基于深度學(xué)習(xí)的服裝推薦系統(tǒng)分析

韓豐澤

（陜西服裝工程學(xué)院，陜西 西安 712046）

引言

近幾年，隨著我國(guó)科技的快速發(fā)展，網(wǎng)絡(luò)中出現(xiàn)了大量的服裝信息，并且隨著時(shí)間的推移還在逐步增加，最終導(dǎo)致消費(fèi)者在海量的服裝信息中很難找到符合心意的服裝。消費(fèi)者在選擇心儀的服裝上面花費(fèi)了大量的時(shí)間，而這也是正在變相地提高著消費(fèi)者的服裝穿搭成本，同時(shí)也降低了消費(fèi)者購(gòu)買(mǎi)的效率?，F(xiàn)在的網(wǎng)絡(luò)購(gòu)物平臺(tái)都具有商品標(biāo)簽相似性的搜索功能，商家只需要向購(gòu)物平臺(tái)上傳服裝的商品標(biāo)簽就可以了，比如服裝的描述信息、品牌、顏色、風(fēng)格、尺碼等信息，然后平臺(tái)就可以在這些服裝信息中選取關(guān)鍵字上傳到數(shù)據(jù)庫(kù)就可以了。在消費(fèi)者根據(jù)喜好搜索關(guān)鍵字的時(shí)候，就可以在平臺(tái)給出的反饋結(jié)果中選取符合自己心意的服裝了。但是這種方式還有一個(gè)比較嚴(yán)重的漏洞，那就是過(guò)于依賴(lài)商品標(biāo)簽，如果商家提供的商品標(biāo)簽不夠客觀(guān)，就會(huì)導(dǎo)致平臺(tái)給予的反饋結(jié)果不夠準(zhǔn)確。而且，還需要消耗大量的人力、財(cái)力、物力來(lái)標(biāo)注服裝的商品標(biāo)簽，并且對(duì)于準(zhǔn)確率也無(wú)法進(jìn)行保障。

一部分的購(gòu)物平臺(tái)除了商品標(biāo)簽相似性的搜索功能外，還會(huì)根據(jù)自身的知名度為消費(fèi)者推薦符合其要求并且購(gòu)買(mǎi)人數(shù)比較多的產(chǎn)品，以便供消費(fèi)者選擇，又或者根據(jù)平臺(tái)內(nèi)的消費(fèi)者消費(fèi)記錄，為消費(fèi)者推薦符合需求的產(chǎn)品。然而，大部分消費(fèi)者在選擇購(gòu)買(mǎi)服裝時(shí)，都是根據(jù)自身的喜好進(jìn)行我購(gòu)買(mǎi)，另外，在消費(fèi)者選取購(gòu)買(mǎi)一件衣服時(shí)，一般都不會(huì)在購(gòu)買(mǎi)類(lèi)似的服裝。網(wǎng)絡(luò)購(gòu)物平臺(tái)通常都會(huì)根據(jù)消費(fèi)者選取的商品信息為消費(fèi)者進(jìn)行篩選，或者根據(jù)消費(fèi)者的消費(fèi)記錄為消費(fèi)者推薦商品，卻沒(méi)有考慮是否適合消費(fèi)者，導(dǎo)致平臺(tái)推薦給消費(fèi)者的商品與消費(fèi)者的客觀(guān)特征不符的現(xiàn)象發(fā)生，從而導(dǎo)致消費(fèi)者購(gòu)買(mǎi)的服裝與想象的存在差異，平臺(tái)的推薦方法非常的盲目并且缺少針對(duì)性，購(gòu)物平臺(tái)還需要在服裝個(gè)性化推薦方面繼續(xù)改進(jìn)[1]。

站在設(shè)計(jì)師的角度來(lái)看，為消費(fèi)者推薦服裝時(shí)，需要考慮到消費(fèi)者的膚色、臉型、體型等因素，再為其推薦符合自身客觀(guān)特征的服裝，然后在根據(jù)消費(fèi)者選擇的商品信息為其優(yōu)化在進(jìn)行服裝推薦，這樣就不會(huì)為消費(fèi)者盲目的推薦，還可以有效地提高消費(fèi)者的體驗(yàn)感與滿(mǎn)意度，并刺激消費(fèi)者的購(gòu)買(mǎi)欲，從而提升商家的銷(xiāo)售量。網(wǎng)絡(luò)購(gòu)物平臺(tái)在建設(shè)服裝推薦系統(tǒng)之時(shí)，需要使用大量的人工來(lái)對(duì)服裝的標(biāo)簽進(jìn)行標(biāo)注。目前，在圖像分類(lèi)的工作中已經(jīng)成功應(yīng)用了深度學(xué)習(xí)，并且實(shí)現(xiàn)了多標(biāo)簽的服裝分類(lèi)工作，在節(jié)省了大量的人力、物力、財(cái)力的同時(shí)，還統(tǒng)一了服裝標(biāo)簽并保障了服裝推薦結(jié)果的準(zhǔn)確率。

1 深度學(xué)習(xí)算法

1.1 個(gè)性化推薦

個(gè)性化推薦實(shí)際上就是針對(duì)消費(fèi)者推薦商品的軟件系統(tǒng)與設(shè)備，其中的推薦建議涉獵多種決策過(guò)程，比如所要購(gòu)買(mǎi)的商品、收聽(tīng)的音樂(lè)、閱讀的書(shū)籍等等。其中推薦算法主要包括以下幾種：

①以?xún)?nèi)容為載體的推薦算法，系統(tǒng)推薦和消費(fèi)者收藏、反復(fù)瀏覽的商品相似的商品，計(jì)算既有商品和消費(fèi)者傾向商品之間的相似性，通過(guò)消費(fèi)者喜好傾向針對(duì)其推薦符合其需求的商品，例如若是消費(fèi)者喜歡職業(yè)類(lèi)型的服裝，系統(tǒng)可基于學(xué)習(xí)為消費(fèi)者推薦職業(yè)類(lèi)型的其他服裝。②協(xié)同過(guò)濾算法，其關(guān)鍵在于以計(jì)算消費(fèi)者或者商品間的相似性的方式，自動(dòng)化評(píng)估預(yù)測(cè)消費(fèi)者所青睞或者感興趣的商品。協(xié)同過(guò)濾算法具體劃分為兩種，即以消費(fèi)者為載體的協(xié)同過(guò)濾、以商品為載體的協(xié)同過(guò)濾。前者實(shí)際上是就消費(fèi)者好友關(guān)系分析，為消費(fèi)者推薦好友購(gòu)買(mǎi)過(guò)或者想要購(gòu)買(mǎi)的商品，后者實(shí)際上是就消費(fèi)者購(gòu)買(mǎi)或者瀏覽記錄等一系列相關(guān)的歷史數(shù)據(jù)信息作為依據(jù)面向消費(fèi)者推薦高度類(lèi)似的商品。③以人口統(tǒng)計(jì)為載體的推薦算法，基于消費(fèi)者人口統(tǒng)計(jì)資料進(jìn)行商品個(gè)性化推薦，很多網(wǎng)站現(xiàn)在均選用此推薦算法，比如就消費(fèi)者語(yǔ)言、國(guó)家、區(qū)域針對(duì)性給消費(fèi)者推薦特定網(wǎng)站，還可就消費(fèi)者年齡推薦，此算法常用于市場(chǎng)營(yíng)銷(xiāo)中。④以知識(shí)為載體的推薦算法，其根據(jù)特定領(lǐng)域知識(shí)面向消費(fèi)者進(jìn)行商品推薦，其中的知識(shí)涉及商品特征怎樣滿(mǎn)足消費(fèi)者偏好與需求，以及商品對(duì)于消費(fèi)者的價(jià)值。此算法可具體劃分為以約束為載體的推薦算法、以案例為載體的推薦算法，前者明確規(guī)定一組推薦規(guī)則，再檢索滿(mǎn)足推薦規(guī)則與消費(fèi)者需求的商品；后者通過(guò)以不同類(lèi)型的相似性度量，檢索并推薦與消費(fèi)者需求高度接近的商品。⑤以社區(qū)為載體的推薦算法，就消費(fèi)者好友偏好進(jìn)行商品推薦，人們更加傾向好友推薦，而非陌生人推薦。此算法需獲取消費(fèi)者好友等相關(guān)社會(huì)關(guān)系以及好友偏好設(shè)置，通過(guò)好友所提供評(píng)級(jí)加以推薦。在社交網(wǎng)絡(luò)逐步興起的趨勢(shì)下，可簡(jiǎn)潔且全面獲取與消費(fèi)者社交關(guān)系密切關(guān)聯(lián)的數(shù)據(jù)信息。⑥混合推薦算法，其本質(zhì)是將以上推薦算法相互組合，通過(guò)某一算法的優(yōu)勢(shì)彌補(bǔ)另一算法的不足。

總之不同推薦算法各有利弊，而且服裝商品具有一定的特殊性，同一消費(fèi)者很少會(huì)二次購(gòu)買(mǎi)相同衣服，且好友喜歡的也不一定適合消費(fèi)者。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

機(jī)器學(xué)習(xí)作為人工智能的分支，具體即基于算法促使機(jī)器由海量歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律，以規(guī)律識(shí)別或預(yù)測(cè)新樣本數(shù)據(jù)。其中表示學(xué)習(xí)實(shí)際上是指機(jī)器學(xué)習(xí)中通過(guò)機(jī)器自動(dòng)學(xué)習(xí)特征的學(xué)習(xí)，深度學(xué)習(xí)實(shí)際上是指表示學(xué)習(xí)的典型代表，通過(guò)高度模仿人類(lèi)大腦，以海量樣本數(shù)據(jù)構(gòu)建包含多層次的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以開(kāi)展訓(xùn)練學(xué)習(xí)，以識(shí)別或者分類(lèi)新型樣本，模仿人類(lèi)大腦加以解釋。

深度學(xué)習(xí)中獨(dú)具代表性的架構(gòu)包含深度卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)，尤其是深度卷積神經(jīng)網(wǎng)絡(luò)，在圖像識(shí)別、自然語(yǔ)言處理、語(yǔ)音識(shí)別等多個(gè)領(lǐng)域均已經(jīng)實(shí)現(xiàn)了普遍應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)中最為成功的典型算法，也是深度前饋人工神經(jīng)網(wǎng)絡(luò)。其與生物學(xué)神經(jīng)網(wǎng)絡(luò)相類(lèi)似，由多個(gè)神經(jīng)元彼此連接而成，各神經(jīng)元均可完成計(jì)算任務(wù)。網(wǎng)絡(luò)后面的神經(jīng)元由網(wǎng)絡(luò)前面的神經(jīng)元接收輸入，計(jì)算之后再輸出，通過(guò)層層神經(jīng)元向前計(jì)算之后，在最后一層獲取計(jì)算結(jié)果。前饋即卷積神經(jīng)網(wǎng)絡(luò)各相關(guān)操作后逐層抽象的一個(gè)過(guò)程，由原始數(shù)據(jù)從輸入層逐漸抽取高層次語(yǔ)義信息。對(duì)于人臉識(shí)別來(lái)講，輸入人臉圖片，通過(guò)計(jì)算生成多層抽象特征，其中包含眼睛或者眉毛等特征圖，直至最后生成完整人臉特征圖，此過(guò)程即前饋運(yùn)算。卷積神經(jīng)網(wǎng)絡(luò)計(jì)算過(guò)程具體即輸入樣本數(shù)據(jù)，以卷積操作提取特征，引進(jìn)池化操作與非線(xiàn)性激活函數(shù)映射等逐層堆砌、抽象，抽取出高層語(yǔ)義信息，再進(jìn)一步具體細(xì)化為目標(biāo)任務(wù)，然后通過(guò)最后一層獲取目標(biāo)任務(wù)的損失函數(shù)。然后以反向傳播算法，把預(yù)測(cè)值和真實(shí)值的損失差異由最后一層開(kāi)始逐漸朝前傳輸，傳輸?shù)耐瑫r(shí)實(shí)時(shí)更新各層相關(guān)參數(shù)，直至第一層，反復(fù)上述流程，直至網(wǎng)絡(luò)模型整體收斂，以此實(shí)現(xiàn)模型訓(xùn)練目的[2]。

2 基于深度學(xué)習(xí)的服裝推薦系統(tǒng)分析

2.1 基于深度學(xué)習(xí)的服裝推薦模型

2.1.1 相似長(zhǎng)短期記憶網(wǎng)絡(luò)建模

在服裝推薦系統(tǒng)的構(gòu)建過(guò)程中，在與深度學(xué)習(xí)的算法相結(jié)合的背景下，需先對(duì)相似的長(zhǎng)短期記憶網(wǎng)絡(luò)建模。而長(zhǎng)短期記憶網(wǎng)絡(luò)主要是為用戶(hù)日常中的服裝瀏覽記錄進(jìn)行記憶評(píng)估，針對(duì)瀏覽數(shù)據(jù)進(jìn)行長(zhǎng)短期評(píng)估，通過(guò)其中相似度相對(duì)較高的信息針對(duì)性分類(lèi)記憶信息，以便明確辨別消費(fèi)群體的真正喜好。長(zhǎng)短期記憶網(wǎng)絡(luò)主要依賴(lài)于循環(huán)神經(jīng)網(wǎng)絡(luò)系統(tǒng)相關(guān)技術(shù)為載體，以?xún)?chǔ)存瀏覽信息，對(duì)于消費(fèi)者所產(chǎn)生的瀏覽信息數(shù)據(jù)形成一個(gè)整體系統(tǒng)，再對(duì)其進(jìn)行分類(lèi)，以此生成與消費(fèi)群體息息相關(guān)的長(zhǎng)短期記憶模型。在分析計(jì)算消費(fèi)者行為時(shí)，會(huì)就其瀏覽信息中頻率較高的內(nèi)容進(jìn)行隱藏，而達(dá)到頻率推薦標(biāo)準(zhǔn)的信息則會(huì)生成短期記憶，且會(huì)添加相關(guān)信息推薦頻率。長(zhǎng)短期記憶網(wǎng)絡(luò)中數(shù)據(jù)信息分類(lèi)時(shí)，還需就輸出與輸入加以分類(lèi)，在確定函數(shù)運(yùn)算激活方式時(shí)，可合理利用所獲取結(jié)果構(gòu)建相乘序列。

2.1.2 長(zhǎng)短期記憶文本建模

在進(jìn)行程序匯編之時(shí)，還需要明確長(zhǎng)短期記憶網(wǎng)絡(luò)運(yùn)用的界定，可將作為整體函數(shù)集合，以句子具體明確定義各個(gè)標(biāo)題，以實(shí)現(xiàn)朝向低維向量空間特征的迅速轉(zhuǎn)換。針對(duì)函數(shù)參數(shù)進(jìn)行定量求解，并融入理想特征，以此健全各種服裝文本間的有效搭配。通過(guò)平臺(tái)進(jìn)行服裝有關(guān)信息查詢(xún)的時(shí)候，只需要輸入相關(guān)的詞語(yǔ)就可以將長(zhǎng)短期記憶網(wǎng)絡(luò)系統(tǒng)啟動(dòng)?；陂L(zhǎng)短期記憶的文本建模還需要進(jìn)一步確定分辨函數(shù)集合，并且在其中找出經(jīng)典長(zhǎng)短期記憶網(wǎng)絡(luò)的特征。利用輸出輸入階段做得出的具體分析結(jié)果，面向服裝標(biāo)題實(shí)現(xiàn)所謂的空間界定。如此一來(lái)，平臺(tái)便可在消費(fèi)群體瀏覽網(wǎng)絡(luò)的時(shí)候，從其中的服裝信息中了解到消費(fèi)群體的真正喜好，從而為消費(fèi)群體提供針對(duì)性、個(gè)性化服裝推薦。

2.1.3 基于瀏覽信息記憶的服裝搭配推薦

基于長(zhǎng)短期記憶的文本模型構(gòu)建，需精確評(píng)估函數(shù)集合，且在分析時(shí)確定經(jīng)典的長(zhǎng)短期記憶網(wǎng)絡(luò)特征。而輸出與輸入環(huán)節(jié)則需要根據(jù)所獲得的最終分析結(jié)果，實(shí)現(xiàn)對(duì)于服裝產(chǎn)品標(biāo)題的空間化界定，以此消費(fèi)者在平時(shí)瀏覽網(wǎng)絡(luò)相關(guān)信息時(shí)，就可以就服裝信息出現(xiàn)的具體概率評(píng)判消費(fèi)者喜好與興趣，以此實(shí)現(xiàn)服裝推薦。基于瀏覽信息需自動(dòng)化評(píng)估判斷分類(lèi)瀏覽有關(guān)信息，并在深層挖掘時(shí)辨別服裝具體搭配，以服裝搭配推薦，從而評(píng)估消費(fèi)群體服裝瀏覽類(lèi)型。此外還需就瀏覽信息深入挖掘，進(jìn)一步評(píng)判消費(fèi)者服裝類(lèi)型與顏色等的偏向，以彼此整合匯總最終所獲瀏覽信息與挖掘信息。針對(duì)瀏覽信息持續(xù)挖掘的服裝搭配推薦依舊需要評(píng)估對(duì)比服裝信息間的相似度。就損失函數(shù)具體運(yùn)算，對(duì)服裝搭配時(shí)標(biāo)題語(yǔ)句的相似度進(jìn)行實(shí)時(shí)評(píng)估，基于標(biāo)題語(yǔ)句映射建設(shè)，以此面向低維向量空間特征逐步滲透具體信息[3]。

2.2 基于圖像與文本信息的服裝推薦系統(tǒng)

2.2.1 特征提取

基于圖像和文本信息深層挖掘設(shè)計(jì)服裝推薦系統(tǒng)，需先提取圖像與文本信息特征，并比較分析各個(gè)特征。就圖像和文本信息特征融合，進(jìn)行信息特征提取，還要深層充分考慮圖像文本信息之間的相似性是否嚴(yán)格控制于函數(shù)運(yùn)算集合的范圍之內(nèi)，并根據(jù)服裝推薦系統(tǒng)具體功能需求，對(duì)比各類(lèi)型相似性，以此評(píng)估預(yù)算范圍?；跇?biāo)題語(yǔ)句與嵌入式方式深層對(duì)比分析語(yǔ)句間的相似性，且以運(yùn)算公式明確函數(shù)集合所涉及的信息范圍，以此對(duì)各類(lèi)型數(shù)據(jù)進(jìn)行評(píng)價(jià)對(duì)比，進(jìn)而生成服裝推薦文本信息樣本。服裝樣本推薦時(shí)還需就實(shí)際距離切實(shí)評(píng)估不同損失函數(shù)集合明確需求，副樣本間距越大，則最終損失函數(shù)越小，若是副樣本間距逐步縮小，則服裝推薦信息集合范圍將會(huì)整體縮小。

2.2.2 特征融合

以圖像和文本信息間的彼此滲透，基于交互數(shù)據(jù)深層挖掘，進(jìn)而整體構(gòu)建服裝推薦系統(tǒng)。其中圖像與文本信息特征滲透，需先將其提取出來(lái)并嵌入空間特征，并進(jìn)行空間距離進(jìn)行計(jì)算分析。服裝搭配推薦時(shí)的相容性也需在嵌入時(shí)比較各不同類(lèi)型服裝數(shù)據(jù)間的相似性，相似性越高則滲透程度越高，對(duì)此可進(jìn)入后續(xù)服裝推薦中，若是相似性小于1，則代表在推薦時(shí)數(shù)據(jù)未切實(shí)達(dá)到最佳效果，禁止后續(xù)特征融合，還需進(jìn)一步評(píng)估特征之間的非線(xiàn)性融合關(guān)系，通過(guò)非線(xiàn)性對(duì)比解析圖像與文本信息。通過(guò)觀(guān)察所獲取的對(duì)比結(jié)果，再有序開(kāi)展后續(xù)交叉熵?fù)p失函數(shù)分析運(yùn)算，以此構(gòu)成新型矩陣，并其在中針對(duì)圖像文本信息加以明確分類(lèi)。特征分類(lèi)完成之后進(jìn)行信息融合，以生成系統(tǒng)信息數(shù)據(jù)庫(kù)，通過(guò)信息數(shù)據(jù)庫(kù)，在網(wǎng)絡(luò)環(huán)境下提取相關(guān)特征，可直接啟動(dòng)數(shù)據(jù)庫(kù)相應(yīng)信息，進(jìn)而實(shí)現(xiàn)服裝推薦任務(wù)。

2.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的服裝推薦系統(tǒng)

以卷積神經(jīng)網(wǎng)絡(luò)為輔助的服裝推薦系統(tǒng)建模是進(jìn)一步實(shí)現(xiàn)推薦任務(wù)與功能的關(guān)鍵環(huán)節(jié)。對(duì)其可將標(biāo)題語(yǔ)句表達(dá)搭建成30×300 的矩陣，準(zhǔn)確輸入長(zhǎng)短期記憶語(yǔ)句，并于語(yǔ)句中構(gòu)建神經(jīng)元網(wǎng)絡(luò)模型，充分考慮最終是否能夠在集合范圍內(nèi)明確系統(tǒng)功能實(shí)際范圍，并提取隱藏?cái)?shù)據(jù)信息單元層，生成相連的關(guān)聯(lián)關(guān)系所獲的標(biāo)題語(yǔ)句。基于模擬神經(jīng)元網(wǎng)絡(luò)分層級(jí)處理，確定最終參數(shù)權(quán)重，在權(quán)重范圍以?xún)?nèi)進(jìn)行實(shí)驗(yàn)，明確最終集合損失，如果集合損失嚴(yán)格控制于系統(tǒng)允許范圍以?xún)?nèi)則應(yīng)及時(shí)終止實(shí)驗(yàn)，實(shí)現(xiàn)功能設(shè)計(jì)。卷積神經(jīng)網(wǎng)絡(luò)建模的數(shù)據(jù)信息捕捉能力更強(qiáng)且更準(zhǔn)確，即使在網(wǎng)絡(luò)環(huán)境之下依舊可以同步處理不同來(lái)源范圍之內(nèi)的矩陣信息。然而構(gòu)建時(shí)需以圖像與文本信息分類(lèi)服裝標(biāo)題與語(yǔ)句。明確特征向量，以此自動(dòng)提取與儲(chǔ)存服裝歷史瀏覽信息，從而科學(xué)合理推薦服裝[4]。

結(jié)語(yǔ)

綜上所述，隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，有設(shè)計(jì)感的服裝越來(lái)越受到人們的青睞。而服裝推薦系統(tǒng)在人們的穿搭借鑒與電商平臺(tái)推薦等場(chǎng)景中發(fā)揮著重要的指導(dǎo)作用，為了切實(shí)發(fā)揮系統(tǒng)有效作用，應(yīng)針對(duì)性融入深度學(xué)習(xí)算法，以實(shí)現(xiàn)服裝個(gè)性化推薦與搭配。