本文研究了在时尚等领域中建立有效的推荐系统的挑战，并提出了一种基于 Siamese CNNs 以及深度学习网络的时尚感知图像表示和推荐方法，通过在像素级别训练图像表示和推荐系统，可以显著提高推荐性能和生成新的时尚产品设计。
Nov, 2017
本文提出了一种基于深度学习的内容协作方法，用于个性化尺寸和合适度建议，以提高顾客满意度并减少因尺码相关的退货所产生的成本，该方法可以模拟客户和文章数据，并能够为单个帐户背后的多个个体或意图进行建模。
Jul, 2019
本文提出了四个数据驱动模型用于大规模的视觉推荐系统，这些模型可以有效地利用大量的时尚图片及其丰富的元数据，通过对大规模数据集的深入实验对这些算法进行了分析，并在颜色科学的基础上对其进行了基线，同时展示了从这些实验中学到的关键时尚见解并介绍了一个可以用于未来视觉研究的大规模时尚图像注释数据集（Fashion-136K）。
Jan, 2014
在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。
Aug, 2017
本文提出了一种基于双向 LSTM 的视觉 - 语义嵌入方法，可以为线上时尚购物提供更有效的推荐服务，实验结果表明该方法在 Polyvore 数据集上具有优秀的性能。
Jul, 2017
本文提出了一种新颖的个性化服装推荐方法，该方法使用可解释的图像特征学习过程来解释用户对特定视觉属性和风格的偏好，并在个性化排名任务中实现了最先进的性能。
Jun, 2018
本文提出了一种半监督学习方法，其中利用大型未标记时尚语料库来在训练期间动态创建假正向和假反向服装，通过提出的一致性规则来确保原始图像和其转换的表示是一致的，实现多属性的学习，在 Polyvore、Polyvore-D 和新建的大规模时装套装数据集上进行了实验，并表示，该方法拥有与完全监督方法相当的预测性能。
Sep, 2021
本研究提出了一种新的学习框架，通过使用 Siamese Convolutional Neural Network 从不同品类的物品图像中学习特征转化，进而发掘不同物品之间的兼容性。研究人员使用来自 Amazon.com 的协同购买数据来建立兼容性模型，并引入了一种新的训练数据采样策略，以学习跨品类匹配知识，该研究的实验结果表明，提出的学习框架能够学习关于外观风格的语义信息，并能够生成适合混搭的衣物组合。
Sep, 2015
提出了一种名为 Style2Vec 的表示模型，使用卷积神经网络学习时尚产品的风格特征，以较小的前购买物品集合作为一致的风格设置的子集，具有较好的时尚分类性能。
本文使用深度神经网络对包含未排序的可变长度服装搭配的推荐进行评级，通过在流行的时尚分享网站 Polyvore 上收集大量服装数据，并结合众包平台的人类判断，验证模型性能，最终构建了服装搭配助理的实用模型。
Apr, 2018