒng)進(jìn)行架構(gòu)設(shè)計(jì)，通過(guò)調(diào)用人臉識(shí)別接口，實(shí)現(xiàn)了基于人臉識(shí)別的商品個(gè)性化推薦系統(tǒng)。系統(tǒng)通過(guò)模型修正提高商品推薦的準(zhǔn)確率，但人的情感因素有很多，不能僅憑本文所采用的人臉識(shí)別就準(zhǔn)確推薦用戶真正喜愛(ài)的商品。在未來(lái)的工作中，還可以做出以下改進(jìn)：增加更多情感輸入方式；使用更加合適、精確的機(jī)器學(xué)習(xí)算法。

參考文獻(xiàn)（References）：

[1] 孫濤.個(gè)性化商品推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].吉林大學(xué)，2015.

[2] 李詩(shī)羽.基于協(xié)同過(guò)濾算法的個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].信息與電腦（理論版），2018.11：53-54

[3] 沈華理.基于內(nèi)容和協(xié)同過(guò)濾相融合的推薦算法[J].電腦知識(shí)與技術(shù)，2018.14（2）：232-234，282

[4] 蔣同舟.基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦[D].大連理工大學(xué)，2017.

[5] 劉衛(wèi)凱，郝雅倩，鄭晗，齊立萍.人臉識(shí)別綜述[J].信息記錄材料，2018.19（7）：13-14

[6] 李碧雯，史小兵.[曠視科技]“看”到曙光[J].中國(guó)企業(yè)家，2016.12：44-46

[7] 韓雪純.大數(shù)據(jù)時(shí)代下機(jī)器學(xué)習(xí)的應(yīng)用研究[J].科技風(fēng)，2018.19：63

[8] 王鶴琴，張林靜，朱珍元.基于Spring MVC的后臺(tái)管理系統(tǒng)開發(fā)研究[J].黃山學(xué)院學(xué)報(bào)，2018.20（3）：18-22