面向属性的可解释补充服装推荐
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
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
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
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
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
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