鄧康榮 熊茂華

摘要：本文主要研究了基于人臉特征識(shí)別的商品推薦系統(tǒng)的設(shè)計(jì)思路、總體結(jié)構(gòu)、推薦算法的模型設(shè)計(jì);闡明了推薦系統(tǒng)的推薦系統(tǒng)的人臉識(shí)別算法、基于人臉特征識(shí)別的商品推薦系統(tǒng)的實(shí)現(xiàn)等。具體一定的實(shí)用價(jià)值。

關(guān)鍵詞：人臉特征識(shí)別;商品推薦;信息采集;協(xié)同推薦

中圖分類號(hào)：TP391.3? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號(hào)：1007-9416（2020）04-0000-00

近年來(lái)，隨著電子商務(wù)迅速發(fā)展與規(guī)模逐漸擴(kuò)大，商品的種類越來(lái)越繁雜，顧客為了網(wǎng)購(gòu)商品需要瀏覽大量與商品無(wú)關(guān)的垃圾虛假信息，消耗大量的精力和時(shí)間才有可能搜索到自己想買的商品，這就是所課的信息過(guò)載造成顧客的流失。為了幫助顧客快速精準(zhǔn)購(gòu)買到滿足個(gè)性所需的商品，商品個(gè)性化推薦系統(tǒng)就應(yīng)運(yùn)而生。個(gè)性化是根據(jù)顧客的興趣愛(ài)好與購(gòu)買行為向精準(zhǔn)地為顧客推薦所感興趣的信息和商品;商品個(gè)性化推薦系統(tǒng)的關(guān)鍵技術(shù)是通過(guò)對(duì)商品海量數(shù)據(jù)進(jìn)行深度學(xué)習(xí)與挖掘，為顧客購(gòu)物提供完全個(gè)性化的決策支持和信息服務(wù)的電子商務(wù)網(wǎng)站，即高級(jí)商務(wù)智能平臺(tái)。目前，大小型商場(chǎng)、娛樂(lè)場(chǎng)、商品交易會(huì)展、休閑場(chǎng)所、公共場(chǎng)所等推出的各式各樣的商品推薦系統(tǒng)，其實(shí)就是一般的商品廣告。本文所闡述的是基于人臉特征識(shí)別的商品推薦系統(tǒng)，是通過(guò)視頻人臉信息的采集，進(jìn)行人臉特征識(shí)別，實(shí)時(shí)判斷購(gòu)買者年齡大小，性別，個(gè)性愛(ài)好和購(gòu)物時(shí)的心情，并實(shí)時(shí)推薦符合購(gòu)者個(gè)性的商品。系統(tǒng)能依據(jù)購(gòu)物者的面部表情判斷其對(duì)推薦的商品的滿意度，并能及時(shí)調(diào)整推薦商品使其能貼近顧客的個(gè)性愛(ài)好。

1 推薦系統(tǒng)的總體結(jié)構(gòu)

本文的核心技術(shù)是人臉特征識(shí)別系統(tǒng)和商品推薦算法。人臉特征識(shí)別系統(tǒng)采用人工智能芯片RK3399芯片作為核心處理器，由攝像頭進(jìn)行圖像采集，并把跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)（OpenCV）到RK3399開發(fā)板上，通過(guò)調(diào)用百度的AI庫(kù)，經(jīng)大量的圖片訓(xùn)練，能夠精準(zhǔn)的判斷人的顧客的性別，年齡大小和購(gòu)物心情。獲取視頻圖像信息的流程是采集視頻圖像信息、圖像預(yù)處理、圖像的邊緣與輪廓提取、特征提取與識(shí)別等;考慮到在復(fù)雜背景下能有效、清晰地獲取人臉視頻信息，采用了多姿態(tài)猴臉檢測(cè)與識(shí)別方法來(lái)實(shí)現(xiàn)多姿態(tài)下的人臉識(shí)別算法。商品推薦算法及推薦方法是用基于風(fēng)格分類和人臉匹配[1-2]。

在多姿態(tài)表情的人臉特征識(shí)別主要是以眼睛和鼻子的特征，包括嘴巴、耳朵、毛發(fā)等觀測(cè)區(qū)域的特征信息;為了使系統(tǒng)有準(zhǔn)確性和健壯性，需考慮環(huán)境因素的影響，如光線、表情、視角等干擾因素。

在獲取人臉信息的數(shù)據(jù)和人臉特征識(shí)別處理后，由商品推薦系統(tǒng)依據(jù)顧客所選擇的商品種類，通過(guò)商品推薦算法進(jìn)行數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)處理、完成商品推薦。推薦系統(tǒng)需考慮3個(gè)基本要素：顧客、商品、推薦方法[3]。本系統(tǒng)以服裝商品為例通過(guò)對(duì)顧客、商品、特征的分析研究出顧客、商品、特征之間的關(guān)系，如圖1所示。

通常，商品特征主要包含2種屬性，即靜態(tài)屬性和動(dòng)態(tài)屬性。靜態(tài)屬性包括：商品的品牌、商品種類、商品貨號(hào)、購(gòu)物者的性別、

尺碼大小、顏色、上架時(shí)間、適應(yīng)季節(jié)等;動(dòng)態(tài)屬性包括：商品數(shù)量和庫(kù)存量、市場(chǎng)價(jià)格和銷售價(jià)格、毛利、曝光數(shù)、瀏覽次數(shù)、加購(gòu)物車次數(shù)等。

為實(shí)現(xiàn)基于人臉特征識(shí)別的商品推薦系統(tǒng)，需設(shè)計(jì)一個(gè)較為全面且符合商家需求的推薦系統(tǒng)模型，建立包括人臉基本特征識(shí)別、特征過(guò)濾、風(fēng)格分類、個(gè)性化人臉匹配、綜合處理及動(dòng)態(tài)顯示推薦商品的總體架構(gòu)模型[4]，系統(tǒng)的具體的總體架構(gòu)如圖2所示。

其中基本特征匹配模塊主要是用來(lái)通過(guò)人臉視頻特征如顧客年齡，性別，個(gè)性和心情等信息從數(shù)據(jù)庫(kù)中過(guò)濾出滿足顧客需求的商品;風(fēng)格分類模塊主要是來(lái)對(duì)商家商品的風(fēng)格進(jìn)行分類，在系統(tǒng)運(yùn)行初期，該模塊首先會(huì)對(duì)系統(tǒng)數(shù)據(jù)庫(kù)中的各種不同類型的商家商品的照片進(jìn)行圖像風(fēng)格的判斷，并將判斷后得到的結(jié)果存儲(chǔ)到數(shù)據(jù)庫(kù)中的相應(yīng)用商家商品信息中，用于后繼推薦過(guò)程中的風(fēng)格過(guò)濾;個(gè)性化商品匹配則可以匹配出與依據(jù)人臉特征識(shí)別推薦的具有一定需求的客戶;綜合處理模塊則按照顧客的個(gè)性化需求進(jìn)行綜合推薦;交互與推薦模塊主要是用來(lái)與顧客進(jìn)行交互，獲得顧客的個(gè)性化需求并針對(duì)顧客的需求做出相應(yīng)的推薦。

2 推薦系統(tǒng)的推薦算法

2.1 推薦算法的模型設(shè)計(jì)

攝像頭采集人臉圖像信息，通過(guò)人臉特征識(shí)別，判斷顧客的年齡大小，性別，個(gè)性和購(gòu)物時(shí)的心情，推薦相對(duì)應(yīng)的需求產(chǎn)品。然后根據(jù)顧客面部表情判斷顧客對(duì)商品的滿意度，做出相應(yīng)的調(diào)整。推薦系統(tǒng)的模型如圖3所示。

基于人臉特征識(shí)別的商品推薦系統(tǒng)的模型的描述如下：（1）推薦系統(tǒng)通過(guò)顧客行為舉止，建立客戶模型;（2）通過(guò)商品的信息，建立推薦對(duì)象模型;（3）通過(guò)顧客人臉特征識(shí)別判斷購(gòu)買者年齡，性別，個(gè)性愛(ài)好與購(gòu)物時(shí)的心情，再推薦算法的深度學(xué)習(xí)與計(jì)算，能快速找到顧客可能感興趣的推薦對(duì)象，然后推薦給顧客[5]。

2.2 推薦算法

本系統(tǒng)采用基于用戶的協(xié)同過(guò)濾推薦算法，其算法是尋找3個(gè)與本次需推薦商品的顧客個(gè)性相似的用戶，并用這3個(gè)用戶的評(píng)分去預(yù)測(cè)該顧客推薦的商品的評(píng)分[6]。

（1）使用余弦相似性度量如下：

（2）依據(jù)皮爾森的相關(guān)性，定義如下：

在皮爾森的算法中，最近鄰方法用于基于各種相似性度量搜索k個(gè)最近鄰。

（3）其目標(biāo)用戶對(duì)商品的預(yù)測(cè)可用下式表示：

是目標(biāo)用戶m對(duì)商品j的預(yù)測(cè)，是用戶m和v之間的相似度，K是與目標(biāo)用戶相似的K個(gè)用戶。

（4）推薦算法的編程流程如圖4所示：

3 推薦系統(tǒng)的人臉識(shí)別與編程

目前人臉識(shí)別技術(shù)主要存在的難點(diǎn)為光照問(wèn)題、遮擋問(wèn)題、表情問(wèn)題、姿態(tài)問(wèn)題和生長(zhǎng)問(wèn)題。本系統(tǒng)的是在正面人臉、正常光照、正常表情的基礎(chǔ)上實(shí)現(xiàn)的，只有小部分的人臉圖像是在小范圍傾斜、有近視眼鏡遮擋的情況下進(jìn)行識(shí)別的。這樣做是為了更好地對(duì)人臉特征識(shí)別算法，判斷購(gòu)買者年齡，性別，個(gè)性和當(dāng)天的心情，推薦相對(duì)應(yīng)的需求產(chǎn)品。

人臉識(shí)別系統(tǒng)可以分為四個(gè)階段：人臉圖像的采集獲取、人臉圖像的預(yù)處理、人臉特征的提取和特征匹配，本文所對(duì)應(yīng)的系統(tǒng)能實(shí)現(xiàn)基于正面、無(wú)光照問(wèn)題、有表情變化和輕微姿態(tài)變化情況下的人臉識(shí)別。速度快、準(zhǔn)確率高，具有一定的研究和應(yīng)用價(jià)值[7]。本系統(tǒng)的特征臉?biāo)惴ㄗR(shí)別率如表1所示。

4 結(jié)語(yǔ)

本系統(tǒng)是基于特征臉?biāo)惴ǖ娜四樧R(shí)別，系統(tǒng)的實(shí)現(xiàn)方法是利用特征臉識(shí)別算法實(shí)現(xiàn)的。采用的人臉圖像數(shù)據(jù)庫(kù)為ESSEX FACES94人臉圖像數(shù)據(jù)庫(kù)，特征提取方法為特征臉?biāo)惴?，分類方法采用的是最小距離分類方法。本系統(tǒng)能實(shí)現(xiàn)人臉特征識(shí)別功能，在光照沒(méi)有明顯變化、存在少量遮擋物以及是正面姿態(tài)的情況下，完成人臉圖像的特征識(shí)別。本系統(tǒng)的優(yōu)點(diǎn)是識(shí)別速度快、準(zhǔn)確率高，具有一定的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 黃立威，江碧濤，呂守業(yè)，等.基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2018（7）：1619-1647.

[2] 胡勇，朱瑩瑩.特征臉?biāo)惴樧R(shí)別系統(tǒng)[J].金陵科技學(xué)院學(xué)報(bào)，2018（6）：1-4.

[3] 王俊生，王波，韓慶芝.一種多模態(tài)生物特征融合算法探究[J].智能計(jì)算機(jī)與應(yīng)用，2018（12）：87-89.

[4] 孫海威，曹曦文，張?chǎng)侮?，?基于壓縮感知的人臉識(shí)別算法實(shí)現(xiàn)[J].信息技術(shù)，2018（3）155-158.

[5] 尹利.Hadoop下的個(gè)性化推薦應(yīng)用研究[D].武漢：湖北大學(xué)，2016.

[6] 李歡.新型協(xié)同過(guò)濾推薦算法研究[D].合肥：安徽大學(xué)，2017.

[7] 張丹.基于風(fēng)格分類和人臉匹配的服裝模特推薦系統(tǒng)研究與實(shí)現(xiàn)[D].廣州：華南理工大學(xué)，2017.

收稿日期：2020-03-13

基金項(xiàng)目：2019年，“攀登計(jì)劃”廣東大學(xué)生科技創(chuàng)新（科技發(fā)明類）培育專項(xiàng)，項(xiàng)目名稱：基于人臉特征識(shí)別的商品推薦系統(tǒng)，項(xiàng)目編號(hào)（pdjh2019b0976）;2018年度廣東省教育科學(xué)“十三五”規(guī)劃課題，課題編號(hào)（2018GXJK361）。

作者簡(jiǎn)介：鄧康榮，男，廣東東莞人，研究方向：計(jì)算機(jī)應(yīng)用、圖像處理、機(jī)電工程方面的研究。

通訊作者：熊茂華（1958—），男，江西南昌人，本科，教授，研究方向：智能控制、物聯(lián)網(wǎng)技術(shù)、嵌入式系統(tǒng)、無(wú)線傳感器網(wǎng)絡(luò)技術(shù)。

Research and Development of Product Recommendation System Based on Face Feature Recognition

DENG Kang-rong，XIONG Mao-hua

（Guangzhou South China Business Vocational College，Guangzhou Guangdong? 511483）

Abstract： This article mainly studies the design ideas， overall structure， and model design of a product recommendation system based on face feature recognition; clarifies the face recognition algorithm of a recommendation system recommendation system， and a product recommendation system based on face feature recognition Implementation. Specific practical value.

Keywords： facial feature recognition; product recommendation; information collection; collaborative recommendation