服裝推薦系統的關鍵技術研究進展

摘" 要：服裝推薦系統在服裝行業(yè)的數字化轉型中發(fā)揮著重要的作用，它可以提供服裝的個性化推薦，提升用戶體驗，增加產品營業(yè)額，推動服裝行業(yè)向智能化與高效化發(fā)展。結合服裝推薦系統的重要環(huán)節(jié)，從數據收集與預處理、特征工程、模型構建3個版塊歸納總結了創(chuàng)建服裝推薦系統的一般流程與相關技術，并對傳統推薦技術和深度學習技術2個方向的關鍵技術進行了詳細綜述，分析各類算法在服裝推薦領域中的應用并對其進行拓展。在應用領域方面，服裝推薦系統廣泛應用于電子商務平臺和服裝搭配推薦應用等場景，為用戶提供便捷的選購與穿搭建議。最后基于服裝推薦系統的應用領域與發(fā)展趨勢，探討其亟需解決的問題以及未來的創(chuàng)新方向。

關鍵詞：推薦系統；推薦算法；服裝搭配；服裝推薦；算法研究；深度學習

中圖分類號：TS941;TP391.4

文獻標志碼： A

文章編號：1009-265X（2024）12-0134-11

DOI： 10.19398j.att.202401031

收稿日期：20240116

網絡出版日期：20240604

基金項目：中國紡織工業(yè)聯合會項目（J201805）

作者簡介：呂福榮（1998—），女，天津人，碩士研究生，主要從事服裝工程數字化方面的研究。

通信作者：師云龍，E-mail：shiyunlong@tiangong.edu.cn

隨著電子商務規(guī)模的不斷擴大，商品種類快速增長，顧客需要花費大量的時間才能找到自己需要的商品，這無疑會使消費者淹沒在信息過載問題中。為了解決這個問題，推薦系統應運而生。推薦系統是建立在海量數據挖掘基礎上的一種高級商務智能平臺，可以幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。推薦系統的概念由Resnick等［1］在1997年提出。

推薦技術逐漸地被應用于電子商務、新聞推送、網絡社交和音樂娛樂等多個領域［2］。相比傳統線下購物，線上購物能更加便捷地進行選購。同時，人們對于服裝質量、款式和搭配等個性化需求日益增強，該系統可以幫助人們在海量的服裝大數據中挑選到心儀的服裝，滿足自身時尚與個性化的需求。服裝推薦作為計算機時尚領域的一個重要研究方向，引起了計算機視覺、多媒體和信息檢索等領域的廣泛關注。本文就創(chuàng)建服裝推薦系統的一般流程及包含的關鍵技術展開說明，深入討論數據收集與預處理、特征工程和模型構建這3個關鍵步驟，以及這些步驟所涉及到的關鍵技術。然后重點介紹傳統推薦技術和深度學習技術在服裝推薦領域的應用，分析它們的優(yōu)勢和局限性，并探討如何通過結合這些技術來提高服裝推薦系統的性能和準確度。通過本文的闡述，讀者將能夠全面了解服裝推薦系統的建立過程以及當前領域的最新發(fā)展趨勢，為進一步研究和應用提供了重要的參考。

1" 服裝推薦系統

一般的推薦系統是根據物品和用戶的給定信息以及交互歷史，預測用戶的興趣，從而向用戶提供個性化的產品或服務［3］。服裝推薦是推薦系統在電子商務領域的具體應用，但在很多方面，它有著不同于其他領域的獨特性，主要體現在以下幾點：

a）在服裝行業(yè)，視覺信息直接影響了消費者的購買決策過程，有效利用服裝產品圖像及視頻等視覺信息，可激發(fā)消費者產生對產品的購買欲望，這是服裝推薦的關鍵因素之一。

b）服裝通常具有大量獨立的特征屬性，如顏色、款式和材質等，服裝推薦系統需要考慮以上這些特征屬性，綜合用戶的需求與喜好，實現個性化推薦。

c）服裝推薦系統不僅要為用戶提供個性化推薦，還需兼顧提供造型或著裝建議，因此服裝推薦系統還需考慮到服裝單品之間的搭配，即兼容性。

服裝推薦可分為兩大類，即服裝單品推薦與服裝搭配推薦［4］，如圖1所示。服裝單品推薦根據推薦需求的不同，可進一步分為個性化產品推薦與互補產品推薦，前者注重個人偏好建模，后者側重項目之間的兼容性。個性化建?？梢詤⑴c到互補產品推薦任務中，通過同時探索個人偏好和項目兼容性，以實現更有針對性的功能。服裝搭配推薦與服裝單品推薦不同，它需要給出配套的穿搭推薦，是一個更加復雜和特定領域的任務。同樣的，在對服裝匹配性建模的基礎上，服裝搭配推薦也可結合個性化建模，提供個性化配套穿搭建議。在以上典型的用戶偏好或產品兼容性建模之上，一些研究還專注于有特殊要求或更詳細因素的推薦任務，如基于天氣或場合的服裝推薦或尺寸推薦等。

服裝推薦系統一般的流程主要為3個階段，即數據的收集與預處理、特征工程和模型構建。

1.1" 數據收集和預處理

在服裝推薦系統中，服裝數據的收集和預處理是一個重要環(huán)節(jié)。這一環(huán)節(jié)通常是通過爬蟲技術從電商平臺或者其他相關網站上搜集服裝相關數據，也可通過問卷調查等方式進行數據收集。數據集通常包括產品目錄信息、用戶行為數據、社交媒體數據和時尚搭配圖片等信息。預處理是指對所收集的服裝數據進行清洗、去噪、標準化和歸一化等操作，方便后續(xù)對服裝數據的分析與應用。服裝檢測是數據預處理階段的關鍵環(huán)節(jié)，其目的是將服裝圖像從收集到的數據中服裝的部分提取出來，以便后續(xù)的特征提取和模型訓練。由于不同服裝具有不同的外觀與材質特征，使得服裝圖像的檢測識別是一項較為困難的任務［5］，然而確保高質量的檢測結果對于準確的特征提取和模型訓練至關重要。

眾多學者對服裝檢測分類進行了相關研究，基于傳統的機器學習算法，Chen等［6］利用尺度不變特征變換算法和支持向量機（Support vector machine，SVM），構建出一種7類服裝分類器，其采用圖像處理方法提取圖像特征，通過機器學習算法進行分類，模型精度在44%～81%之間。Yang等［7］提出了一種實時服裝檢測系統，利用線性支持向量機和面向梯度直方圖構建分類任務，將服裝分類分為8類。檢測結果表明，在480 p分辨率的視頻中，檢測速度達到16～20 fps，每種類別的召回率在29.1%～94.2%之間。Surakarin等［8］提出了一個支持SVM構建的服裝分類器，該分類器的分類準確率在57%～73%之間。盡管該模型在處理復雜服裝圖像時效果不錯，但精度不高，體現了傳統機器學習算法在面對復雜圖像時的局限性。

隨著深度學習技術的發(fā)展，傳統機器學習算法難以解決的問題逐漸被解決。通過使用R-CNN、Fast R-CNN和Faster R-CNN這三階段進行檢測，可大大提高檢測的準確性。在此基礎上，學者們不斷地對模型算法更新迭代，Lee等［9］提出了一種基于YOLOv4算法的兩階段服裝檢測方法YOLOv4 two-phase detection，該模型檢測將目標類別細分為夾克、上衣、褲子、裙子和包，并采用兩階段訓練的方式來實現遷移學習。根據感應遷移學習的原理，將知識從源域轉移到目標域，以提高服裝檢測任務的執(zhí)行效果。實驗結果表明，通過兩階段遷移學習，該模型的平均精度均值優(yōu)于原始YOLOv4模型。

1.2" 特征工程

特征工程是對原始數據進行轉換、提取和生成新特征的過程［10］。通過它可從原始數據中提取出有用的特征，減少冗余信息，更好地表達數據的特點，幫助模型更好地理解數據、識別特征和進行預測，提升機器學習算法的性能。特征工程需要根據具體問題和數據特點進行設計，在服裝推薦系統中，服裝圖像的結構特征包括顏色、輪廓和紋理等。針對服裝圖像較為復雜的特征，通常采用結合輪廓和紋理特征提取的方法。其中，常見的輪廓特征提取方法包括Canny、Roberts和Sobel等邊緣檢測算子，常用的紋理特征提取方法包括小波變換和灰度共生矩陣等方法。另外，為了提取服裝圖像的細節(jié)要素，常用的方法是進行圖像分割，然后在分割后的目標區(qū)域進行特征提取，這種方法更加精準，可以避免其他區(qū)域信息的干擾，減小檢測范圍，提高檢測效率［11］。

1.3" 算法選擇與模型構建

在推薦系統中需要根據具體的需求和場景，選擇適合的推薦算法，建立推薦模型，在此基礎上進行訓練和優(yōu)化［12］。Alzu'bi等［13］建立了一個交互式的屬性保留模型，允許用戶在上傳全身正面圖像后選擇最喜歡的服裝并進行虛擬試穿。為了實現這一功能，學者們采用多種深度學習架構來提取和學習服裝圖像的關鍵屬性，通過這些架構對每個公式化的圖像進行有效的人體分割和姿態(tài)估計。同時，他們利用3DVTON網絡生成用戶穿著特定服裝的3D圖像，并通過時尚檢索系統向用戶推薦更多相關商品。Liu等［14］提出了一種新穎的基于興趣的消息傳遞圖卷積網絡推薦模型，該模型可以在子圖中執(zhí)行高階圖卷積。子圖由具有相似興趣和相互作用的用戶組成，通過無監(jiān)督子圖生成模塊，可以有效地利用用戶特征和圖結構來識別具有共同興趣的用戶。Shen等［15］提出了一種基于知識圖的定制服裝生產過程動態(tài)知識建模與融合方法，通過對定制服裝本體建模和知識圖譜構建實現了定制服裝生產過程的動態(tài)知識融合。

2" 服裝推薦系統關鍵技術

服裝推薦系統涵蓋多項關鍵技術，這些技術共同構成了服裝推薦系統的技術基礎，通?？煞譃閭鹘y推薦方法和深度學習方法兩大類。

2.1" 傳統推薦方法

傳統推薦方法可分為3類，即基于內容的推薦、基于協同過濾的推薦與混合推薦，其各自的優(yōu)缺點如表1所示。

2.1.1" 基于內容的推薦方法

基于內容的推薦方法是利用物品自身的特征和用戶的興趣模型來進行推薦［16］。在服裝推薦領域，基于內容的推薦方法通常是通過自然語言處理和計算機視覺等技術來提取服裝的關鍵特征，形成服裝的文本描述、圖像特征或標簽信息等形式，在此基礎上進行匹配和推薦［17］。Yeruva等［18］提出了一個服裝推薦系統，利用亞馬遜產品廣告API和網頁抓取技術從女性服裝產品數據集中提取數據，進行預處理并部署模型，以簡化服裝推薦任務，根據用戶的輸入（品牌、顏色、尺寸等關鍵字）生成相應的推薦結果。Su等［19］提出了一種基于用戶情感分析的服裝個性化推薦方法。Dang等［20］提出將情感分析引入推薦系統可以在數據稀疏的情況下顯著提高推薦質量。丁嘉鳴等［21］提出一種基于在線評論的商品推薦方法，利用TF-IDF算法確定產品特征，再通過情感分析方法確定商品屬性評價值，并使用離差最大化方法確定商品屬性權重，最后給出一種改進的MULTIMOORA的商品推薦方法，為消費者提供決策支持。Zhou等［22］提出了一種基于主觀評價的網上購物推薦模型。通過人的感官（視覺、觸覺、嗅覺、味覺、聽覺）評價從消費者角度出發(fā)，設計出更符合需求的產品，近年來無論從研究的角度還是實際應用的角度，基于人的設計都顯得更加重要。

Dash等［23］提出了一個基于文本語義的女裝推薦系統，首先利用亞馬遜產品廣告API獲取數據，基于輸入的服裝數據，該系統使用平均詞向量和逆文檔頻率加權詞向量模型對產品標題進行相似性計算，計算模型如圖2所示。在該模型中，從字面上將每個單詞（W1， W2，…，Wn）轉換為它的向量表示，然后我們通過將其除以文檔D中的單詞數n來獲得它們的平均值。再通過IDF加權Word2Vec模型，得到了更佳的推薦效果。

2.1.2" 基于協同過濾的推薦方法

在服裝推薦系統中，基于協調過濾的推薦方法是通過分析用戶的歷史搭配行為和其他用戶的搭配行為來進行推薦。大多數現有的個性化服裝推薦都是基于協同過濾框架開發(fā)的。協同過濾可以分為基于用戶的協同過濾和基于項目的協同過濾［24］。

a）基于用戶的協同過濾

基于用戶的協同過濾是通過尋找與目標用戶歷史個性化興趣相似的用戶對該項目的評分，預測出目標用戶對未評分項目的評分［25］。其基本步驟包括： 建立用戶-項目評分矩陣，計算目標用戶與其他用戶的相似度，構建最近鄰居集，再根據最近鄰居集的評分信息，預測目標用戶對評分項目的評分，產生TOP-N個推薦結果。其中，相似度計算方法有余弦相似性、修正的余弦相似性、歐幾里得距離、皮爾遜相關相似性和Tanimoto系數等方法，代表個性化興趣的“用戶-項目”評分矩陣項目有喜好打分、點擊率、收藏夾、瀏覽量和購買率等。Liu等［27］設計了先進的UCF算法，提高了客戶間相似度計算的效率。趙子花等［28］融合網絡爬取的氣象數據，通過服裝搭配打分體現用戶喜好，使用皮爾遜相關系數進行相似性計算，并基于用戶協同過濾算法構建了智慧穿搭APP。

b）基于項目的協同過濾

基于項目的協同過濾是通過用戶歷史購買記錄，計算商品的相似性，構建最近鄰居集，預測目標用戶對項目的評分生成推薦列表［25-26］。其基本步驟包括：構建“服裝產品項目-消費者用戶”評分矩陣，根據評分矩陣，計算目標項目與其他項目的相似度，尋找鄰居集，相似性算法同基于用戶的協同過濾，再預測目標用戶對項目的評分，依據評分推薦產品。Cheng等［29］提出了一種ICF模型特征級注意力方法。該方法通過設計輕注意力神經網絡，將項目級和特征級注意力集成到神經ICF模型中，在計算項目之間的相似度時區(qū)分不同因素的重要性。Hwangbo等［30］擴展了現有的基于物品的協同過濾，創(chuàng)建了K-RecSys系統，該系統結合了在線產品點擊數據和離線產品銷售數據，通過A/B測試對該系統與現有同類系統進行了對比，結果顯示K-RecSys的推薦效果更好。

2.1.3" 混合推薦

混合推薦指整合多種推薦算法或技術的方法，其優(yōu)勢在于能綜合不同推薦算法的優(yōu)點，彌補各自的不足［25］。例如，協同過濾算法能夠捕捉用戶的興趣關系，但對冷啟動問題和數據稀疏性較為敏感；基于內容的推薦算法可以考慮到物品的特征和用戶的個人喜好，但容易面臨推薦瓶頸。通過混合推薦，可以利用多種算法的優(yōu)勢互補，提供更準確、豐富和個性化的推薦結果，從而提升用戶滿意度和推薦系統的性能。

以基于知識的推薦方法舉例，在傳統基于內容的推薦算法中增添了推薦規(guī)則的相應知識庫，形成了基于知識的推薦方法，這種方法通過預定義的規(guī)則或專家知識來進行服裝搭配推薦。在個性化服裝推薦中，由于消費者感知的不確定性因素，難以確定技術參數與消費者個性化需求之間的可靠關系。因此，越來越多的學者意識到知識在服裝推薦系統中的重要性，一些學者試圖將基于知識的設計過程引入到個性化的服裝推薦系統中［17］，模擬人類專家知識和決策能力，生成推薦結果，這些規(guī)則可以涉及顏色搭配、款式選擇、場合適應等多個方面。服裝設計知識庫本質上是基于知識的服裝推薦系統的核心，建立時裝風格詞與服裝要素之間的模型。Ling等［31］提出了一種融合沖突規(guī)則處理機制的服裝設計知識庫，并將其應用于個性化服裝推薦系統，同時提出了基于主觀評價和模糊邏輯的加工機制研究方法。Hong等［32］結合協同設計過程和多準則決策支持，開發(fā)了一種新的基于知識的面料推薦系統。Dong等［33］構建了基于本體的設計知識庫，實現一個交互式、個性化的設計推薦系統。Zhang等［34］提出了一種基于馬爾可夫鏈和復雜網絡集成的服裝推薦機制，幫助消費者進行選擇。Ling等［35］利用主觀評價法和模糊邏輯，結合設計師的時尚感知和不同服裝的元素特征，開發(fā)了女裝知識庫，為特定消費者的服裝推薦提供支持。

2.2" 深度學習方法

深度學習通常被看作是機器學習的子領域，而機器學習是人工智能的一個分支，機器學習是通過算法使機器能從大量歷史數據中學習規(guī)律，從而對新的樣本做智能識別或未來預測［36］。深度學習的實質是通過構建多個隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，以提升分類或預測的準確性。

在過去的幾十年中，深度學習在計算機視覺和語音識別等諸多應用領域取得了巨大成功。深度學習能夠有效地處理許多復雜的任務，因此基于深度學習的推薦系統克服了傳統模型的限制，提高了推薦質量，受到廣泛關注。深度學習能夠有效地捕捉到用戶和項目之間的非線性和非瑣碎關系，并能夠把更復雜的抽象概念通過編碼轉化為更抽象高級別的數據表示。此外，深度學習可從豐富的可訪問數據源中捕捉數據本身內部復雜的關系。在服裝推薦領域，深度學習也逐漸應用于各個環(huán)節(jié)，大大推動了智能化服裝推薦系統的發(fā)展。

相較于傳統推薦方法，深度學習方法更加具有難度，需要投入更多的時間來訓練模型等等，不同方法之間的區(qū)別與優(yōu)缺點如表2所示。

基于深度學習的方法在服裝推薦領域已經取得了一定的成就，但仍然有許多待探索的領域。Han等［37］設計了一個高效的計算框架，用于基于特定產品屬性和情感極性的抽象意見摘要。他們還提出了一個合成的訓練數據集，并引入了一種層次化的多實例屬性-情感推理模式，用于構建高質量的合成數據集并微調語言模型，以提高抽象意見摘要生成的準確性和效率。Lee等［38］首次使用時尚產品圖像訓練深度學習模型，來提高服裝推薦系統的性能。他們將現有的推薦系統與深度學習相結合，開發(fā)了一種混合推薦系統，有效地進行服裝推薦，并成功解決了推薦系統的冷啟動問題。Naham等［39］創(chuàng)建了一個結合多任務學習和性別意識的服裝推薦系統。他們通過用戶檢索的圖像來檢測出性別，以減少檢索時間，提高檢索效率，并有效提高圖像中對象的相似性。

在探討深度學習算法的同時，還需要深入了解這些算法的細分和特點，以及在實際中的應用。

2.2.1" 卷積神經網絡

卷積神經網絡（Convolutional neural network，CNN）［40］是一種特殊的前饋神經網絡，能很好地處理網格結構的數據，主要用于圖像處理和計算機視覺任務，通過卷積層和池化層，從圖像中提取特征，在這基礎上，通過全連接層進行分類或預測，大大提高了其效率和準確性。將服裝圖像輸入CNN，可直接獲取圖像中包含的服裝特征，而無需手動提取特征。Khalid等［41］設計并實現了一個基于兩階段深度學習的模型，該模型旨在推薦服裝時尚風格，通過帶有服裝的圖像中提取各種屬性來學習用戶的服裝風格和偏好，并使用CNN作為圖像對象的視覺提取器。

YOLO是一種基于卷積神經網絡的實時目標檢測算法［42］，可以一次性預測圖像中多個目標的位置和類別。相比于傳統的滑動窗口區(qū)域提取方法，YOLO將目標檢測問題轉化為一個回歸問題。Liu等［43］提出了一種分支CNN架構FashionNet，通過預測服裝屬性和地標來學習服裝的特征。Morelli等［44］通過整合硬底片，使用帶有改進的三重態(tài)損失函數的CNN進行時尚檢索。

此外，Kumar等［45］利用Amazon Apparel數據庫，該數據庫包含了18萬件服裝的數據。他們將自然語言處理（NLP）技術和卷積神經網絡相結合，以幫助預測類似的產品。在NLP分析和推薦過程中，產品的標題被用作主要的屬性。最后，他們使用卷積神經網絡從產品圖像中創(chuàng)建一個特征向量，并將該向量與所有其他向量結合起來進行預測。具體來說，比較所有特征向量之間的距離，推薦距離最小的特征向量對應的產品。VGG-16架構流程如圖3所示，從圖像中提取特征的VGG-16（CNN架構，有16層）架構。

在服裝推薦這個過程中，接收到的標題、品牌、顏色和圖像的矢量被整合成一個大的矢量，該矢量代表單個產品。通過計算服裝之間的歐幾里得距離，可找到與目標產品最相似的其他產品，從而進行推薦或檢索。

2.2.2" 循環(huán)神經網絡

循環(huán)神經網絡（Recurrent neural network，RNN）是一種適用于序列數據建模的神經網絡結構［46］。與前饋神經網絡不同的是，RNN具有循環(huán)結構，可捕捉數據中的時間相關性，這使其在處理序列數據時表現出色。長短期記憶網絡和門控循環(huán)單元是為了解決循環(huán)神經網絡中的梯度消失問題而提出的改進型結構。梯度消失問題指的是在反向傳播過程中，由于梯度在每次迭代中以指數級衰減的方式傳播，導致遠距離之間的依賴關系無法有效地學習和保留。在服裝單品序列信息的處理中，RNN可被用來處理序列型特征問題，例如可以利用RNN來對服裝款式、顏色等特征進行序列化處理。

Jiang等［47］提出了Stile，一種端到端的智能時尚顧問系統，旨在為給定的服裝生成時尚的搭配建議。與以往系統不同的是，Stile框架考慮了服裝搭配中服裝單品的整體兼容性，通過雙向長短期記憶網絡對服裝單品之間的依賴關系進行建模，從而確保同一套裝中的服裝單品具有相似的風格和搭配，使得服裝搭配推薦效果更加和諧。

2.2.3" 生成對抗網絡

生成對抗網絡（Generative adversarial network，GAN）是一種由一個生成器和一個判別器組成的生成式神經網絡［48］。這兩個神經網絡通過在極小極大博弈框架中相互競爭來進行訓練。在訓練過程中，生成器試圖生成逼真的樣本，而判別器則試圖判斷生成樣本與真實樣本的區(qū)別。

Cui等［49］提出了一種基于GAN的端到端虛擬服裝展示方法，旨在簡化3D虛擬服裝展示過程，減少對用戶專業(yè)知識的需求。傳統的3D虛擬服裝方法需要復雜的交互和特定領域的用戶知識，而該方法只需要用戶想要的時裝草圖和指定的面料圖像，即可快速自動生成與輸入的服裝草圖和面料圖像形狀紋理一致的虛擬服裝圖像。此外，該方法還支持擴展到輪廓圖像和服裝圖像，進一步提高了服裝設計的重用率。與傳統的圖像對圖像方法相比，該方法生成的圖像在顏色和形狀方面都有更好的效果，為服裝設計領域帶來新的便利。

2.2.4" 其他

記憶增強神經網絡（Memory augmented neural networks，MANN）是一種特殊類型的神經網絡，通過模擬人類的記憶能力并進行更復雜的推理和推斷［50］。這種神經網絡通過引入記憶單元和注意力機制來增強其處理和存儲信息的能力。在服裝推薦系統中，通過利用MANN，推薦系統可以更好地理解用戶的個人偏好和風格，并提供更個性化的服裝推薦。De Divitiis等［51］提出了一種MANN，旨在通過考慮服裝屬性的共存來構建完整的服裝搭配，從而解決服裝推薦中兼容的問題。他們通過項目的解糾纏表示，并將其存儲在外部記憶模塊中，通過這些模塊來達成更有效的推薦效果。

多模態(tài)學習（Multimodal machine learning，MMML）是指利用多種不同的數據模態(tài)來進行學習和推薦［52］。在服裝推薦系統中，MMML可結合圖像和文本信息，綜合考慮用戶偏好和衣物特征，提供更準確的個性化推薦。劉軍平等［53］基于服裝搭配的匹配度量化標準，構建了單品潛在特征表示空間的嵌入模型，通過構建融合多模態(tài)信息的矩陣分解框架模型，進一步分析了現有多模態(tài)特征融合算法的不足。他們通過這一模型刻畫了不同用戶的服裝風格偏好，結合特征提取、多模態(tài)特征融合和匹配度計算等手段建立個性化服裝搭配方案。實驗結果表明，該模型計算出的服裝匹配度達到了0.81，相較于傳統方法提高了1.25%，實現了更高準確度和推薦精度的個性化服裝推薦。

3" 服裝推薦系統的應用

3.1" 電子商務服裝推薦

如今服裝推薦系統在電商平臺中廣泛應用，這些系統通過分析用戶的購買歷史、瀏覽行為、個人喜好和其他相關數據，運用數據挖掘等技術，為用戶提供個性化的服裝推薦。通過推薦系統，用戶可以快速準確地找到符合需求與偏好的服裝，提升購物體驗，增加店鋪銷售額。服裝推薦系統在電子商務平臺中的應用具有以下特點：

a）實時更新推薦：在電商平臺中，服裝推薦系統可實時追蹤用戶行為數據，根據用戶最新的瀏覽、點擊和購買行為，及時更新推薦結果。這種實時更新的機制有助于捕捉用戶當前的興趣與購買趨勢，為用戶提供更精準、個性化的服裝推薦，增強用戶體驗和購物滿意度，從而增加用戶購買的可能性。

b）提供搭配建議：在推薦服裝單品的基礎上，系統還可根據用戶喜好與需求，提供合理的搭配建議。通過分析用戶的身高、體重、風格和顏色偏好等多種因素，為用戶量身定制完整的服裝搭配方案，實現更加個性化的推薦效果。

c）具有社交屬性：在電商平臺中增添社交屬性，允許用戶在平臺上分享穿搭與購物體驗，與其他用戶進行交流與討論。通過社交功能，用戶可獲取他人的搭配靈感，促進用戶之間的互動交流，建立社群關系，從而增強用戶對電商平臺的黏性。

3.2" 服裝搭配推薦應用

在搭建服裝搭配推薦應用時，需要在服裝推薦系統的基礎上考慮服裝間的兼容性問題以滿足用戶需求。這需要考慮服裝顏色搭配、風格匹配、溫度與厚度匹配和特殊場合需求等因素。這些因素可以在推薦系統中作為特征或規(guī)則等形式進行嵌入或建模，再通過算法判斷服裝之間的兼容性，從而提供更準確和合適的服裝搭配推薦。同時，系統也應該允許用戶根據個人偏好，調整和定制搭配推薦結果。Yang等［54］提出了一種基于屬性的可解釋兼容性方法，該方法將可解釋性注入到項目的建模中，即給定匹配的項目對的語料庫。他們通過學習導致良好匹配的可解釋模式。Sarkar等［55］提出了一個名Outfit Transformer的框架，該框架旨在解決服裝上下文中的兼容性預測和互補項檢索問題。它利用任務特定的標記和自我注意機制來學習服裝級別的表示，以捕捉服裝中所有物品之間的兼容性關系。

為了衡量服裝的搭配度，可以通過計算搭配項與查詢項之間的匹配程度，從而在服裝圖像庫中獲取最佳搭配。根據服裝風格相似的原則，目前客觀的搭配度衡量方法主要采用距離度量（如歐式距離），或者相似度度量（如余弦相似度）來評判搭配的相似程度。

歐式距離常被應用于衡量服裝搭配的相似度［56］。在服裝搭配中，可以將服裝的各個特征（如顏色、款式、材質等）表示為特征向量。然后，通過計算不同服裝之間的歐式距離，可以評估它們在特征空間中的相似度。距離越小，表示服裝之間的搭配度越高。

余弦相似度考慮的是兩個向量之間的夾角，而不是它們之間的距離［57］。余弦相似度越大，表示兩個向量的方向越接近，從而在服裝搭配中也意味著它們之間的搭配度越高。

除去以上較為客觀的評判方式，在服裝搭配領域也有一些主觀的評判方法。國內常用的主觀評判方法有用戶體驗評分和網絡投票，前者由用戶對搭配效果進行評分，后者則以點贊數來體現搭配認可度［58-59］。人工評價往往能直觀體現用戶的滿意度，但會可能受到主觀因素的影響。因此，可以結合客觀評判方式來共同進行衡量，以提高結果的準確性和個性化。對搭配度的準確衡量有助于檢驗模型效益以及提高系統搭配結果的可解釋性。

4" 結語

從國內外對服裝搭配推薦系統的研究現狀來看，眾多學者仍專注于提升對服裝的檢測識別精度與服裝推薦模型準確度，且目前已經取得一定進展，但仍然面臨著許多問題需要解決。例如，建立推薦系統需要大量收集用戶個人數據，因此用戶數據隱私保護至關重要，需要采取更多措施來確保用戶信息的機密性。與此同時，算法模型的可解釋性低以及用戶參與度不高等問題也亟待解決。為了實現更準確與個性化的服裝推薦，需要在提升算法精度與效果的同時，結合用戶需求與服裝的特性。建議未來可以考慮將虛擬現實技術與服裝推薦系統相融合，實現更逼真的試穿體驗，推動服裝推薦系統向更全面、更智能化的方向發(fā)展。

參考文獻：

［1］RESNICK P， VARIAN H R. Recommender systems［J］. Communications of the ACM， 1997， 40（3）： 56-58.

［2］王靜，王小藝，蘭翠芹，等. 服裝個性化定制中信息技術的應用與展望［J］. 絲綢， 2024， 61（1）： 96-108.

WANG Jing， WANG Xiaoyi， LAN Cuiqin， et al. Application and prospect of information technology in pers-onalized clothing customization［J］. Journal of Silk， 2024， 61（1）： 96-108.

［3］潘王蕾，何瑛. 基于個性化推薦的服裝知識圖譜構建［J］. 服裝學報， 2022， 7 （3）： 275-282.

PAN Wanglei， HE Ying. Construction of clothing knowl-edge graph based on personalized recommendation［J］. Journal of Clothing Research， 2022， 7（3）： 275-282.

［4］DING Y， LAI Z， MOK P Y， et al. Computational techn-ologies for fashion recommendation： A survey［J］. ACM Computing Surveys， 2023， 56（5）： 1-45.

［5］張琦妍， 支阿玲， 羅戎蕾. 服裝風格圖像的識別分類研究進展［J］. 染整技術， 2023， 45（9）： 1-8.

ZHANG Qiyan， ZHI Aling， LUO Ronglei. Research progress in recognition and classification of clothing style images ［J］. Textile Dyeing and Finishing Journal， 2023， 45（9）： 1-8.

［6］CHEN H， GALLAGHER A， GIROD B. Describing Clothing by Semantic Attributes［M］. Computer Vision-ECCV 2012. Berlin， Heidelberg： Springer Berlin Heidel-berg， 2012： 609-623.

［7］YANG M， YU K. Real-time clothing recognition in surve-illance videos［C］//18th IEEE International Conference on Image Processing， Brussels， Belgium， IEEE， 2011：214.

［8］SURAKARIN W， CHONGSTITVATANA P. Classification of clothing with weighted SURF and local binary patterns［C］//International Computer Science and Engine-ering Conference（ICSEC）. Chiang Mai， Thailand. IEEE， 2015：21.

［9］LEE C H， LIN C W. A two-phase fashion apparel detection method based on YOLOv4［J］. Applied Sciences， 2021， 11（9）： 3782.

［10］唐運軍， 孫舒暢. 機器學習中的特征工程方法［J］. 汽車實用技術， 2020（12）： 70-72.

TANG Yunjun， SUN Shuchang. Feature engineering methods in machine learning［J］. Automobile Applied Technology， 2020（12）： 70-72.

［11］張艷紅， 楊思， 徐增波. 數字圖像處理技術在服裝領域的應用［J］. 毛紡科技， 2019， 47（10）： 83-88.

ZHANG Yanhong， YANG Si， XU Zengbo. Application of digital image processing technology in clothing［J］. Wool Textile Journal，2019，47（10）：83-88.

［12］SEYEDNEZHAD S M M， COZART K N， BOWLLAN J A， et al. A review on recommendation systems： Context-aware to social-based［EB/OL］. 2018：1811.11866. DOI：10.48550/arXiv.1811.11866.

［13］ALZU'BI A， YOUNIS L B， MADAIN A. An interactive attribute-preserving fashion recommendation with 3D image-based virtual try-on［J］. International Journal of Multi-media Information Retrieval， 2023， 12（2）： 24.

［14］LIU F， CHENG Z， ZHU L， et al. Interest-aware message-passing GCN for recommendation［C］//Procee-dings of the Web Conference. Ljubljana， Slovenia. ACM， 2021： 1296-1305.

［15］SHEN X， LI X， ZHOU B， et al. Dynamic knowledge modeling and fusion method for custom apparel production process based on knowledge graph［J］. Advanced Engine-ering informatics， 2023， 55： 101880.

［16］ZHANG Q， LU J， JIN Y. Artificial intelligence in recommender systems［J］. Complex amp; Intelligent Systems， 2021， 7（1）：439-457.

［17］楊怡然， 吳巧英. 智能化服裝搭配推薦研究進展［J］. 浙江理工大學學報（自然科學版）， 2021， 45（1）： 1-12.

YANG Yiran， WU Qiaoying. Research progress of intelligent clothing matching recommendation［J］. Journal of Zhejiang Sci-Tech University （Natural Sciences Edition）， 2021， 45（1）： 1-12.

［18］YERUVA S， SATHVIKA A， SRUTHI D， et al. Apparel recommendation system using content-based filtering［J］. International Journal of Recent Technology and Engin-eering （IJRTE）， 2022， 11（4）： 46-51.

［19］SU X， GAO M， REN J， et al. Personalized clothing recommendation based on user emotional analysis［J］. Discrete Dynamics in Nature and Society， 2020， 20： 7954393.

［20］DANG C N， MORENO-GARCA M N， DE LA PRIETA F. An approach to integrating sentiment analysis into recommender systems［J］. Sensors， 2021， 21（16）： 5666.

［21］丁嘉鳴. 基于在線評論的商品推薦方法［J］. 計算機時代， 2023（8）： 137-140.

DING Jiaming. Online review-based approach to product recommendation［J］. Computer Era， 2023（8）： 137-140.

［22］ZHOU X， LIANG H E， DONG Z. A personalized recommendation model for online apparel shopping based on Kansei engineering［J］. International Journal of Clothing Science and Technology， 2017， 29（1）： 2-13.

［23］DASH B B， DE U C， BEHERA T M， et al. Recommendation system for e-commerce apparel stores based on text-semantics［C］//2nd International Conference for Innovation in Technology （INOCON）. Bangalore， India. IEEE， 2023： 1-5.

［24］王淼， 李大為. 基于內容與協同過濾的混合推薦算法在數字科技館中的應用［J］. 網絡安全技術與應用， 2023（8）： 37-39.

WANG Miao， LI Dawei. Application of hybrid recommen-dation algorithm based on content and collaborative filte-ring in digital science museum ［J］. Network Security Technology amp; Application， 2023（8）： 37-39.

［25］許海玲， 吳瀟， 李曉東， 等. 互聯網推薦系統比較研究［J］. 軟件學報， 2009， 20（2）： 350-362.

XU Hailing， WU Xiao， LI Xiaodong， et al. Comparison study of internet recommendation system［J］. Journal of Software， 2009， 20（2）： 350-362.

［26］馬宏偉， 張光衛(wèi)， 李鵬. 協同過濾推薦算法綜述［J］. 小型微型計算機系統， 2009， 30（7）： 1282-1288.

MA Hongwei， ZHANG Guangwei， LI Peng. Survey of collaborative filtering algorithms［J］. Journal of Chinese Computer Systems， 2009， 30（7）： 1282-1288.

［27］LIU Y， NIE J， XU L， et al. Clothing Recommendation System Based on Advanced User-Based Collaborative Filt-ering Algorithm［M］. Lecture Notes in Electrical Engin-eering. Singapore： Springer Singapore， 2017： 436-443.

［28］趙子花， 任若彤， 劉爽等. 融合氣象數據的協同過濾推薦服裝智慧穿搭APP設計［J］. 廊坊師范學院學報（自然科學版）， 2020， 20（3）： 16-20.

ZHAO Zihua， REN Ruotong， LIU Shuang， et al. Design of collaborative filtering recommendation of the intelligent dressing APP based on meteorological Data［J］. Journal of Langfang Normal University（Natural Science Edition）， 2020， 20（3）： 16-20.

［29］CHENG Z， LIU F， MEI S， et al. Feature-level attentive ICF for recommendation［EB/OL］. 2021： 2102.10745.http：//arxiv.org/abs/2102.10745v2.

［30］HWANGBO H， KIM Y S， CHA K J. Recommendation system development for fashion retail e-commerce［J］. Electronic Commerce Research and Applications， 2018， 28： 94-101.

［31］LING X， JIN Z， HONG Y， et al. Development of novel fashion design knowledge base by integrating conflict rule processing mechanism and its application in personalized fashion recommendations. ［J］ Textile Research Journal. 2023;93（5-6）： 1069-1089.

［32］HONG Y， ZENG X， BRUNIAUX P， et al. Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support［J］. Textile Research Journal， 2018， 88（23）： 2682-2698.

［33］DONG M， ZENG X， KOEHL L， et al. An interactive knowledge-based recommender system for fashion product design in the big data environment［J］. Information Scien-ces， 2020， 540： 469-488.

［34］ZHANG J， ZENG X， DONG M， et al. Garment recommendation in an e-shopping environment by using a Markov Chain and Complex Network integrated method［J］. Textile Research Journal， 2021， 91（23/24）： 2950-2961.

［35］LING X， HONG Y， PAN Z. Development of a dress design knowledge base （DDKB） based on sensory evaluation and fuzzy logic［J］. International Journal of Clothing Science and Technology， 2020， 33（1）： 137-149.

［36］余凱， 賈磊， 陳雨強， 等. 深度學習的昨天、今天和明天［J］. 計算機研究與發(fā)展， 2013， 50（9）： 1799-1804.

YU Kai， JIA Lei， CHEN Yuqiang， et al. Deep learning： Yesterday， today and tomorrow ［J］. Journal of Computer Research and Development， 2013， 50（9）： 1799-1804.

［37］HAN Y， NANDA G， MOGHADDAM M. Attribute-sentiment-guided summarization of user opinions from online reviews［J］. Journal of Mechanical Design， 2023， 145（4）： 041402.

［38］LEE G H， KIM S， PARK C K. Development of fashion recommendation system using collaborative deep learning［J］. International Journal of Clothing Science and Technology， 2022.

［39］NAHAM A Z， WANG J， RAEED A S. Multi-task learning and gender-aware fashion recommendation system using deep learning［J］. Electronics， 2023， 12（16）： 3396.

［40］鄭雨婷，王成群，陳亮亮，等.基于卷積神經網絡的織物圖像識別方法研究進展［J］.現代紡織技術，2022，30（5）：1-11.

ZHENG Yuting， WANG Chengqun， CHEN Liangliang， et al. Research progress of fabric image processing methods based on convolutional neural network［J］. Advanced Textile Technology， 2022， 30（5）： 1-11.

［41］KHALID M， MAO K， HUSSAIN T. Design and implementation of clothing fashion style recommendation system using deep learning［J］. Romanian Journal of Information Technology amp; Automatic Control， 2023， 31（4）：20.

［42］周曉彥， 王珂， 李凌燕. 基于深度學習的目標檢測算法綜述［J］. 電子測量技術， 2017， 40（11）： 89-93.

ZHOU Xiaoyan， WANG Ke， LI Lingyan. Review of object detection based on deep learning［J］. Electronic Measurement Technology， 2017， 40（11）： 89-93.

［43］LIU Z， LUO P， QIU S， et al. Deep fashion： Powering robust clothes recognition and retrieval with rich anno-tations［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， NV， USA. IEEE， 2016： 1096-1104.

［44］MORELLI D， CORNIA M， CUCCHIARA R. Fashion search++： Improving consumer-to-shop clothes retrieval with hard negatives［C］//Italian Information Retrieval Workshop. Bari， Italy. 2021：2947.

［45］KUMAR SHARMA A， BAJPAI B， ADHVARYU R，， et al. An efficient approach of product recommendation system using NLP technique［J］. Materials Today： Proceedings， 2023， 80： 3730-3743.

［46］徐開心，戴寧，汝欣，等.基于LSTM循環(huán)神經網絡的織機了機預測［J］. 現代紡織技術，2023，31（3）：70-80.

XU Kaixin， DAI Ning， RU Xin， et al. Prediction of loomwarp-out time based on LSTM recurrent neural network［J］. Advanced Textile Technology， 2023， 31（3）： 70-80.

［47］JIANG Y， XU Q， CAO X， et al. Who to ask： An intelligent fashion consultant［C］//Proceedings of the International Conference on Multimedia Retrieval. Yokohama Japan. ACM， 2018： 525-528.

［48］施倩，羅戎蕾.基于生成對抗網絡的服裝圖像生成研究進展［J］.現代紡織技術，2023，31（2）：36-46.

SHI Qian， LUO Ronglei. Research progress of clothing image generation based on Generative Adversarial Networks［J］. Advanced Textile Technology， 2023， 31（2）： 36-46.

［49］CUI Y R， LIU Q， GAO C Y， et al. Fashion GAN： display your fashion design using conditional generative adversarial nets［C］//Computer Graphics Forum. 2018， 37（7）： 109-119.

［50］汪晨， 曾凡玉， 郭九霞. 記憶增強型深度強化學習研究綜述［J］. 小型微型計算機系統， 2021， 42（3）： 454-461.

WANG Chen， ZENG Fanyu， GUO Jiuxia. Survey on memory-augmented deep reinforcement learning［J］. Journal of Chinese Computer Systems， 2021， 42（3）： 454-461.

［51］DE DIVITIIS L， BECATTINI F， BAECCHI C， et al. Disentangling features for fashion recommendation［J］. ACM Transactions on Multimedia Computing， Communi-cations and Applications， 2023， 19（1s）： 39.

［52］郭續(xù)， 買日旦·吾守爾， 古蘭拜爾·吐爾洪. 基于多模態(tài)融合的情感分析算法研究綜述［J］. 計算機工程與應用， 2024， 60（2）： 1-18.

GUO Xu， MAIRIDAN Wushouer， GULANBAIER Tuerhong. Survey of Sentiment Analysis Algorithms Based on Multimodal Fusion ［J］. Computer Engineering and Applications， 2024， 60（2）： 1-18.

［53］劉軍平， 張伏紅， 胡新榮，等. 基于多模態(tài)融合的個性化服裝搭配推薦［J］. 紡織學報， 2023， 44（3）： 176-186.

LIU Junping， ZHANG Fuhong， HU Xinrong， et al. Personalized clothing matching recommendation based on multi-modal fusion［J］. Journal of Textile Research， 2023， 44（3）： 176-186.

［54］YANG X， HE X， WANG X， et al. Interpretable fashion matching with rich attributes［C］//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. Paris， France. ACM， 2019： 775-784.

［55］SARKAR R， BODLA N， VASILEVA M， et al. Outfit Transformer： Outfit representations for fashion recommen-dation［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans， LA， USA. IEEE， 2022： 2263-2267.

［56］林瑞冰，賈靜，徐平華，等.融合視覺感知機制的品牌女裝設色解析［J］.服裝學報，2023，8（6）：546-553.

LIN Ruibing， JIA Jing， XU Pinghua， et al. Color parsing of female brand costume based on visual perception mechanism［J］. Journal of Clothing Research， 2023， 8（6）： 546-553.

［57］李圓，王孝東，于淼.以穿衣搭配數據為基礎的協同過濾算法改進［J］.紡織高校基礎科學學報，2023，36（2）：93-100.

LI Yuan， WANG Xiaodong， YU Miao. Improvement of collaborative filtering algorithm based on clothing matching data［J］. Basic Sciences Journal of Textile Universities， 2023， 36（2）： 93-100.

［58］陳柯. 基于多屬性融合的服裝搭配推薦［D］. 杭州： 浙江大學， 2018.

CHEN Ke. Clothing Collocation Recommendation Based on Multi-Attribute Fusion［D］. Hangzhou： Zhejiang University， 2018.

［59］馬佳敏，吳晶，周旭東，等.新零售業(yè)態(tài)下皮具品牌營銷策略分析［J］.皮革科學與工程，2022，32（5）：89-94.

MA Jiamin， WU Jing， ZHOU Xudong， et al. Analysis of leather brand marketing strategy under the new retail format［J］. Leather Science and Engineering， 2022， 32（5）： 89-94.

Research progress on key technologies of clothing recommendation systems

L Furong，" SHI" Yunlong，" JING "Xiaoning，" ZENG" Qianyi，" ZHU" Xuewei，" LEI" Haiyang

（School of Textile Science and Engineering， Tiangong University， Tianjin 300387， China）

Abstract：

As the scale of e-commerce continues to expand， the number and variety of products are rapidly increasing， requiring customers to spend a considerable amount of time to find the products they need. This process of browsing through large amounts of irrelevant information and products undoubtedly leads consumers to be drown in an overload of information. To address this issue， recommendation systems have emerged. Recommendation systems are advanced business intelligence platforms built on massive data mining foundations， designed to provide e-commerce websites with personalized decision support and information services tailored to their customers. The emergence and development of the Internet have triggered a digital storm， gradually applying recommendation technology to various fields such as e-commerce， news delivery， social networking， and music entertainment. Clothing， as an important component of the fashion industry， benefits from the integration of the Internet and the fashion industry， bringing new possibilities for clothing design， production， and consumption. Clothing recommendation， as a significant research direction in the computer fashion field， has garnered widespread attention from fields like computer vision， multimedia， and information retrieval. Compared to traditional offline shopping， online purchase of clothing and accessories is more convenient. A typical recommendation system predicts user interest in a particular item based on given information about the product and the user， as well as interaction history， thereby providing personalized products or services to the user. Clothing recommendation can be seen as a specific application of recommendation systems in the field of e-commerce， but it possesses uniqueness in many aspects. People's demands for personalized clothing quality， styles， and matching are constantly growing， making digital transformation crucial for the clothing industry. Faced with massive clothing data， clothing recommendation systems play a crucial role as a key link， including personalized recommendations， enhancing user experience， and increasing revenue， bringing numerous practical benefits to both users and businesses， and simultaneously driving the industry towards intelligent and efficient development. This article combines the key aspects of clothing recommendation systems and summarizes the general process and related technologies for creating clothing recommendation systems， including data collection and preprocessing， feature engineering， and model construction. It provides a detailed overview of key technologies in both traditional recommendation techniques and deep learning applied in the field of clothing recommendations， analyzing the application and expansion of various algorithms. In terms of application， clothing recommendation systems are widely used in e-commerce platforms and clothing styling recommendation apps， offering users convenient shopping and styling suggestions. Finally， based on the application areas and development trends of clothing recommendation systems， it explores the pressing issues that clothing recommendation systems need to address and future innovative directions.

Keywords：

recommendation system; recommendation algorithm; clothing matching; clothing recommendation; algorithm research; deep learning