Jul, 2021

面向属性的可解释补充服装推荐

PDF
TL;DR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。
发现论文，激发创造
  • 可解释的时尚推荐

    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

  • PAI-BPR：带属性解释的个性化服装推荐方案

    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

  • 可解释的时尚推荐：一个基于语义属性区域引导的方法

    该研究提出了一种新型语义属性可解释推荐系统（SAERS），通过对细粒度的语义空间建立和用户偏好的注意力机制，给用户提供服装推荐，并在视觉上解释推荐原因的个性化方式。该方法在真实数据集上进行的大量实验表明其效果显著。

    May, 2019

  • 基于可重复使用的自注意力机制的时尚推荐系统

    利用时序和语境信息，结合不同类型的时尚实体及其异构特征，使用可重用的基于注意力机制的时尚推荐算法 AFRA，提供个性化的排名流，风格相似的时装推荐，相似物品推荐和基于最近客户行为的同期推荐，在离线和在线实验中均取得了显著的客户留存和参与度的提高。

    Nov, 2022

  • 基于属性的推荐系统事后解释：RecXplainer

    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

  • 基于图像的端到端时尚推荐

    本研究提出了一种简单而有效的基于属性注意力模型，利用图片特征进行更好的项目推荐，结果显示比所有最先进的基于图片的模型都要优秀。

    May, 2022

  • 时尚服装搭配配件检索

    提出一种基于类别的子空间注意力网络和穿搭排名损失的服装搭配推荐框架，用于补充物品检索，实验结果表明其在服装搭配和物品检索任务上均优于现有方法。

    Dec, 2019

  • 基于生成图像模型的视觉感知时尚推荐与设计

    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

  • 通过提取和说明文本描述来解读兼容性关系

    通过引入 Pair Fashion Explanation（PFE）数据集和创新的两阶段流水线模型，本研究旨在理解和准确解释时尚物品之间的兼容关系，并提供可以传达物品之间兼容关系的解释。实验证明该模型具有潜力，能生成符合实际匹配关系的知识性、形象性的描述，经由多种自动指标和人工评估可证明。

    Dec, 2023

  • 基于可解释图像表示的视觉感知个性化推荐

    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