MMNov, 2022

基于可重复使用的自注意力机制的时尚推荐系统

PDF
TL;DR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。
self-attention modelsrecommender systemscustomer preferencestemporal informationfashion recommendation
发现论文，激发创造
  • 面向属性的可解释补充服装推荐

    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。

    Jul, 2021

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 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

  • 基于 LSTM 的时态顾客模型用于时尚推荐

    在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。

    Aug, 2017

  • 算法服装：混合推荐，从街头时尚到商店

    本文详细介绍了 Cortexica 的推荐框架，使用了条件随机场和深度神经网络的混合视觉推荐系统，结合了知识基础和内容基础来构建推荐系统，可解决缺少用户偏好数据的问题。

    May, 2017

  • 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

  • AI 增强的客户体验推荐系统：一种新颖的图像到文本方法

    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

  • 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

  • 上下：用单类协同过滤模型建模时尚趋势的视觉演化

    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

  • 基于街拍图像的大规模视觉推荐

    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