淺析深度學習算法在服裝推薦系統中的應用

張騫 陜西醫藥控股集團派昂醫藥有限責任公司

1 深度學習算法的服裝推薦模型構建

1.1 相似長短期記憶網絡

基于深度學習算法基礎上，構建服裝推薦系統，首先需要對相似長短期記憶網絡進行模擬構建。長短期記憶網絡是通過對用戶日常服裝瀏覽信息記憶評估。根據網絡瀏覽中的數據進行長期與短期評估，并根據數據之間的相似度對記憶信息進行歸類，從而評估判斷用戶對服裝的喜好類型。長短期記憶網絡是基于循環神經網絡系統技術上，構建的瀏覽信息自動保存與國內網絡，處于網絡環境中，用戶在瀏覽信息時所輸出的文本信息能夠通過相互關聯產生整體系統，并根據輸入門與輸出出門分類，形成長期與短期內的記憶模型。在分析運算過程中，會根據信息出現頻率選擇自動隱藏，對于出現頻率較高達到預期推薦標準的數據，同樣會形成短期記憶，并增大相關服裝信息的推薦頻率。在長短期記憶網絡信息分類過程中，需要對輸入與輸出信息進行歸類，判斷函數運算過程中的激活方法，并根據最終所得到的結果，實現相乘序列構建。

1.2 基于長短期記憶的文本建模

服裝推薦系統構建，還需要繼續長短期記憶進行文本建模。在程序匯編過程中，對于長短期記憶網絡的運用需要對其進行界定，將其視為一個整體函數集合，并對每一個標題進行句子定義，實現向低維向量空間特征中的轉換。對函數的參數進行定量求解，并通過嵌入理想特征，完善對不同服裝文本的搭配。在查詢服裝信息過程中，僅僅通過輸入標題或者相關詞，便能夠啟動長短期記憶網絡系統。基于長短期記憶基礎上的文本建模，需要對函數集合進行準確判斷，并在分析過程中明確經典長短期記憶網絡的特征。輸入輸出階段根據所得到的最終分析結果，對商品標題進行空間界定。這樣用戶在日常網絡信息瀏覽中，便能夠根據服裝信息出現幾率判斷用戶個人喜好，從而完成服裝推薦任務。

1.3 基于瀏覽信息記憶挖掘的服裝搭配推薦

基于長短期記憶基礎上的文本建模，需要對函數集合進行準確判斷，并在分析過程中明確經典長短期記憶網絡的特征。輸入輸出階段根據所得到的最終分析結果，對商品標題進行空間界定，這樣用戶在日常網絡信息瀏覽中，便能夠根據服裝信息出現幾率判斷用戶個人喜好，從而完成服裝推薦任務。基于瀏覽信息基礎上需要對瀏覽信息進行自動評估分類，并在挖掘過程中判斷接下來的搭配形式，通過服裝搭配推薦，對最終的服裝瀏覽類型進行判斷。同時也需要根據瀏覽信息挖掘，對用戶的服裝類型喜好特征進行深層次評估，對最終得到的瀏覽信息與挖掘信息相互整合。對于瀏覽信息繼續發掘中的服裝搭配推薦，還需要進行服裝信息之間相似度評比。根據損失函數運算，判斷服裝搭配過程中標題語句的相似程度，根據標題語句映射構建，逐漸向低維向量空間進行信息滲透。

2 基于圖像與文本信息挖掘的服裝推薦系統構建

2.1 圖像與文本信息特征捕捉

基于圖像與文本信息挖掘基礎上進行服裝推薦系統構建，首先需要對圖像與文本信息的特征進行捕捉，并進行特征之間的相互對比。通過圖像與文本信息之間的特征融合，對于圖像文本信息的特征捕捉，還需要考慮信息之間的相似度是否在函數運算集合范圍內，并根據服裝推薦系統的構建需求，對各類相似度進行比較，進行最終的預算范圍判斷。通過標題語句，嵌入式方法對語句之間的相似度進行深層次比較，并通過運算公式確定函數集合的包含信息范圍，進行各類數據之間的相互評比，從而構建形成服裝推薦文本信息樣本。服裝樣本推薦過程中對于不同損失函數集合確定需要根據距離進行判斷，副樣本之間的距離越高，表示最終的損失函數越小，如果副樣本之間的距離逐漸減小，將會出現服裝推薦信息集合范圍過于狹窄的問題。

2.2 圖像與文本信息特征融合

基于圖像與文本信息之間的各種融合，通過交互換數據挖掘，實現對最終服裝推薦系統的整體構建，對于圖像與樣本信息的特征融合，首先需要進行嵌入空間特征提取，并針對嵌入空間中的距離進行運算。服裝搭配過程中的相容性問題分析，更需要在嵌入過程中對比不同服裝數據之間的相似度相似度越高，表示最終的融合程度越高，可以進入到接下來的服裝推薦中，如果相似度低于1。在推薦過程中表示，數據并沒有達到最佳效果，不可以進行接下來的特征融合，還需要判斷特征之間的非線性融合關系，將服裝中的圖像與文本信息進行特征非線性比較。觀察所得到的比較結果，并進行下一步的交叉熵損失函數分析運算。構建形成全新的矩陣，在矩陣中針對圖像與文本信息明確分類。根據特征分類后進行最終的信息融合，從而構建形成服裝推薦系統中的信息數據庫，在信息數據庫支持作用下，網絡環境中對某一特征進行提取后，可以直接啟動數據庫中的對應信息，完成推薦任務。

2.3 基于卷積神經網絡建模

最后是推薦過程中，基于卷積神經網絡的系統建模系統建模，是實現推薦功能的最終環節。可以將標題語句表達構建成30×300的矩陣，并在其中輸入長期與短期的記憶語句。在記憶語句中對神經元網絡模型進行構建考慮，最終是否能夠再集合范圍內確定服裝推薦系統的功能范圍，并對隱藏的數據信息單元層進行平均提取，構建形成項鏈之間的關聯關系得到的標題語句。進行多種模擬神經元網絡的分級處理，并確定最終的參數權重，在參數權重范圍內進行實驗，確定最終的集合損失，當即和損失，在服裝推薦系統允許范圍內可以停止實驗，完成功能設計。卷積神經網絡建模，對于數據信息的捕捉更加精準，同基于網絡環境中也能夠同時處理不同來源范圍的矩陣信息。但在構建過程中，需要對所述的服裝標題，語句進行圖像與以及文本信息分類。確定其中的特征向量在此基礎上才能對歷史服裝瀏覽數據信息進行自動捕捉與保存，進行更為合理的服裝信息推薦。

3 結語

衣服推薦在個人日常穿搭和電商平臺的衣服推薦等各種應用場景中都具有重要的指導意義。基于深度學習的衣服搭配算法研究正是在這樣的背景下產生的。本文的主要研究內容就是利用深度神經網絡中計算機視覺和自然語言處理的相關技術實現基于圖像和文本的衣服搭配推薦。利用長短期記憶網絡對衣服標題進行建模，同時結合相容矩陣學習兩個輸入之間的搭配關系，提出了基于長短期記憶網絡和相容矩陣的衣服搭配推薦模型。在此基礎上把圖像特征和文本特征相融合，提出了基于圖像和文本信息融合的衣服搭配推薦模型。未來可以可以嘗試將長短期記憶網絡應用于圖像建模，使用長短期記憶網絡對卷積神經網絡得到的多個特征圖進行融合；可以嘗試將用戶對衣服的評價作為衣服的屬性進行學習。