基于注意力机制和图神经网络的服装推荐系统设计与实现
这是一篇关于服装推荐,注意力机制,图神经网络,服装搭配的论文, 主要内容为随着网络技术的发展和人们日益增长的物质需求,新消费时代下大多数人选择网上购买服装。但网上的服装数不胜数,消费者如何快速准确地找到喜欢的服装是一项新的挑战。服装推荐正是解决这个问题的有效方法。目前的服装推荐系统大多方法单一且很少考虑搭配功能,已无法满足用户的个性化需求。基于此,本文研究并设计实现了基于注意力机制和图神经网络的服装推荐系统,主要内容如下:(1)提出了一种基于注意力机制和类别信息的服装组推荐模型CGAC,本模型的研究单元为服装组,即多件服装为一组。通过相关性矩阵学习一次购物行为的内部关系,通过循环神经网络学习多次购物行为之间的外部关系,基于多意图注意力机制模拟用户的真正购物意图,利用服装类别信息学习用户的长期稳定类别偏好和客观因素影响的不同偏好,最后使用注意力机制调整特征权重。该模型在淘宝数据集上进行实验,有效提升了召回率、F1、HLU三个评价指标。(2)提出了一种基于图神经网络和目标关注的单件服装推荐模型CGTA,本模型的研究单元为一件服装,针对用户每次想购买一件服装的场景,利用会话图和全局图两种图神经网络结构来对序列化的用户历史购物行为进行编码和学习。同时,使用目标关注机制来激活用户特定的服装偏好。该模型在淘宝和POG两个数据集上进行实验,有效提升了召回率和MRR两个评价指标。(3)提出了 一种基于多模态和流行度的个性化服装搭配模型PCMP,本模型旨在为用户选定的某件上衣,搭配出最合适的下装。通过服装的视觉信息和文本信息计算上衣和下装的搭配度,结合用户购买下装的历史记录了解其对下装的喜爱偏好,并分别从时间、频率和热词三个角度掌握服装的流行度信息,以实现个性化搭配。该模型在IQON3000数据集上进行实验,有效提升了 AUC评价指标。(4)最终实现并测试了基于注意力机制和图神经网络的服装推荐系统,该系统综合利用了 CGAC、CGTA、PCMP三个模型,分别为用户提供了三种应用场景:一次购买多件服装、一次购买单件服装、服装搭配。
服装设计虚拟搭配系统的设计与实现
这是一篇关于虚拟搭配,服装搭配,服装建模,人体建模的论文, 主要内容为近年来,计算机技术特别是因特网技术的兴起与发展,服装行业也逐渐因为实际的需求——追求效率、新工艺实现需要等等,将计算机纳入服装、生产等环节。因此,在信息时代,服装同其他行业一样进行着深远的改革,从由传统的纸、笔进行绘图,到利用计算机各种软件辅助进行设计,这既需要抽象的艺术与实际的技术结合,也需要理性的技术条件与感性的情感相互作用,这就是服装的未来趋势。在分析当前形势后,本文针对国内外服装虚拟搭配系统的研究现状,进一步研究了服装虚拟搭配系统的构建,设计并实现了人物虚拟建模、服装虚拟建模、配件虚拟建模的功能,根据现有的服装虚拟搭配系统的缺陷,结合实际需求制定了一款更加成熟的服装虚拟搭配系统。本文通过需求分析,对服装虚拟搭配系统的过程进行了详细分析,构建了系统功能框图、系统架构图、样式定制流程图、数据库表等,对服装虚拟搭配系统模块进行设计,描述了服装虚拟搭配系统整个的程序框架。对主要的服装和人像设计部分进行建模,阐述了它们的建模方法以及在本系统中如何应用。在完成了服装设计虚拟搭配系统的设计之后,介绍了浏览器调用服装模型与人像模型,在系统平台上的实现,系统提供了服装建模、人体建模、服装结合人体虚拟搭配功能,并展示了系统截图,进而对系统进行了功能测试。对测试用例与测试结果进行了介绍。本文研究设计开发一个能为使用者提供真实帮助的服装设计虚拟搭配系统,本论文设计的系统可将服装设计中的不同搭配方式进行展示,方便应用于服装展示、销售等环节,如销售过程中可通过系统,利用计算机三维立体技术,系统使用者将人体的详细数据进行上传,如身高、各部位尺寸、年龄以及所选服装的种类等信息上传到系统后台数据库,系统根据其所设置的分类方法,通过终端进行计算,得出顾客的形体特征后将使用者所选服装类型进行展示,使用者最终在系统输出界面上查看到所选服装最终的穿着直接效果,从而可以按照自己的喜好任意选择最适合、最满意的服装。
基于深度学习的服装搭配智能推荐系统
这是一篇关于服装搭配,深度卷积神经网络,特征提取,Mask-RCNN,DeepFashion2,Siamese,ResNet的论文, 主要内容为随着生活的不断提高,穿暖已经远远不能满足大众的要求,如何穿出合适的搭配以及在不同场景下如何进行穿搭已经成为目前大众追求的目标。随着现代服装行业的发展,庞大的服装产品数量使得消费者很难选出合适的搭配,而传统的搭配方法大多为线上专家推荐或者服装搭配库给出推荐。由于服装图像的特殊性,服装款式和风格很难被考虑到。而人工智能的发展给服装搭配提供了很好地思路和方法,卷积神经网络可以更好的提取服装的款式风格以及更多不被人明显察觉的特征,可以更好的做出搭配推荐。服装智能搭配作为新兴产业,有重大的研究意义,传相比于传统的服装搭配,本文针对服装款式和风格的多样性和复杂性,提出了基于Siamese和深度哈希的服装搭配方法,使用深度卷机网络进行服装图像的处理,将服装图像向量化进行搭配,在搭配上尽可能的根据提取出的服装图像语义特征给出推荐,论文主要对服装图像的识别和分割,服装特征的提取以及服装的上下装搭配进行了研究。首先,在Deep Fashion2训练集上训练一个Mask-RCNN网络进行服装的识别与分割;然后将处理好的上下装图像输入进Siamese网络中,上下装分别使用Res Net进行服装的特征提取,其中特征包括颜色、风格和服装姿态等;之后将提取的特征向量化,通过哈希层进行处理,产生服装的哈希码;最后通过计算上下装的汉明距离,采用查询扩展的方法完成服装的搭配。模型采用基于Siamese网络结构的训练方法,使哈希码尽可能的保留服装图像的语义信息。在上述的模型基础上,使用自建的街拍-秀场数据集进行验证,实验表明,本文方法在哈希长度为16时,上下装的搭配可以有更好的准确率,提高了服装搭配的准确性,适用于日常的服装搭配。
双向记忆神经网络在多因素智能搭配系统中的研究与应用
这是一篇关于深度学习,特征提取,特征融合,服装搭配,双向长短记忆神经网络的论文, 主要内容为国民生活水平的提高,使得人们对于服装的追求已经不再停留在舒适和暖和的阶段,时尚的多样化激发了人们在服装搭配上更多的想象力。目前,服装行业日渐庞大,线下购物的试穿体验和线上购物的便捷,都能激发消费者的消费欲望。电商服务平台为了保持用户粘性,在用户购买或浏览了服装后,会定制个性化推荐,根据用户偏好精准推荐,于是就自然的提高了平台的浏览量和成交量,用户也会在这些合适的推荐下“冲动消费”。久而久之,用户会陷入“断舍离”过于浪费和不进行断舍离会导致服装难以管理和搭配的两难境地中,因此对服装的管理和搭配的研究是有意义的。本文根据深度学习在图像计算和图像融合的应用背景下,将深度学习的特征融合技术和时间序列模型应用在服装搭配上,深入探究了服装搭配任务,完成了基于用户服装的服装搭配平台的搭建。针对仅使用图像进行服装搭配难以适配不同场景和风格,以及服装搭配需要顾全服装整体风格的情况,本文有以下两个创新点:(1)提出图像-文本的特征融合模块,用以弥补仅使用单一特征带来的缺乏灵活性的问题,图像特征的提取使用Inception V3网络,文本特征以BOW模型编码,特征融合模块将不同维度的特征融合在一起,在加强网络的表征能力的同时提高服装搭配与用户需求匹配度;(2)以Bi-LSTM作为服装搭配网络建模的主干网络,在正向和逆向两个方向上将服装单品视为时间节点,优化一套服装中单品之间相互的相容性。设计的损失函数综合考虑双向的时间序列网络和特征融合模块,从整体上提高网络搭配的精准度。实验结果表明,双向LSTM相比于单向的LSTM,训练得到的模型准确率更高,且使用了特征融合模块比单一的图像特征有更高的适应性和准确性。本文编程实现了基于用户服装的服装搭配系统,系统主要分为服装管理模块和服装搭配模块,服装管理模块解决了用户服装杂乱,难以统计的问题,服装搭配模块解决了用户服装搭配的问题,在服装搭配模块中,为适应环境采用候温划分法确定当前的季节。服装搭配算法是在基于Python语言的Tensorflow框架中实现,使用Spring Boot和Vue完成用户交互、服装上传等功能,持久化层使用My SQL实现存储。文章所设计的服装搭配系统不仅能够帮助用户管理服装,还能根据用户拥有的服装给出合理的服装搭配。
基于注意力机制和图神经网络的服装推荐系统设计与实现
这是一篇关于服装推荐,注意力机制,图神经网络,服装搭配的论文, 主要内容为随着网络技术的发展和人们日益增长的物质需求,新消费时代下大多数人选择网上购买服装。但网上的服装数不胜数,消费者如何快速准确地找到喜欢的服装是一项新的挑战。服装推荐正是解决这个问题的有效方法。目前的服装推荐系统大多方法单一且很少考虑搭配功能,已无法满足用户的个性化需求。基于此,本文研究并设计实现了基于注意力机制和图神经网络的服装推荐系统,主要内容如下:(1)提出了一种基于注意力机制和类别信息的服装组推荐模型CGAC,本模型的研究单元为服装组,即多件服装为一组。通过相关性矩阵学习一次购物行为的内部关系,通过循环神经网络学习多次购物行为之间的外部关系,基于多意图注意力机制模拟用户的真正购物意图,利用服装类别信息学习用户的长期稳定类别偏好和客观因素影响的不同偏好,最后使用注意力机制调整特征权重。该模型在淘宝数据集上进行实验,有效提升了召回率、F1、HLU三个评价指标。(2)提出了一种基于图神经网络和目标关注的单件服装推荐模型CGTA,本模型的研究单元为一件服装,针对用户每次想购买一件服装的场景,利用会话图和全局图两种图神经网络结构来对序列化的用户历史购物行为进行编码和学习。同时,使用目标关注机制来激活用户特定的服装偏好。该模型在淘宝和POG两个数据集上进行实验,有效提升了召回率和MRR两个评价指标。(3)提出了 一种基于多模态和流行度的个性化服装搭配模型PCMP,本模型旨在为用户选定的某件上衣,搭配出最合适的下装。通过服装的视觉信息和文本信息计算上衣和下装的搭配度,结合用户购买下装的历史记录了解其对下装的喜爱偏好,并分别从时间、频率和热词三个角度掌握服装的流行度信息,以实现个性化搭配。该模型在IQON3000数据集上进行实验,有效提升了 AUC评价指标。(4)最终实现并测试了基于注意力机制和图神经网络的服装推荐系统,该系统综合利用了 CGAC、CGTA、PCMP三个模型,分别为用户提供了三种应用场景:一次购买多件服装、一次购买单件服装、服装搭配。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:毕设导航 ,原文地址:https://m.bishedaima.com/lunwen/47971.html