基于大數據的服飾搭配推薦模式研究

鄭燕妮+盧雨芳+錢雅樂

摘 要：本文立足云端積累的用戶基本信息數據庫、用戶偏好分析數據庫以及服飾搭配圖片庫，提出基于大數據的用戶個性化服飾搭配模型，依次進行了人體體型分析、用戶興趣模型構建以及粗糙計提搭配決策規則界定，并對其應用步驟進行了介紹和闡釋，完成個性化推薦服務。

關鍵詞：服飾搭配；用戶興趣模型；粗糙計提搭配決策規則

一、引言

古語有云：人靠衣裝，佛靠金裝。可見服飾搭配對自我形象的塑造有著十分重要的意義和影響。然而在現實生活中，人們很難把握自己身材特點和穿衣風格，且有關服裝搭配的服務較為缺失，尤其表現為精準的個性化搭配。目前的服裝推薦主要以圖像檢索為主，存在以下不足：第一，服飾推薦僅局限于顏色等條件而未考慮個性化程度；第二，服飾款式和風格的多樣性與復雜性增加了個性化推薦的難度；第三，目前的服飾推薦準確率較低，搭配樣式選擇較少。因此本文在圖像檢索的基礎上，基于用戶大數據進行服飾搭配推薦模式的研究。

二、數據收集與分析

服飾搭配的推薦模式想要更加精準化和個性化，就必須以大量的數據積累為基礎，而在眾多數據中，以下三類數據的積累最為必要也最為重要，依次是用戶基本信息數據庫、用戶偏好分析數據庫以及服飾搭配圖片庫。

1.用戶基本信息數據庫

用戶基本信息數據庫收集的是，有關用戶身高、體重、年齡、BMI值、體型、偏好等所有有關服飾搭配元素的基本信息，主要通過顯性和隱性兩種方式收集。顯性收集方式即主動收集用戶信息的方式，一般是系統在用戶首次注冊、訪問或購買時主動引導用戶填寫或勾選的內容；隱性收集方式是一種被動的收集方式，主要是對用戶的搜索、查詢及訪問等行為進行的興趣提取和數據挖掘。

2.用戶偏好分析數據庫

用戶偏好信息數據庫是在用戶基本信息的基礎上，通過用戶在平臺的瀏覽記錄與使用特點，通過數據綜合分析用戶的偏好，此處的偏好分析較之于用戶基本信息獲取時更加客觀，從理性分析角度彌補了部分用戶在填寫和勾選基本信息以及搜索時隨意和誤選等出現的分析誤差，一定程度上更為合理，主要通過隱性方式挖掘。

此處的數據挖掘規則主要包括以下四個方面：（1）系統為用戶提供結果顯示界面，然后記錄用戶對顯示的結果的鏈接的點擊行為；（2）系統計算用戶在某一頁面或某個服飾鏈接的停留時間，瀏覽的時間越長，該頁面或服飾鏈接的相關度就越高；（3）記錄用戶對服飾鏈接的操作，如對某一部分的復制，通過對這些部分進行分析；（4）記錄用戶的保存和下載等行為。

3.服飾搭配圖片庫

服飾搭配圖片庫是獨立于用戶基本信息數據庫、用戶偏好分析數據庫而存在的數據庫，這一數據庫的數據積累主要來源于兩方面；一方來自于用戶提供的“個人服飾圖片庫”，另一方則來自于平臺本身存儲的海量“優質搭配圖片庫”。

其一，“個人服飾圖片庫”，此處主要是將用戶的線下衣柜，以圖片的形式存儲在后臺。用戶只需將自己的衣服拍照上傳至平臺，平臺即可形成線下衣柜對應的“云端衣柜”，當不知如何搭配或做購買決策時，去線上的衣柜看一下自己的“云端衣柜”，便可減少不必要的重復購買，同時提供更多的搭配選擇；同時該數據庫的原始數據用戶可隨時刪除、更新等。

其二，“優質搭配圖片庫”，此處主要是平臺根據各類搭配達人、網紅等積累的海量優質搭配圖片庫，用戶可根據個人偏好和選擇對自己喜歡的搭配方案進行點贊或收藏，形成符合自己穿衣風格的個性化衣柜展現，進一步節約各種場合服飾搭配時間；同時該數據庫的海量數據平臺會推出各年代的潮流搭配，并根據潮流不斷更新。

三、基于大數據的服飾搭配推薦模型

利用大數據進行分析需要解決的首要問題是將用戶多樣化信息進行量化并歸納總結，本文基于服裝搭配的構想提出搭配模型，首先對用戶模型的方法進行定義，第二步基于層次分析和粗糙理論的算法，對用戶基本信息、用戶偏好分析和服飾搭配三大數據庫進行分析，提出人體體型分析的方法、基于用戶偏好的用戶模型分析，進而為服裝搭配提供決策依據。

1.人體體型分析方法

體型是每個人都具有的標簽，主要指人的外形比例以及高度、胖瘦之間的差異，其中三維數據是體型的重要識別特征，不僅影響服裝顏色款式的選擇而且在布料的選擇上存在較大的差異。本文采用特征參數法進行體型分析，并按照國家公布的統一標準對體型進行分類。

體型大致可以分為四種，其中X型可以適合幾乎所有類型的服裝；H型曲線感較弱，可以增加胸部和臀部的飽滿度來提升搭配的層次感；A型具有上身胖下身瘦的特點，而V型則與A型身材特征相反。

2.基于用戶習慣和偏好的用戶興趣模型

用戶的喜好信息還體現在用戶的瀏覽行為，本文選用用戶瀏覽頁面的時間，用戶加入購物車、收藏、點贊數量，定義用戶瀏覽行為為一個集合M={瀏覽時間t，加入購物車s，收藏c，點贊p}。定義興趣值fM（pj），以量化的具體數值來表示用戶的興趣值，興趣值的關系函數式為：

fM（pj）=w1t+w2s+w3c+w4p

w1～w4代表的是用戶瀏覽集合各維度的權重，s、c、p均為絕對數可以直接計算，而t需用相對數表示。其計算方法為ti/T，ti是用戶在某頁面瀏覽的時間長度，T是用戶一次完整的訪問時間的總和。

3.基于用戶搭配圖片數據庫的粗糙搭配系統

服裝搭配除了可觀測的體型偏好等變量之外，還存在大量不可觀測或不可量化的影響因素。消費者偏好各不相同，所以通過一個簡單的模型得出的用戶搭配規則不具有廣泛的適用性。粗糙搭配系統的優勢在于，不僅分析服裝搭配的數據集合，而且將服裝搭配規則與專家建議相結合，通過相關分析研究搭配的規律，最終生成綜合的搭配規則。

四、模型的應用

基于以上分析，本文提出了基于用戶特征的個性化的服裝搭配模型，具體步驟如下。endprint

首先，根據屬性數據，建立專家決策表。對能夠直接體現服裝特征的眾多屬性進行分類描述，如體現服裝風格的款式、類型、年齡等；體現服裝質地的材質、色調、圖案等；體現服裝細節的領型、袖型、腰型等；對以上屬性，進行數據化處理，同時根據專家意見標注對應的數值，從而建立初步的專家決策表。然后對初步建立的決策表進行檢測，刪除數值重復率較高的服裝示例（表明服裝類似），得到最終的專家決策表。

其次，結合用戶特征，抽取搭配規則。最終的專家決策表的每一條數據值對應著一條簡化的搭配規則，此時可根據用戶選擇的基本數值進行匹配，同時結合用戶在平臺的購買和瀏覽行為，抽取歷史數據中出現頻率較高的信息或瀏覽時間較長的界面所涉及的數值，此處的數值也對應著相應的搭配規則，結合以上，得出完整的搭配規則。

最后，導出搭配結果，提供搭配決策。將以上得出的搭配規則導出，轉化為簡要的文字，同時進一步對用戶偏好數據庫中的瀏覽記錄與使用特點進行綜合分析與精確推理，從而對導出的搭配結果進行補充和完善，得出最終的搭配決策。

參考文獻：

[1]王安琪，劉驪，付曉東，等.面向個性化服飾推薦的判斷優化模型[J].計算機工程與應用，2016.

[2]Cameron J. Clothing Poverty： The Hidden World of Fast Fashion and Second-Hand Clothes[J]. Australian Feminist Studies， 2015（85）.

[3]Radziewsky L V. Scarfy：Augmenting Human Fashion Behaviour with Self-Actuated Clothes[C]// International Conference on Tangible， Embedded， and Embodied Interaction. ACM， 2015：313-316.

[4]肖慧.色彩在服飾搭配教學中的內涵與應用[J].藝術品鑒，2015（9）：236-237.

[5]趙野軍，奚榮華.服飾色彩搭配量子搜索模型[J].紡織學報，2012，33（4）：136-141.

[6]李依蔓.服飾設計虛擬搭配系統的設計與實現[D].電子科技大學， 2016.endprint