AAAIDec, 2017

物品推荐和生成的兼容性家族学习

PDF
TL;DR通过将每个物品嵌入到潜在向量中，并将查询项目投影到 K 个兼容原型中，在我们学习的空间中，我们介绍了一种新颖的投影兼容性距离（PCD）函数，该函数是可微分的并确保多样性。我们的系统在玩具数据集，两个亚马逊产品数据集和 Polyvore 服装数据集上得到了实验验证，表现始终处于最前沿。最后，我们展示了我们可以使用度量正则化的条件生成对抗网络（MrCGAN）可视化候选兼容的原型。
发现论文，激发创造
  • 上下文感知的视觉相容性预测

    本文介绍一种基于图神经网络的方法，通过产品嵌入向量预测衣物单品或搭配的视觉配合性，相较于其他基于成对比较的模型，我们的模型涵盖更丰富的背景信息取得了业界领先的效果。

    Feb, 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

  • 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

  • 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

  • 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

  • 双向 LSTMs 学习时尚搭配

    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

  • 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

  • 转换型神经时尚兼容建模

    这篇论文使用多关系知识表示学习和深度神经网络模型，提出了一种新颖的基于转化的神经时装兼容性建模框架 TransNFCM，用于在时尚电子商务推荐系统中识别服装项目之间的混合搭配关系。

    Dec, 2018

  • 基于图像的风格和替代品推荐

    本文旨在通过建立一个基于图像的大规模数据集并开发一个可扩展的方法来揭示人类视觉关系方面的概念模型，该模型不是基于用户注释的细粒度建模，而是基于图像关系网络的网络推理问题。 其提供了一个用于训练和评估的大规模数据集，并可用于推荐衣物和配饰的搭配。

    Jun, 2015