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
本篇论文介绍了如何使用基于样式兼容性的完整外观推荐系统 Complete The Look (CTL) , 并使用超过1百万套装和 4百万商品的外观数据集进行训练。我们描述了评估这个主观任务的方法以及在多个训练方法之间比较模型性能。
Jun, 2020
本论文研究了服装搭配的个性化问题,提出了一种基于属性的可解释的搭配方案,并在IQON3000数据集上进行了实验证明其有效性。
Aug, 2020
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
提出了OutfitTransformer框架,该框架使用任务特定标记并利用自我注意机制来学习有效的全套装备级别表示,在分类和检索任务上获得了优越的性能,实现了配对、补充!
Apr, 2022
本文通过使用欧洲最大时尚商店的用户数据,从个性化和非个性化的角度提供了各种算法的广泛评估和比较,并透露了一些针对尚未在这项任务上进行评估的模型的见解,包括GPT,BERT和Seq-to-Seq LSTM,并提供了适用于个性化服装生成的模型的改进。
Nov, 2022
通过用户提供的文字描述,我们提出了一种突破性的时尚推荐方法,该方法生成了一整套完整的服装,从而在时尚推荐领域显著超越了现有技术模型,同时通过文字描述捕捉到了个人风格偏好的本质。
Nov, 2023
本研究解决个人服装推荐中的时尚兼容性和趋势意识挑战,提出一种新框架,利用大型语言模型(LLMs)通过微调和直接反馈集成来增强其性能。研究表明,基于该框架的推荐系统在跟进时尚趋势方面具有显著优势,从而持续优化购物体验,生成更具风格和趋势的服装搭配建议。
Sep, 2024