本文提出了基于神经网络及外部信息学的时序商品销售预测方法，采用谷歌趋势时间序列探针结合多模态信息，预测基于商品的多相关数据不足的情况下其销售情况，其中使用的信息包括商品图片、元数据、相应销售数据及相关趋势。本文所提出的方法在多个方面表现，是同类方法中预测精度最高的一种。

Sep, 2021

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

本文提出将句子级别的普及度预测作为序列回归任务，通过使用自然语言内容在在线新闻文档中预测句子的流行度，并提出一种基于 BERT 的神经模型和辅助任务中的句子重要性预测的转移学习方法。使用生成的一组句子级别的流行度注释，建立第一个可自动创建的数据集 InfoPop。研究表明，从句子重要性的预测中进行转移学习可以加强句子流行度的预测。

Dec, 2022

利用数据驱动的方法，通过无监督学习来预测时尚视觉风格趋势，表明时尚预测受视觉分析的影响很大，远远超过文字或元数据线索。

May, 2017

本研究提出了使用多模态文本图片数据集预测日本动漫热门度的方法，通过使用从互联网中获取的开源数据构建这一数据集，利用基于 GPT-2 和 ResNet-50 的深度神经网络模型，研究多模态文本图片输入与热门度之间的相关性，发现数据集的相关优势和弱点。通过使用均方误差（MSE）度量模型的准确性，当考虑所有输入和完整版本的深度神经网络时，获得最佳结果为 0.011，而传统的 TF-IDF 和 PILtotensor 向量化方法获得的基准 MSE 为 0.412。这是首次使用多模态数据集来解决此任务，揭示了即使使用相对较小的模型（ResNet-50）对图像进行嵌入处理也能带来的显著好处。

Jun, 2024

利用图像信息和层次化数据结构，预测基于图像的社交媒体内容的流行度，通过 Google Cloud Vision API 提取关键图像和颜色信息，相比于单独使用非图像协变量，精度提升了 6.8%。通过线性混合模型、支持向量回归、多层感知机、随机森林和 XGBoost 等多种预测模型，对比实验表明能够捕捉协变量之间的非线性相互作用的模型优于其他方法。

May, 2024

本文提出了一种新的基于语言基础模型的时间序列模式挖掘流程，以用于人类移动预测任务，该模型通过引入特定提示将数值时间序列转换为句子，以便直接应用于现有语言模型，设计了一个 AuxMobLCast 流程用于预测每个 POI 的访客数量，结合了辅助 POI 分类和编码器 - 解码器架构，实证证明了该流程在移动性预测任务中发现序列模式的有效性，并在三个真实数据集上进行了评估，表现良好。

Sep, 2022

本研究提供了一种自动化框架，分析大量的街头时尚图片，以发现和预测各种时尚属性的长期趋势和自动发现的风格，并确定影响人们穿着的时空本地化事件。相比之前的方法，我们的框架可以做出超过 20％的长期趋势预测，并发现了成百上千个影响全球时装的具有社会意义的事件。

Aug, 2019

本文介绍了一个名为 ModaNet 的新型数据库，该数据库具有 55,176 张完全注释的街头图像并提供了基于多边形的注释方法，该数据库的主要目的是提供一个技术基准来公平评估应用最新计算机视觉技术的衣服识别算法的进展情况。

Jul, 2018

本文针对新用户的冷启动问题，提出了一种基于图像偏好建模的方法，通过特征加权聚类来个性化场合导向的穿衣推荐，并证明了该方法在服装属性预测方面的优异性。

Aug, 2020