可解释的时尚推荐:一个基于语义属性区域引导的方法
本研究旨在通过提出一种新的基于属性信息的时装推荐器(AFRec),来解决时尚推荐任务中的可解释性挑战。AFRec 推荐器通过显式地利用每个项的视觉特征提取的属性级别表示来评估服装的兼容性。通过利用显式属性,AFRec 能够在推荐过程中实现最先进的推荐精度和直观的解释。
Jul, 2021
本文提出了一种利用来自购物网站的弱标签化的图像文本数据进行自动空间感知概念发现的方法,通过将服装图像及其对应描述联合建模,并通过将词汇语义向量表示与卷积地图得出的空间表示相结合生成空间感知表示。我们进一步将空间感知表示用于属性聚类,以形成空间感知概念,最终将视觉语义嵌入空间分解为多种概念特定子空间,以利用多模态语言规律实现结构化浏览和属性反馈产品检索。我们在新收集的 Fashion200K 数据集上进行了大量实验,聚类质量评估和属性反馈产品检索任务的结果证明了我们自动发现的空间感知概念的有效性。
Aug, 2017
本文介绍了一种新颖的学习框架,结合属性级语义,句子级语义和强化学习来生成精确的时尚图片描述,同时构建了一个新的时尚图片描述数据集以证明模型的有效性。
Aug, 2020
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
本研究提出了一种解释型时尚推荐系统,能够通过量化每个物品的每个特征对得分的影响来解释评分,并且能够识别哪些物品和哪些特征使造型好或不好。实验结果表明该方法能够准确地检测降低评分的不好物品。
Jan, 2019
本文提出了一种基于 Attribute-Specific Embedding Network (ASEN) 的方法,通过全局和局部特征提取以及注意力机制来计算服装之间的细粒度相似度,进而可应用于多种时尚相关领域,取得了较好的实验结果。
Apr, 2021
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
本文提出了一种新方法 RecXplainer,基于用户对推荐项目属性的偏好生成了更细粒度的推荐解释,并使用真实数据集进行了实验进行了评估,结果表明 RecXplainer 能够更好地捕捉用户的喜好,并且相比六种基线方法,RecXplainer 在提供推荐解释方面有更显著的效果。此外,作者还提出了十种新的推荐解释评估度量标准。
Nov, 2022