算法服装:混合推荐,从街头时尚到商店
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
本文提出了一种基于孪生网络和全连接网络的推荐方法,其中加入颜色直方图功能以提高时尚兼容性评价,且网络训练采用拉普拉斯和矩阵变量正态分布以增强网络效率和稀疏性。
May, 2019
本文提出了两种可视化推荐系统,该系统可以自动为客厅家具配套筛选整个选择,以最大化配合效果和利用文本数据和多语言话题建模来推断风格。实验结果表明,从包括视觉和文本数据的产品集合中发现补充风格效果最好。
Jun, 2018
该文介绍了一种名为 NHR 的神经混合推荐框架,可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息,以及在同样的问题上使用不同的损失函数达到评级预测问题,测试结果在真实世界数据集中显示了优异的性能。
Sep, 2019
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
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