基于綜合因素的服裝智能推薦算法研究

唐國城，房正華，李廣源

（青島工學院 信息工程學院，山東 青島 266300）

0 引言

隨著科技的發展與迭代，時代已經從信息互聯轉變到了萬物互聯。信息互聯改變了交流方式，萬物互聯將改變人們的生活方式包括人們的購物行為，淘寶、京東等網上購物平臺已推廣到了廣大農村，要從成千上萬的商品中找到了自己滿意的商品，不能僅靠個人搜索，個性化推薦系統起到了很關鍵的作用。由此帶來的優質的線上購物體驗成就了數字化時尚服裝行業的快速發展。

這種推薦有一個弊端就是它是從靜態角度，或者依據瀏覽購買記錄等進行推薦，而無法滿足用戶私有衣櫥的動態推薦。時尚服裝設計師可以對個人已有的衣物的對服裝的搭配進行推薦，數字化時尚服裝設計衣櫥可以將時尚服裝設計師的經驗進行數字智能化，并根據當日天氣、特殊場合等各種綜合因素進行衣物推薦。本文即是根據以上需求，進行模型構建，完成相關算法設計。

現有推薦算法各有優缺點：基于關聯規則的推薦算法得到的結果比較容易理解，但運算耗時，無法快速反應實時推薦；協同過濾是推薦算法中最成功的算法，可以推薦復雜的非結構化的對象，但隨著用戶增多，推薦性能不斷提升，對數據的依賴性增強，存在冷啟動問題；基于內容的推薦算法可以很好地解決冷啟動問題，但缺點是會受到推薦對象特征提取能力的限制。

1 服裝穿搭智能推薦策略

服裝個性化推薦核心是用戶，傳統的時尚服裝搭配往往是由造型師或者專家從主觀、衣物的風格以及所服務對象所出現的場合所給出的搭配方案，對于細粒度的指標無法定義，時間和經歷也花費較大。由此個性化推薦系統應運而生，其基于傳統的人工推薦，結合現如今比較熱門以及穩定的智能推薦技術，從用戶自身角度出發，進行專業的推薦。個性化的服裝智能推薦系統主要由服裝模型、用戶模型及推薦算法組成。為了實現服裝模型和用戶模型之間更好的匹配，本文從影響用戶穿衣的幾個角度出發，將天氣、風俗、出行場合、用戶個人偏好四個因素相結合，通過四個方向，擬合出核心的個性化推薦的用戶模型與服裝模型，通過推薦算法，將服裝模型與用戶基本模型結合，完成基于用戶自身行為的個性化推薦。

1.1 用戶模型

用戶模型是服裝個性化推薦模型的核心。用戶是多樣化的，首先第一步需要基于外部因素如天氣、風俗以及出席場合生成用戶基本共性模型，什么天氣下適合什么樣的服裝，某一些地區特別的風俗習慣導致的穿衣風格的變化以及出席場合所對服裝的影響都是共性的一些特征模型。基于用戶的基本信息如身高體重等，通過對于天氣數據與服裝數據的對應，常見風俗習慣對于服裝穿搭的影響特點以及常見場合下合適的、大眾認同的服飾的模型提煉，完成基礎共性模型。基于客戶端與用戶交流，可通過多方面的用戶反饋，收集用戶服裝風格個人喜好。用戶喜好的全面獲取以及合理的描述，將直接決定個性化推薦的效率以及質量。

1.2 服裝模型

通過用戶模型，結合層次向量法，采用樹型結構對服裝屬性進行分類，并以空間向量形式表示用戶的興趣偏好，可以很好的表示復雜屬性之間的相關關系，降低運算的維度，同時結合現有的網絡購物平臺，基于用戶的行為軌跡，獲取其對于感興趣的衣服品類，對于用戶日常的瀏覽行為進行興趣度計算，建立用戶興趣屬性進行TOP N排序。

圖1 服裝推薦流程圖Fig.1 Clothing recommendation flow chart

本文通過三層樹裝結構表示用戶喜好的服裝模型，第一層基于用戶；第二層基于用戶屬性標簽，一個屬性標簽可以有多個屬性值；第三層表示某個服裝屬性的具體屬性值，服裝類目之間，服裝的屬性和取值存在一定的差異。由此構建基于用戶的服裝偏好模型：

其中：Ti為第i個服裝屬性；Wi為該服裝屬性在用戶心中的權重；ti為第i個服裝屬性所對應的屬性值；wi為屬性值對應的權重。（流程如圖2所示）

圖2 服裝模型方法Fig.2 Clothing model method

2 結語

以上的方法將用戶模型和衣服模型兩個模型進行綜合考量，給出具體推薦結果既綜合了傳統衣物推薦的算法，解決個人用戶平時購物的需求，同時又結合用戶自有衣櫥，自動進行相同風格的推薦，第三也是本算法的最大亮點就是結合當日的天氣情況進行自有衣櫥的衣服的推薦。