利用人工智能为时尚推荐系统提供细粒度的视觉解释，自动为顾客上传的图像生成有意义的描述，引导从全球时尚产品目录中检索出符合视觉特征的类似替代品，进而实现个性化的时尚推荐，并在超过 100,000 张已分类的时尚照片数据集上进行训练和评估，物体检测模型的 F1 分数为 0.97，展示了优化的准确时尚物体识别能力，这个视觉感知系统代表了个性化时尚推荐中的重要进展。

Nov, 2023

Chat-to-Design 是一个新的多模式交互系统，用于个性化的时尚设计，将用户通过对话进行衣服设计的步骤进一步细分，可以通过三个子系统来提供沉浸式用户体验，包括对话系统，时尚检索系统和时尚设计系统。

Jul, 2022

本文提出了一种基于分布式计算平台的可扩展关注 Web 爬虫引擎，用于提取和处理电子商务网站上的时尚数据，并采用深度卷积生成对抗网络（DCGAN）的脱耦特征提取方法来进行基于内容的图像索引和检索，将其与最先进的解决方案进行比较并分析其结果。

Apr, 2022

本文提出了一种从社交媒体自动收集时尚知识的新系统，它通过图像、文本和元数据的多个模态统一了场合、人物和服装发现的三个任务，并应用上下文化的时尚概念学习模型来提高时尚概念学习性能，同时通过弱标签建模方法进一步提高性能，并构建了一个网站来展示我们的系统提取的时尚知识的质量。

Aug, 2019

本研究介绍了使用人工智能和优化方法结合的方式来分配时尚产品，利用深度学习模型识别产品的视觉形象，通过优化模型来决定每个商店的产品组合，以解决高品种、低容量时尚产品分配的挑战。

Jul, 2020

本文提出了四个数据驱动模型用于大规模的视觉推荐系统，这些模型可以有效地利用大量的时尚图片及其丰富的元数据，通过对大规模数据集的深入实验对这些算法进行了分析，并在颜色科学的基础上对其进行了基线，同时展示了从这些实验中学到的关键时尚见解并介绍了一个可以用于未来视觉研究的大规模时尚图像注释数据集（Fashion-136K）。

Jan, 2014

本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

Feb, 2016

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

本文提出了一种完全自动化的系统，利用社交媒体数据生成时间序列信号来探测和合成时尚趋势，以便在快时尚的设计过程中生成可迅速响应当前趋势的设计原型并降低制造中的浪费。

Jun, 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