[发明专利]一种基于图模型的服装搭配推荐方法

说明书

本发明公开了一种基于图模型的服装搭配推荐方法，涉及服饰搭配推荐技术领域，包括以下步骤：收集多组服饰数据；对多组服饰数据进行预处理，将服饰数据中的数值型数、文本、图片等转换为结构化数据，获得数据集；根据数据集构建服饰搭配图模型；根据图模型构建多个特征模型；对多个特征模型进行加权组合并建立多模态打分模型；通过深度学习的优化算法对多模态打分模型中的参数进行训练并输出推荐模型，根据推荐模型进行服饰搭配预测。本发明能够根据穿着者的自身形象、气质、出席场合，以及穿着偏好等方面出发，推荐适合款式、颜色的服饰搭配方案供用户选择。

技术领域

本发明涉及服饰搭配推荐技术领域，特别是涉及一种基于图模型的服装搭配推荐方法。

背景技术

服饰与人们的生活密不可分，随着现代服饰行业的发展，服饰种类和品牌不胜枚举，导致服饰数据迅速增长，但是海量的服饰数据也使得用户在检索和搭配的需求日益增加。一套合适的服饰可以提升一个人的美丽和展示个性。然而，并不是每个人都有很强的时尚敏感度。“我在出席一个聚会时怎样穿一套合适又漂亮的衣服？”已经成为许多人每天头疼的问题。它不仅包含了一个清晰的时尚兼容性概念，需要理解人类创造力和时尚专业知识之间复杂的相互作用，而且还考虑了经济因素对服饰搭配的影响。

服饰搭配技术可以帮助用户快速找到自己的衣服。随着深度学习的发展，服饰搭配问题可以得到更好的解决。然而，我们仍然面临一些挑战。第一个挑战是如何设计合适的特征，因为合适的特征表示是服饰模型兼容性的关键。此外，大多数复杂的关系是在多个衣服与配饰之间，因为整套服饰中某件衣服与它的前项和后项衣服都有关系。因此，充分利用整套服饰中各元素之间的复杂关系是服饰搭配的关键。然后，服饰的价格因素、其他人穿着的情感倾向、用户自身的偏好、以及与服饰相匹配的出席场景等因素，是以往的研究所没有综合考虑的。

发明内容

本发明实施例提供了一种基于图模型的服装搭配推荐方法，可以解决现有技术中存在的问题。

本发明提供一种基于图模型的服装搭配推荐方法，包括以下步骤：

收集多组服饰数据；

对多组所述服饰数据进行预处理，将所述服饰数据中的数值型数、文本、图片等转换为结构化数据，获得数据集；

根据所述数据集构建服饰搭配图模型；

根据所述服饰搭配图模型构建多个特征模型；

对多个所述特征模型进行加权组合并建立多模态打分模型；

通过深度学习的优化算法对所述多模态打分模型中的参数进行训练并输出推荐模型，根据所述推荐模型进行服饰搭配预测。

优选的，每组所述服饰数据均包括图片数据、文本数据、价格数据、情感数据、行为数据和场景数据。

优选的，对多组所述服饰数据进行预处理得到数据集具体包括以下步骤：

使用深度卷积神经网络提取图片数据的深层视觉特征信息；

使用长短期记忆网络和注意力机制模型提取文本特征信息；

对数值型数据进行格式转换，之后进行归一化处理获取价格特征；

使用Transformer模型提取文本情感特征信息；

使用机器学习方法提取用户行为特征信息；

将提取的视觉特征、文本特征、价格特征、情感特征、行为特征分别映射到统一的空间模型中，映射方法的计算公式为：

式中，r_i为第i个特征的潜在空间的特征表示，为线性映射矩阵，f_i为服饰的i个特征。