基于综合因素的服装智能推荐算法研究

唐国城，房正华，李广源

（青岛工学院 信息工程学院，山东 青岛 266300）

0 引言

随着科技的发展与迭代，时代已经从信息互联转变到了万物互联。信息互联改变了交流方式，万物互联将改变人们的生活方式包括人们的购物行为，淘宝、京东等网上购物平台已推广到了广大农村，要从成千上万的商品中找到了自己满意的商品，不能仅靠个人搜索，个性化推荐系统起到了很关键的作用。由此带来的优质的线上购物体验成就了数字化时尚服装行业的快速发展。

这种推荐有一个弊端就是它是从静态角度，或者依据浏览购买记录等进行推荐，而无法满足用户私有衣橱的动态推荐。时尚服装设计师可以对个人已有的衣物的对服装的搭配进行推荐，数字化时尚服装设计衣橱可以将时尚服装设计师的经验进行数字智能化，并根据当日天气、特殊场合等各种综合因素进行衣物推荐。本文即是根据以上需求，进行模型构建，完成相关算法设计。

现有推荐算法各有优缺点：基于关联规则的推荐算法得到的结果比较容易理解，但运算耗时，无法快速反应实时推荐；协同过滤是推荐算法中最成功的算法，可以推荐复杂的非结构化的对象，但随着用户增多，推荐性能不断提升，对数据的依赖性增强，存在冷启动问题；基于内容的推荐算法可以很好地解决冷启动问题，但缺点是会受到推荐对象特征提取能力的限制。

1 服装穿搭智能推荐策略

服装个性化推荐核心是用户，传统的时尚服装搭配往往是由造型师或者专家从主观、衣物的风格以及所服务对象所出现的场合所给出的搭配方案，对于细粒度的指标无法定义，时间和经历也花费较大。由此个性化推荐系统应运而生，其基于传统的人工推荐，结合现如今比较热门以及稳定的智能推荐技术，从用户自身角度出发，进行专业的推荐。个性化的服装智能推荐系统主要由服装模型、用户模型及推荐算法组成。为了实现服装模型和用户模型之间更好的匹配，本文从影响用户穿衣的几个角度出发，将天气、风俗、出行场合、用户个人偏好四个因素相结合，通过四个方向，拟合出核心的个性化推荐的用户模型与服装模型，通过推荐算法，将服装模型与用户基本模型结合，完成基于用户自身行为的个性化推荐。

1.1 用户模型

用户模型是服装个性化推荐模型的核心。用户是多样化的，首先第一步需要基于外部因素如天气、风俗以及出席场合生成用户基本共性模型，什么天气下适合什么样的服装，某一些地区特别的风俗习惯导致的穿衣风格的变化以及出席场合所对服装的影响都是共性的一些特征模型。基于用户的基本信息如身高体重等，通过对于天气数据与服装数据的对应，常见风俗习惯对于服装穿搭的影响特点以及常见场合下合适的、大众认同的服饰的模型提炼，完成基础共性模型。基于客户端与用户交流，可通过多方面的用户反馈，收集用户服装风格个人喜好。用户喜好的全面获取以及合理的描述，将直接决定个性化推荐的效率以及质量。

1.2 服装模型

通过用户模型，结合层次向量法，采用树型结构对服装属性进行分类，并以空间向量形式表示用户的兴趣偏好，可以很好的表示复杂属性之间的相关关系，降低运算的维度，同时结合现有的网络购物平台，基于用户的行为轨迹，获取其对于感兴趣的衣服品类，对于用户日常的浏览行为进行兴趣度计算，建立用户兴趣属性进行TOP N排序。

图1 服装推荐流程图Fig.1 Clothing recommendation flow chart

本文通过三层树装结构表示用户喜好的服装模型，第一层基于用户；第二层基于用户属性标签，一个属性标签可以有多个属性值；第三层表示某个服装属性的具体属性值，服装类目之间，服装的属性和取值存在一定的差异。由此构建基于用户的服装偏好模型：

其中：Ti为第i个服装属性；Wi为该服装属性在用户心中的权重；ti为第i个服装属性所对应的属性值；wi为属性值对应的权重。（流程如图2所示）

图2 服装模型方法Fig.2 Clothing model method

2 结语

以上的方法将用户模型和衣服模型两个模型进行综合考量，给出具体推荐结果既综合了传统衣物推荐的算法，解决个人用户平时购物的需求，同时又结合用户自有衣橱，自动进行相同风格的推荐，第三也是本算法的最大亮点就是结合当日的天气情况进行自有衣橱的衣服的推荐。