MMJul, 2017

双向 LSTMs 学习时尚搭配

PDF
TL;DR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。
online fashion shoppingrecommendation servicesvisual-semantic embeddingbidirectional lstmpolyvore dataset
发现论文，激发创造
  • 跨服装类别学习时尚搭配以进行服装推荐

    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

  • 为时装兼容性学习类型感知嵌入

    该论文提出了一种学习图像嵌入的方法，以尊重物品类型，并联合学习物品的相似性和兼容性。通过在 Polyvore 网站上爬取用户创建的 68,306 个配装数据集，该方法在配装兼容预测和填空任务中取得了 3-5％的改进，支持各种有用的查询。

    Mar, 2018

  • 使用异构二元共现学习视觉服装风格

    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

  • 时尚配合的半监督视觉表示学习

    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

  • 上下：用单类协同过滤模型建模时尚趋势的视觉演化

    本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

    Feb, 2016

  • 基于风格的相容衣着推荐

    通过高级分类和图像，利用新型的风格编码器网络生成符合实际穿着风格或主题的时装推荐，并通过严谨的实验分析表明其优于现有的最先进的基线。

    Mar, 2022

  • 基于 LSTM 的时态顾客模型用于时尚推荐

    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

  • 互补推荐的深度风格匹配

    本文使用孪生卷积神经网络大力提取商品名中的关键属性，以此学习人类的样式兼容性，实现自动化的搭配推荐。

    Aug, 2017

  • 多层比较网络在服装搭配预测和诊断中的应用

    本研究提出了一种能够预测和诊断服装配对兼容性的深度学习框架，其中利用了不同类型的 CNN 来解决从颜色到风格等不同方面的兼容性问题，并通过基于 Polyvore 数据集的实验验证出较高的预测和诊断能力。

    Jul, 2019

  • 时尚推荐：使用 GNN 的服装搭配

    利用图神经网络分析时尚产业的机器学习应用，评估 Polyvore 数据集中的衣着搭配和商品推荐准确性，并比较两种现有模型在任务完成和兼容性预测上的性能。我们发现 Hypergraph Neural Network 在两个任务上稍微具有更好的性能，并尝试使用视觉转换器生成的嵌入向量以提高预测准确性。

    Apr, 2024