服装领域知识图谱的研究进展

贡沁茵, 李小辉,b

(东华大学 a.服装与艺术设计学院; b.现代服装设计与技术教育部重点实验室,上海 200051)

服装领域随着人工智能的发展逐渐趋向智能化,但在制版、生产等领域还是大量依靠人力,而知识图谱的运用能够进一步推动服装领域的数字化进程。知识图谱(Knowledge Graphs,KGs)作为人工智能的核心技术之一,在众多领域得到了广泛的应用。知识图谱在2012年由Google率先提出[1],最初用于智能化谷歌搜索引擎。知识图谱的本质是揭露实体之间关系的语义网络[2],通过节点之间的关系,以图谱的形式揭示基础知识中的隐含动态结构信息。通常知识图谱的表达方式是〈实体,关系,实体〉或者〈实体、属性、实体〉,也可用形象化表示方法,即G=(E,R,S)[3]。基本的知识图谱构建方法有两种：自顶向下和自底向上[4]。KGs通常包括知识表示[5]与建模、知识获取[6]、知识融合[7]、知识图谱查询,此外知识图谱补全(Knowledge Graphs Completion,KGC)和关系抽取(Relation Extraction,RE)是两种知识图谱的扩展方法[8]。在知识图谱的基础上,知识推理[9]、知识图谱嵌入[10]、知识应用[11]等内容成为新的研究热点。伴随着人工智能、大数据的发展,知识图谱被广泛应用于推荐系统[12]、智能问答[13]和信息安全[14]等领域中。同时包括学术领域中的多学科知识图谱[15]、专利知识图谱[16],以及运用CiteSpace构建的文献知识图谱[17]、计算机领域的机器人操作知识图谱[18]。

服装领域可以分为服装商品企划、服装款式设计、服装结构设计、服装工艺设计、服装样衣制作、服装生产制造、服装营销等。在服装领域构建知识图谱不仅可以完善服装领域的知识体系,还可以为人工智能、知识推理等智能化知识应用提供数据支持,加快服装领域的数字化进程。目前所应用到服装知识图谱的有服装设计资源、服装搭配、服装智能制造、服装个性化推荐、服装领域文献可视化等,其中大部分集中于服装个性化推荐领域,而对于服装结构设计、服装工艺等方面有所忽略。服装领域的知识图谱在构建上也存在一定难度,服装纺织领域知识庞杂,在构建专业领域的知识图谱时,需要对专业知识十分了解,为此,有学者为更高效构建服装知识图谱提出了一种基于众包模式与区块链技术的知识图谱拓展方法[19]。

本文综述了知识图谱在服装领域的研究进展,包括服装设计类、服装生产管理类和服装营销类知识图谱,分析其功能及涉及知识图谱构建的关键技术,并对未来服装知识图谱的研究方向提出了展望。

1 服装设计类知识图谱

服装设计包括了服装款式设计、服装结构设计,以及服装工艺设计等,目前服装设计类的知识图谱包含服装设计文献分析、服装设计资源、服装搭配知识图谱等,对于服装结构设计中的规格尺寸、人体与部件关系、制版参数及工艺设计等方面缺少深入的研究。

基于知识图谱的文献分析研究能够分析目前服装领域的研究热点、研究进展等。运用传统的文献计量法和CiteSpace可视化软件对服装设计相关文献进行分析,可以研究当前服装设计领域的研究现状及未来的研究热点[20]。

在构建知识图谱之前,首先要进行知识获取及分类,从大量资源中提取关键信息并且进行分类十分重要。有学者提出了一种多视角分类模型[21],从装饰工艺文本中提取特征词,减小负相关特征词的影响,从而对服装工艺装饰文本进行智能分类,为构建服装设计资源知识图谱做铺垫。图1为服装装饰工艺文本资源的预处理过程。

图1 服装装饰工艺文本资源的预处理过程Fig.1 Preprocessing process of clothing decoration process text resources

在获得大量的知识资源后,需进行知识抽取[22],即从非结构化的数据库中抽取对知识图谱有价值的部分,并且将抽取出来的知识转化为结构化知识存入知识图谱。有学者构建了少数民族服饰文化知识图谱[23],使用Bi-LSTM+CRF模型对数据进行实体抽取,并将该模型与双层注意力机制结合用于关系抽取,最后将知识保存到Neo4j图数据库中。在知识图谱的基础上增加语义支持,构建语义检索模型,最终建成少数民族服饰文化检索平台。另外,Zhu等[6]以知识点获取为出发点,构建了服装知识图谱的概念层,并研究了一种基于服装领域知识图谱的实体自动提取方法。在构建的过程中,从非结构化服装数据中进行命名实体识别和提取,旨在构建一个高质量的服装知识库,对未来构建服装设计等知识图谱的研究具有重要意义。

知识图谱的构建有助于增强模型效果,一个基于时尚图谱增强的个性化服装兼容性建模,首先构建了一个时尚图谱,不仅包括了实体之间的协同关系,同时引入了交互关系和从属关系;在时尚图谱的基础上构建个性化服装兼容性模型,包括一阶交互建模模块和协同的高阶交互建模模块,通过时尚图谱增强模型的效果[24]。本文所涉及的核心技术即知识图谱的嵌入,知识图谱的嵌入[25]是有向图的矢量表示,实现了对实体和关系的分布表示,可高效地实现语义相似度计算等操作,显著提升计算效率。

除此之外,Zheng等[26]基于多模态聚类网络理论,提出了一种特征与模板多重融合的三维服装设计资源知识图谱。通过将三维的关节点位置投影到平面的坐标轴中,从而构建三维服装资源知识图谱,以此强化3D服装设计系统的实用性。

目前,学者们所研究的服装设计类知识图谱不仅可以将设计资源结构化,辅助设计师进行设计,还可基于此建立模型,起到增强模型效果的作用。但针对服装结构设计方面的知识图谱有所忽略,虽然服装CAD技术、参数化制版大幅提高了制版效率和准确度[27-28],但服装制版仍需进一步趋于数字化、智能化,其中运用到人工智能、机器学习等技术,为提升制版精度和准确度,知识图谱必不可少。

2 服装生产管理类知识图谱

服装生产管理领域涉及服装生产有关的生产管理要素管理、生产计划管理、技术管理、质量控制等[29]。在服装生产智能化的过程中,需要用到知识图谱技术加以辅助,将生产过程中的大量数据进行融合,以及将生产环节的各个流程联系起来等。

知识图谱在智能制造中的应用包括基于知识图谱的过程监控、基于知识图谱的质量分析、基于知识图谱的故障分析、基于知识图谱的人机协同交互、基于知识图谱的智慧工厂等。其中,基于知识图谱的质量分析是通过知识图谱建模了生产过程中的各个工序及之间的关系;基于知识图谱的智慧工厂可以实现设备、人员、资源的统一管理,加强作业单元之间的联系等。

为了将服装生产中的动态数据相融合,有学者基于服装定制的特点,建立了服装定制生产的知识图谱[30],研究了面向服装定制生产的知识表示、生成、挖掘与推理,并且基于知识图谱设计了服装定制生产流程动态数据融合方法。在正式构建知识图谱前首先要进行本体构建,即知识建模,知识建模的过程就是对本体库[31]构建的过程,将知识图谱中的实体属性抽象成概念,以此规范数据层中实体的表现形式。首先将过程、资源与特征作为本体进行知识建模,然后进行知识图谱的构建。其中采取了自顶向下、自底向上及双向融合的方法来构建知识图谱。然后在知识图谱的基础上进行知识表示[32]、知识推理[33]的研究,最终实现服装定制生产流程动态知识融合。图2为自顶向下的服装定制生产知识图谱构建方法。

除此之外,知识图谱还可以运用于服装生产领域科学文献的可视化分析。首先对服装领域的文献进行数据收集,然后利用CiteSpace软件进行关键词共现,分析服装纺织领域的研究热点、研究前沿等。目前有学者基于CiteSpace软件,对中国服装数字化研究时空分布、知识主体分布、研究前沿等进行了较为深入的研究,总结了国内服装数字化技术研究的体系结构[34]。通过知识图谱了解服装研究热点、研究前沿,进一步提出服装智能化制造的发展方向。

图2 自顶向下的服装定制生产知识图谱构建方法Fig.2 Top-down construction method of clothing custom production knowledge graph

由于服装行业在中国具有体量大、范围广和领域深的特点,在知识图谱构建的过程中存在一定的难度,知识抽取、知识融合等过程需要花费大量的时间,因此,将知识图谱应用到服装生产领域还需要提高数据融合的效率等。

3 服装营销类知识图谱

知识图谱在服装营销领域已经有一定的发展,尤其是在个性化推荐方面,故本文将重点分析服装个性化推荐服装知识图谱的构建方法等核心技术。

随着消费者个性化需求的增加,推荐系统逐渐[35-36]发展。该系统能够根据用户需求推荐商品,促进消费。为了能够提高服装推荐的效率,更好地满足消费者的购物需求,学者们构建了关于服装个性化推荐的知识图谱。

在过去的服装推荐系统中,学者们主要专注于从大量的历史数据中获取用户的喜好,忽略了服装与用户之间的关系及用户的环境因素。Wen等[37]构建了用户知识图谱、服装知识图谱和环境知识图谱,并且通过Apriori算法捕捉服装属性和环境属性之间的关系,从而根据用户的需求匹配已建立的知识图谱,推荐与用户收藏最相似的服装。但其中皆为人工构建知识图谱,需耗费较多的时间精力,在未来的研究中可以考虑从文献中自动提取。

为了解决传统服饰领域推荐系统数据稀疏和冷启动的问题,有学者以服装搭配为切入点,构建服装服饰领域的知识图谱[38]。同样利用Apriori算法来挖掘数据中的关联信息,然后通过实体对立、实例填充,最终完成知识图谱的构建,通过已构建的服装服饰知识图谱,利用SpaeQL语句进行商品查询,并在Jena推理机进行规则推理,得到最终推荐查询结果。该文基于知识图谱提出的推荐系统相较于传统的协同过滤的推荐方法能够结合天气情况,同时考虑到用户与推荐系统的交互性,从而更好地为用户提供个性化推荐。

电子商务的快速发展使得消费者难以在海量的信息中找到自己所需要的,针对上述问题,有学者构建了一种服装推荐知识图谱[39],如图3所示。并且基于服装推荐知识图谱设计了语音问答流程,开发了一款语音问答系统。首先确定服装推荐规则体系,然后进行实体关系补充,最后采用Neo4j存储节点之间的关系,在构建知识图谱的基础上进一步提出了服装个性化推荐方法。

图3 服装推荐知识图谱局部结构Fig.3 Clothing recommendation knowledge graph local structure

为探究如何有效建模,Zhan等[40]构建了一个属性感知时尚的知识图谱来捕捉服装之间的关联性,未来将尝试服装搭配领域的知识图谱构建。其主要贡献集中在捕捉服装之间的关联,精准捕捉用户对服装的兴趣和品位,并为偏好的预测提供依据。

为提高服装推荐的准确性,一种基于服装关系和实体的知识图谱被构建[41],其中关于知识图谱的构建包括本体库的构建、知识抽取、知识存储、图谱可视化和展示。此外,文中进一步将服装知识图谱融入推荐算法中,提出了一种基于知识图谱特征学习的Top-N协同过滤推荐算法,以更好地进行服装偏好预测。图4为知识图谱实体关系。

图4 知识图谱实体关系Fig.4 Knowledge graph entity relationship diagram

构建知识图谱的方法有自顶向下和自底向上,也有学者采用自底向上和自顶向下相结合的混合模式,即采用自底向上的方式构建数据层、自顶向下的方式构建模式层,知识图谱在服装个性化推荐领域的应用方法被提出[42-43]。其中采用了上述方法构建数据层和模式层,然后进行实体和关系的抽取,并通过知识融合对知识图谱进行补充;最后进行知识存储,在构建知识图谱的基础上,建立融合知识图谱和情感评分模型的个性化推荐系统。另有学者基于服装商品属性,采用了自底向上方法构建知识图谱和Neo4j数据库来存储知识图谱[44]。

知识图谱的存储通常是用图结构的方式存储,Neo4j是最常用的存储数据库,除此之外还有InfoGrid、InfiniteGraph等数据库。在构建知识图谱的基础上进行知识图谱的嵌入,能够实现实体关系数据的高效利用,提高三元组的运算效率。有学者在构建服装知识图谱的基础上提出了一种基于改进Inception结构的知识图谱嵌入模型[44],通过实验证明该嵌入模型能提高特征表达能力,预防信息丢失。

知识图谱在服装个性化推荐领域的研究较多,较大程度上推动了服装电商的发展,与此同时,也提升了消费者的购物体验。但在推荐领域的知识图谱构建时,提取的实体关系不够全面,导致推荐的个性化不够精准,如何进一步提高推荐结果的精确度是未来的难点之一。

4 结 语

服装产业是劳动密集型产业,大量依赖人力,服装领域自动化、智能化的过程困难重重,服装知识图谱对服装领域的智能化发展至关重要,但目前在服装领域的研究主要集中在服装推荐、个性化搜索等方面,这方面的研究主要是基于电子商务发展迅速的背景,但是在服装制版、服装工艺、服装生产等领域的数字化发展中也离不开知识图谱技术的辅助。在服装设计领域中的服装结构设计正在向数字化和智能化发展,其中涉及服装结构从一维到二维到三维的转换关系、服装规格尺寸的量化等问题,都需要通过构建知识图谱来建立其中的联系,再结合人工智能等技术实现服装制版的自动化和智能化。

在未来服装领域知识图谱的研究主要集中于以下几个方面：

1) 在服装领域,服装款式设计、服装结构设计、服装工艺设计、服装生产、服装营销等环节比较分散,需要通过实体抽取、关系抽取、构建知识图谱等手段将各个环节联系起来。

2) 服装领域知识点复杂分散,缺少结构化的数据库,在构建知识图谱之前需要构建较为完善的数据库;并且目前知识图谱的构建着重于实体之间的关系,在服装领域中可以侧重于数据之间的属性提取及关系构建。

3) 服装制版等领域的知识图谱研究比较稀疏,服装制版正在向智能化发展,因此可以在构建服装知识图谱的基础上,与人工智能、深度学习等技术相结合,从而实现自动化打版等功能,进一步推动服装制版、服装生产等领域的数字化、智能化。

《丝绸》官网下载

中国知网下载