论文部分内容阅读
随着互联网行业的高速发展,互联网在中国越来越普及,越来越多的人选择网上购物。其中,服饰行业占据非常大的市场份额,而且服饰行业对服装搭配问题比较关注,大多数用户不懂得如何进行服装搭配,在线购买服装过程中非常需要一个服装搭配专家来进行建议。本文针对以上需求试从机器学习的角度构建服装搭配推荐算法来代替服装搭配专家为用户提供专业化的服装搭配建议。本文从服装文本描述数据、服装图像数据、用户购买行为数据以及专家给出的搭配数据入手,对服装搭配问题进行分析,主要对上下衣服装搭配推荐问题进行研究。针对专家给出的服装搭配信息,本文借鉴协同过滤的思想提出了服装搭配协同推荐算法,其可以挖掘更多的服装搭配组合,经测试表明本文提出的服装搭配协同推荐算法效果较好。针对服装文本描述数据构建了向量空间模型来表示服装,然后通过计算相似度来进行服装搭配预测。针对用户购买行为数据,本文通过关联规则挖掘服装搭配模式。本文着重对基于卷积神经网络的服装搭配算法进行了研究,提出了 TCNN-GBT模型,应用深度卷积神经网络来挖掘服装图像深层次的信息,将服装搭配问题转化为二分类问题。利用了迁移学习的思想,将在ImageNet上训练好的深度卷积神经网络模型迁移到服装搭配领域,对网络参数进行微调,在迁移学习后的模型基础上加入了 GBTree算法继续进行监督学习训练。同时,本文在原有GBTree算法的基础上进行了改进,提出了一种新型的目标函数,对算法改进进行了理论分析与实验验证。实验测试结果显示本文提出的TCNN-GBT模型效果较好。最终,本文对多种服装搭配算法的融合策略进行了研究,结合瀑布型融合方法与监督学习融合方法提出了服装搭配混合推荐算法。实验测试结果显示服装搭配混合推荐算法较单独的算法有一定提高。