女装搭配推荐系统的设计与实现

甘美辰， 李 敏,2,3

(1. 东华大学 服装与艺术设计学院， 上海 200051； 2. 东华大学 现代服装设计与技术教育部重点实验室，上海 200051； 3. 东华大学 海派时尚设计及价值创造协同创新中心， 上海 200051)

商品推荐是日常最为常见的线上用户服务，而这类“个性化推送”已逐渐变为“垃圾信息轰炸”[1]。究其原因，线上推荐技术基于用户历史数据，针对的往往是消费者已购买产品的类似商品，而非正打算购买的产品。如何挖掘消费者的真实购买需求，为其提供具有针对性、实用性的推荐，是各电子商务平台目前面临的隐形难题。

对于网络服装消费市场而言，重复性购买较少，而对可搭配服装推荐的需求巨大。根据公众号大数据服务商“西瓜数据”提供的数据显示，黎贝卡的异想世界、gogoboi等大批时尚搭配类微信公众号蓬勃发展，目前已拥有百万粉丝；近年来，穿搭类智能产品领域热度递增，如淘宝举办穿衣搭配算法大赛、亚马逊推出穿衣小助手“Echo Look”等；穿衣助手、挖兔美搭等一批时尚搭配类App陆续上线，用户数量与销售额在未进行或进行小范围营销推广的情况下已能实现快速增长。这些情况已明确反映出服装搭配推荐已成为消费者的需求痛点，然而从市场总体来看，此类服务仍处小众范围，尚需更多关注与技术支持。

近年来，部分学者从各类不同角度对服装搭配推荐方式进行了研究。文献[2-3]均基于专家系统构建了服装搭配推荐系统，该系统依据服装搭配知识库为消费者直接推荐成套搭配，但无法依据某一商品推荐其可搭配单品；Ma等[4]通过多模式深度学习模型举例分析了不同设计元素间的可搭配程度，此类搭配方式细致但较为复杂，需要大量搭配图片作为数据库支撑。在服装搭配推荐的市场应用方面，通过对4类电子商务平台(典型购物网站、典型时尚搭配类网站、服装品牌官网与时尚搭配类App)的调研发现，各平台现有的可搭单品推荐方式均为依据已成套搭配好的范例图片进行推荐，大大限制了商品推荐范围，可推荐单品数量极其有限。此外，仅在部分网站中用户可直接点击推荐单品的图片进行购买，加大了消费者的购买难度。综上可看出，目前市场上的服装搭配推荐服务还存在诸多不足，相关研究也存在进一步优化与简化的可能。本文以女装品牌L为案例，采用感性工学和问卷调研来建立服装风格量化模型，利用该模型与女装搭配关联规则构建女装搭配推荐系统，通过服装自身属性为其建立搭配关系而无需建立庞大的搭配数据库，使线上每款在售服装均能实现自动化搭配，扩大其推荐范围并提升其搭配灵活性，为服装企业及电子商务平台提供服装搭配推荐服务的可行性案例参考。

1 服装风格量化模型构建

1.1 服装风格量化

服装风格量化是对服装风格进行量化研究，达到可通过科学手段稳定控制服装风格或客观评价服装风格的效果。本文将依据感性工学理论对服装风格进行量化分析，研究服装风格感性意象与设计要素之间的对应关系，以此构建服装风格量化模型，达到通过分析服装具有的设计要素自动预测服装风格的目的。

1.2 感性工学概述

感性工学[5]以顾客需求为导向，将消费者模糊不明的感性意象量化，以实现产品设计要素与感性意象之间的相互转换，为消费者决策辅助系统和设计人员决策辅助系统提供帮助。

根据研究方法的不同，可将感性工学分为多个类别。本文参考正向定量推论式感性工学的实施程序来进行服装风格量化，其过程可分为3个阶段[6]：1)感性意象形容词与设计要素的挑选；2)服装风格感性意象与设计要素的结合；3)服装风格量化模型构建。

1.3 感性意象形容词与设计要素的挑选

1.3.1 感性意象形容词选择

通过查阅相关文献[7-9]、服装商品介绍、服装相关书籍等方式，广泛收集描述服装风格的感性意象形容词。经筛选后，将语意相近的形容词进行合并，初步选出27对语意相反的形容词。

根据语意差异法理论，形容词对的数量一般在5～15对之间较为合适[10]。本文以时尚商务女装L品牌为研究案例，关注L品牌服装主要风格，邀请了10位L品牌内部服装专业人士作为被试者，从27对形容词中选出5～15对最能表征L品牌服装风格特征的感性意象形容词。通过统计各形容词对被选频率，同时参考各对形容词的描述角度，最终选出6对被选频率最高的形容词作为后续问卷调研的基础，如表1所示。

表1 感性意象形容词对Tab.1 Kansei image adjective pair

1.3.2 评价量表开发设计

语意差异法是感性工学中量化被试者感性意象的基本方法之一。本文选取其7阶尺度量表，根据选出的6对形容词建立服装风格感性意象评价量表，以便后续通过问卷调研的方式对L品牌服装风格进行感性意象偏向度调研。以“职业的—休闲的”为例，各评估值意义如图1所示。

图1 7阶评估尺度中各评估值代表意义Fig.1 Meaning of each evaluation value in 7th order evaluation scale

1.3.3 设计要素选择与细分

款式、色彩、面料是服装的3大要素，三者之间的丰富组合形成不同的服装风格[11]，因此在服装风格量化研究中，选择这3大类设计要素作为研究的基础。

在参考相关文献[12-13]分类方式的基础上，依据L品牌2016—2018年近三年女装主要设计特征，将这3大类设计要素细化分类，并将出现频率少的设计要素类目与其他相近类目合并。列出各细分类目的范例图片作为分类参照标准，以廓形分类为例，如图2所示。

图2 廓形分类范例Fig.2 Classification example of clothing silhouette.(a) H type; (b) A type; (c)X type

将3大类设计要素细分后共计得到10个项目，50个类目，如表2所示。其中对于衣长/裤长/裙长的分类，部分上装(西装、外套、衬衫、套头衫)设定以臀围线为基准，大衣、下装及连身装设定以膝围线为基准，基准线以上为短，附近为中，以下为长。对于色彩的分类，可认为小面积装饰色彩对服装整体风格的影响较小，以服装主体色为准；若一款服装中有多种色彩且面积占比较为接近，则将其一一列出。

表2 设计要素细分表Tab.2 Classification of design elements

1.3.4 样本选取

考虑到春夏季与秋冬季服装的款式、色彩、面料差异较大，同一个设计要素在不同季节对服装整体风格的影响可能有所不同。为尽可能消除此类变量影响，达到最理想预测效果，以某季服装为调研样本预测未来同季服装风格。本文将以L品牌2018年春季服装作为实证样本，对最终所建立的女装搭配推荐系统进行实例验证，因此，此次调研样本将在近几年的L品牌春夏季服装中选取，以尽可能保证调研样本情况与实际运用环境的一致性，消除时间与季节对品牌风格、设计方式的影响。此外，因本文后续研究采用多元线性回归分析法进行数据处理与分析，该分析方法要求样本量应在自变量数目的20倍及以上[14]，根据表2中的设计要素类目数量计算，应选取不低于1 000个样本进行调研。

在L品牌2016年、2017年春夏季服装中随机选取共计1 000件不同款式或同款不同色服装，为其拍摄白色背景下穿着于同一人台上的正面图片，且图片尺寸一致，避免服装以外的因素对被试者主观感受造成影响，以部分品类样本图片(见图3)为例。将所拍摄的服装图片按顺序进行编号，作为此次调研问卷的样本。

图3 调研样本图片示例Fig.3 Examples of investigation sample images.(a)Coat; (b)Suit; (c)Shirt

1.4 服装风格感性意象与设计要素的结合

1.4.1 服装风格感性意象偏向度调研

1)调研工具开发。为方便调研，开发了服装风格感性意象评价系统作为本次调研工具，其界面如图4所示。被试者根据自身对系统界面左侧所显示样本图片的主观感受对各感性意象进行评分，评价完成后点击“下一张”并重复该步骤，依次完成全部实验样本的评价。

图4 服装风格感性意象评价系统Fig.4 Fashion style′s Kansei image evaluation system

2)调研执行过程。参考相关文献[7-8]中类似调研的被试者人数，经综合考虑后选取9位具有服装类专业背景和研究生学历的人士作为本次调研的被试者。

在正式调研前，随机选择了30张样本图片对9位被试者进行预调研，并采用Kendall′s W协同系数法对预调研结果进行分析。结果显示6组风格指标对应的Kendall′s W系数均不低于0.500，表明9位被试者对于6对感性意象形容词的理解认知较为一致[15]。随后于2018年5月24日—6月11日展开正式调研，所回收问卷均为有效问卷。

1.4.2 设计要素与服装风格的关系分析

1)数据有效性检验。选用Kendall′s W协同系数法验证调研数据的有效性。结果显示6组风格指标的渐近显著性均小于0.001，表明被试者对1 000个调研样本的评价不相同，即1 000个调研样本间存在显著性差异，具有统计学意义。各组指标的Kendall′s W系数分别为0.671、0.616、0.590、0.559、0.500及0.515，均不低于0.500，表明9位被试者对服装风格的评分标准较为一致[15]。通过上述检验证实了调研数据的有效性，可作为后续分析和研究的数据基础。

2)数据分析。本文将基于数量化Ⅰ类理论进行数据分析。数量化Ⅰ类理论用于研究一组定性变量x(自变量)与定量变量y(因变量)之间的关系，利用多元线性回归分析来建立二者间的数学模型，最终实现对因变量y的预测。

根据数量化 Ⅰ 类理论[7]，在本文中设计要素为自变量x(定性变量)，服装风格感性意象评价值为因变量y(定量变量)，设共有r个设计要素项目，j为项目序数，k为类目序数，第j个设计要素项目的类目数以cj表示，δi(j,k)表示第j个项目中的第k类设计要素在第i个样本中的表现，并定义x={δi(j,k)}，其中i= 1，2，…，1 000；j=1，2，…，r；k=1，2，…，cj。通过上述设定，即可按下式将定性的设计要素进行重新赋值，转化为以0、1表示的定量变量：

运用多元线性回归建立x、y二者间的数学模型，即可通过分析服装所具有的设计要素实现对服装风格的自动化预测。

将9份调研数据进行汇总，分别计算出6组风格指标下各样本所得的评分均值，即因变量y。分别建立这6组风格指标的回归模型(即建立6个服装风格量化模型)，并编号为模型1*～6*，对这6个模型进行拟合度检验。分析过程中发现，在输入的50个自变量(设计要素)中，H型、中高腰、长、白色这4个设计要素存在严重的共线性问题，在分析过程中被自动排除，故所建立的模型中仅包含剩余的46个自变量。回归拟合过程中的方差分析结果显示，当6个模型均包含这46个自变量时，其显著性概率值均小于0.001，表明自变量对因变量有显著影响，最终的回归模型应包含这46个自变量，且模型拟合效果很好[15]。

表3示出拟合过程小结。可以看出：6个模型的复相关系数R值均接近于1，表明自变量(设计要素)与因变量(服装风格感性意象)间线性关系强；判定系数R2值及调整后R2值均大于0.7，表明建立的模型具有较高预测精度；德宾-沃森统计量均接近于2，达到理想标准[15]。通过绘制散点图、直方图和累积概率图对6个模型进行方差齐性检验与残差的正态性检验，观察所绘制图像可知，6个模型均满足线性与方差齐性的假设，且残差基本服从正态分布，表明6个模型都很好地拟合了原始数据，可以根据这6个模型对服装风格进行预测，所得预测结果具有较高可信度[15]。

表3 拟合过程小结Tab.3 Summary of fitting process

将6个模型的偏回归系数汇总，如表4所示。

由于所有自变量单位统一，可以通过比较偏回归系数大小来判断各自变量对因变量的影响程度[15]，即可以通过比较各设计要素对应的偏回归系数大小来解释其与各服装风格感性意象之间的相关程度。其中正值代表正向感知，如“休闲的”，负值代表负向感知，如“职业的”。该值的绝对值越大，表明该设计要素与该服装风格感性意象之间的关系越密切；当该值接近于“0”时，则表明二者间几乎没有关联。偏回归系数确定了设计要素与服装风格之间的对应关系。

1.5 服装风格量化模型构建

多元线性回归模型为

依据所建立的6个服装风格量化模型，通过确定服装具有的设计要素即可计算出服装风格感性意象评价值，实现了对服装风格的自动化预测，是后续构建女装风格搭配关联规则的基础。

2 女装搭配关联规则构建

2.1 服装搭配规则

服装搭配规则主要分为一般性搭配原则和混搭风格搭配。混搭风格追求打破常规、自由组合的搭配方式，无固定搭配规则，通常需根据具体情况人为操作确定搭配方式；一般性搭配原则主张和谐搭配，规则简单，应用便捷，符合大多数消费人群的审美标准[16]。通过参考L品牌定位、咨询该品牌负责搭配相关工作的工作人员以及结合其官网成套搭配范例图片可得知，L品牌总体定位为时尚商务女装，每季服装根据设计企划又进一步细分为多个风格系列(如艺术的、理性商务的、现代潮流的等)，搭配时一般选择同一设计师的同系列服装建立成套搭配范例，整体搭配风格给人以和谐之感，较少采用撞色等冲击性色彩搭配，因此可认为，L品牌最常用搭配方式遵循一般性搭配原则。本文将从服装自身属性出发，不受设计师和系列分类等对该品牌服装搭配的限制，依据一般性搭配原则构建女装搭配关联规则，对混搭风格搭配暂不作考虑。

一般性搭配原则要求整体搭配协调统一、不会给人过于冲突的视觉感受，其主要因素在于色彩的统一搭配、面料的统一搭配与风格的统一搭配[16]。由于本文所研究的女装搭配推荐系统是以L品牌为例，主要针对品牌线上在售服装进行搭配推荐，而此类服装所属季节大都为当前季节或相邻季节，任意2款服装的面料搭配均能满足面料的统一搭配原则(同类面料相互搭配、同季节面料相互搭配、相邻季节面料相互搭配)[16]，因此在设立女装搭配关联规则时除考虑不同品类间的搭配外，只需考虑色彩与风格的统一搭配。

2.2 女装品类搭配关联规则构建

根据L品牌的品类分类方式，可将该品牌女装分为大衣、西装、外套、衬衫、套头衫、裤子、半裙、连衣裙/连体裤8个品类。因本文遵循一般性搭配原则，即以大众常用搭配方式和审美方式为主，因此参考L品牌及其他女装品牌官网中的成套搭配范例，并在常用服装购物网站(淘宝网、天猫商城、京东等)上分别对这8个品类进行搜索，查看其成套搭配图片，将女装品类常用搭配方式进行归纳，结果如表5所示，并以此作为女装品类搭配关联规则。

表5 女装品类搭配关联规则Tab.5 Collocation rules of women′s clothing category

2.3 女装色彩搭配关联规则构建

参考L品牌的色彩分类方式，可将该品牌服装色彩分为红色系、黄色系、绿色系、蓝色系、棕色系这5类有彩色，以及灰色系、白色、黑色这3类无彩色。对于有彩色而言，色彩的统一搭配主要为同色系配色法、邻近色系(色相环中的相邻色系)配色法2种方式[17]。无彩色不含色彩倾向，只具备明度，最易调和[17]，可认为其与任意色彩相搭配都可呈现和谐配色的效果。其中棕色系因其明度低，与其他色彩并置时对比不强烈，因此可认为它与无彩色一样，与其他色彩皆可进行和谐搭配。

有彩色除上述色相属性外，还具有明度和纯度属性，可统称为色调[17]。目前暂无具体标准对色调进行分类，且统一色调搭配与双色调搭配(如明色、暗色对比组合)均属于和谐配色[17]，可看出在色彩的统一搭配中色相是最主要因素，色调对色彩调和的影响较弱，因此在本文中仅对色相进行区分与搭配。

在进行色彩搭配时可认为，小面积装饰色彩对服装整体色彩结构的影响较小，仅考虑服装的主体色搭配；若一款服装中有多种色彩且面积占比较为接近，则将其一一列出，均作为色彩搭配时参考的一部分。对于内外叠穿的搭配方式，因穿着方式(如系扣、不系扣)不同，其内衣的露出面积也会有所不同，为保证无论何种穿着方式均能表现为和谐搭配，不再对内衣露出的色彩面积大小进行区分，所有情况均遵循上述色彩的统一搭配原则。依照以上规则，可建立8类色彩之间的可搭配关系，如表6所示，并将其作为女装色彩搭配关联规则。

表6 女装色彩搭配关联规则Tab.6 Collocation rules of women′s clothing color

2.4 女装风格搭配关联规则构建

风格的统一搭配以同风格搭配为原则，即2款服装的风格相似度越高，表明其风格越统一，搭配和谐度越高，越符合一般性搭配原则。已构建的服装风格量化模型为这一规则的实现提供支持。基于该模型，只需确定线上在售服装的设计要素即可对所有服装进行自动化风格预测。当消费者选中某款服装时，通过计算该选中服装与其他待推荐服装的风格相似度来匹配风格最为一致的服装，以此依照同风格搭配原则进行服装的搭配。

3 女装搭配推荐系统构建与验证

3.1 研究思路

根据对相关文献[2-4]及4类电子商务平台(典型购物网站、典型时尚搭配类网站、服装品牌官网与时尚搭配类App)的研究可知，现有服装搭配推荐研究和市场服务主要存在3点不足：1)大多为成套搭配推荐而不可针对任一商品进行多个可搭配单品推荐；2)可推荐单品依赖于数据库，使得推荐范围受限；3)消费者不能直接点击推荐单品进行购买。因此本文主要针对以上问题提出解决思路：1)根据服装的自身属性(品类、色彩及风格)进行搭配，无需建立搭配数据库，增加搭配可能性与灵活性，扩大推荐范围；2)设置推荐单品购买链接，使消费者可以直接点击推荐单品进行购买，提高其购买可能性与购买效率。

3.2 系统推荐原理

3.2.1 服装风格相似度计算

在此推荐系统中，选择采用相似度计算来检索风格最相似服装并进行搭配推荐，以满足风格的统一搭配原则。相似度计算用于比较2个事物的相似性，一般通过计算事物特征之间的距离来确定，距离小则相似度大，距离大则相似度小，常选用欧几里得距离公式计算。

3.2.2 推荐过程描述

此系统运用场景是根据消费者所选服装，向其推送搭配协调度最高的在售商品，具体推荐过程如表7所示。

表7 女装搭配推荐过程Tab.7 Women′s clothing collocation recommendation process

3.3 系统构建与界面展示

根据上述推荐原理构建女装搭配推荐系统，界面功能大致模拟线上服装销售平台功能。导入L品牌2018年春季服装图片及所有服装的设计要素属性信息，即可看到系统初始页面如图5所示。用户可通过点击“上一页”、“下一页”来进行商品的浏览，或直接勾选想要购买的品类和颜色进行搜索，若发现心仪商品则可点击该商品进入单品购买页面。在单品购买页面中，当该单品与推荐的可搭配单品同框显示时，更便于用户判断二者的搭配协调度，因此最佳推荐区域应为页面右侧或商品大图下方。此系统的“精选搭配”板块设在单品购买页面右侧，该板块中为系统自动推荐的各品类可搭配单品，每页各可搭品类显示一款推荐。以某大衣类单品购买页面为例，如图6所示。用户可点击“下一页”查看更多搭配推荐，在N页“精选搭配”中所显示的均为搭配协调度较高的单品。若对“精选搭配”中推荐的某款服装有购买意向，可以点击该商品直接进入其单品购买页面。同样，该购买页面右侧也会有相应的“精选搭配”板块。此系统可推荐任一商品的多个可搭单品，搭配推荐范围不受限制，并设置了可搭配单品购买链接，对研究中所发现的问题进行了解决。

图5 系统初始页面Fig.5 System initial page

图6 单品购买页面Fig.6 Product purchase page

3.4 推荐结果验证与系统完善

考虑到本文所研究推荐系统的实际运用场景，采用分类准确度来对推荐结果进行验证，即通过实际调研来计算该推荐系统对用户是否喜欢某个推荐商品判断正确的比例[18]，包含准确率P、召回率R和综合评价F这3个评价指标。其中准确率P表示用户喜欢被推荐商品的概率，召回率R表示用户喜欢的商品被推荐的概率，二者值越高，则表明推荐效果越好。由于这二者存在负相关关联，采用综合评价指标F对其进行同时考察。3个评价指标的计算公式分别为[18]：

式中：Nrs表示推荐正确的商品数；Ns表示推荐列表中商品的总数；Nr表示用户喜欢的商品总数。

选取L品牌2018年春季共386件不同款式或同款不同色服装，为所有服装拍摄白色背景下穿着于同一人台上的正面图片，图片尺寸一致，避免服装以外的因素对被试者主观感受造成影响。将所拍摄的服装图片及所有服装的设计要素属性信息导入系统，准备调研。

根据L品牌目标消费群体定位(职场上的新生力量)，选取了30位25岁左右、购买过或有意向购买L品牌服装的女性消费者进行调研。调研执行过程与系统的实际购买流程相同，即用户选中某一心仪商品并点击进入该商品购买页面后，可看到页面右侧“精选搭配”板块中有可搭配单品推荐。用户通过点击“下一页”直至浏览完N页推荐，在固定某一搭配品类中根据自身喜好选择想要购买的n件商品，并将选择结果以页面序号的形式记录下来。由于此系统的评价结果受到推荐列表长度N的影响，因此参考常用购物网站(淘宝网、天猫商城、京东)的服装类单品购买页面中可与该单品同框显示的推荐商品数量(分别为3～6个、12个、15个)，在此次调研中假设N分别为3、6、9、12、15，并对这5种情景下的推荐结果进行评价和对比，从中选取最佳值。根据评价指标的计算方式可知，在调研中N的实际取值需大于15。为减少被试者负担，取N为20，即仅向被试者展示“精选搭配”板块的前20页。

对调研结果进行统计分析，30位被试者在固定品类的20件推荐商品中选择购买的平均商品数量为11件，其推荐结果评价均值如表8所示。

表8 推荐结果评价均值Tab.8 Average of recommended results

由表8可知，当推荐列表取不同长度时，各评价指标值都在合理区间内。当N取最小值3时，准确率有最高值78.9%，即推荐列表中78.9%的商品都是用户感兴趣的；当N取最大值15时，召回率达到最大值87.0%，表明87.0%的用户感兴趣的商品都包含在推荐列表中；当N取12时，综合评价指标可得最大值74.4%，表明此时推荐效果最好。通过上述分析可知，在不同推荐列表长度下，3个指标都有各自较好的表现，表明该推荐系统能够有效推送用户喜欢的商品，且推荐结果的准确度较高。且此运用场景中，在系统构建中设置N为12时推荐效果最好，即依据Top-N方法将各品类中风格相似度最大的12件商品推荐给用户，也即在任一单品购买页面中，使用户共可浏览12页“精选搭配”内容。由此对系统进行完善，以达到最佳推荐效果。

3.5 用户评价

从调研所选取的30位被试者中选择了3位，通过访谈形式了解她们对该系统的使用感受与主观评价。这3位受访者购买L品牌服装的数量、频率较为突出，在调研中其推荐结果评价也表现较好，表明她们对系统的接受度和对推荐商品的购买意愿度较高，且对该系统的主观评价也较为一致，可认为这3位受访者的评价具有一定可信度。3位受访者的评价内容可归纳为4点：1)该系统适合不善于搭配的消费者，可为其提供多种搭配参考；2)为时间紧迫或疲于从众多商品中挑选可搭配服装的消费者提供了更精准的选择范围，降低其时间成本；3)所推荐的可搭配单品可直接点击购买，方便快捷；4)由于该系统遵循一般性搭配原则，对于追求个性化风格的消费者，该系统的搭配推荐可能难以满足其全部需求。

由上述总结可知，所构建的女装搭配推荐系统已能基本满足消费者对于服装搭配推荐服务的需求，也能够为其提供一定程度上的便捷。在服装搭配规则方面，则还存在进一步优化的空间。

4 结 论

本文以L品牌为研究案例，依据感性工学量化流程构建了服装风格量化模型，在该模型与女装搭配关联规则的基础上，构建了女装搭配推荐系统，旨在为消费者选购服装时提供搭配建议，并通过实际调研证实了该系统能够有效推送用户喜欢的商品，在一定程度上满足用户对服装搭配服务的需求。此系统与调研中的4类电子商务平台相比，其优势与特点主要为以下4方面：1)为消费者提供更精准的选择空间，提升购买效率；2)可随时为不善于搭配的消费者提供任意一件在售商品的搭配参考；3)可以通过点击推荐单品直接进行购买，操作便捷，易产生连带购买效应；4)相较于各电子商务平台的现有搭配推荐服务而言，具有更多的搭配可能性，推荐品类和款式丰富，搭配方式更灵活。

根据该系统的设计目的与特点总结，可按其设计思路重新进行构建，并将其运用于服装品牌官网或购物网站(如淘宝网等)中，以期达到以下效果：1)作为商家的线上服务特色，为用户带来更好的消费体验，增强企业竞争力；2)将该系统与库存数据、销售数据等相关联，为用户推荐搭配款的同时增加滞销款曝光机会，带动滞销款销量，降低库存，同理也可作为主推产品的辅助销售工具，提升销售业绩。此外，也可将此系统与实体店铺相结合，通过显示店内商品的多种搭配方式，为产品陈列及导购推荐服务起到一定的参考作用。在实际运用中，可以扩大样本容量、按需增加服装设计要素与服装风格类别，使其能运用于更多元化的场景中。