服装推荐系统的关键技术研究进展

摘" 要：服装推荐系统在服装行业的数字化转型中发挥着重要的作用，它可以提供服装的个性化推荐，提升用户体验，增加产品营业额，推动服装行业向智能化与高效化发展。结合服装推荐系统的重要环节，从数据收集与预处理、特征工程、模型构建3个版块归纳总结了创建服装推荐系统的一般流程与相关技术，并对传统推荐技术和深度学习技术2个方向的关键技术进行了详细综述，分析各类算法在服装推荐领域中的应用并对其进行拓展。在应用领域方面，服装推荐系统广泛应用于电子商务平台和服装搭配推荐应用等场景，为用户提供便捷的选购与穿搭建议。最后基于服装推荐系统的应用领域与发展趋势，探讨其亟需解决的问题以及未来的创新方向。

关键词：推荐系统；推荐算法；服装搭配；服装推荐；算法研究；深度学习

中图分类号：TS941;TP391.4

文献标志码： A

文章编号：1009-265X（2024）12-0134-11

DOI： 10.19398j.att.202401031

收稿日期：20240116

网络出版日期：20240604

基金项目：中国纺织工业联合会项目（J201805）

作者简介：吕福荣（1998—），女，天津人，硕士研究生，主要从事服装工程数字化方面的研究。

通信作者：师云龙，E-mail：shiyunlong@tiangong.edu.cn

随着电子商务规模的不断扩大，商品种类快速增长，顾客需要花费大量的时间才能找到自己需要的商品，这无疑会使消费者淹没在信息过载问题中。为了解决这个问题，推荐系统应运而生。推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，可以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。推荐系统的概念由Resnick等［1］在1997年提出。

推荐技术逐渐地被应用于电子商务、新闻推送、网络社交和音乐娱乐等多个领域［2］。相比传统线下购物，线上购物能更加便捷地进行选购。同时，人们对于服装质量、款式和搭配等个性化需求日益增强，该系统可以帮助人们在海量的服装大数据中挑选到心仪的服装，满足自身时尚与个性化的需求。服装推荐作为计算机时尚领域的一个重要研究方向，引起了计算机视觉、多媒体和信息检索等领域的广泛关注。本文就创建服装推荐系统的一般流程及包含的关键技术展开说明，深入讨论数据收集与预处理、特征工程和模型构建这3个关键步骤，以及这些步骤所涉及到的关键技术。然后重点介绍传统推荐技术和深度学习技术在服装推荐领域的应用，分析它们的优势和局限性，并探讨如何通过结合这些技术来提高服装推荐系统的性能和准确度。通过本文的阐述，读者将能够全面了解服装推荐系统的建立过程以及当前领域的最新发展趋势，为进一步研究和应用提供了重要的参考。

1" 服装推荐系统

一般的推荐系统是根据物品和用户的给定信息以及交互历史，预测用户的兴趣，从而向用户提供个性化的产品或服务［3］。服装推荐是推荐系统在电子商务领域的具体应用，但在很多方面，它有着不同于其他领域的独特性，主要体现在以下几点：

a）在服装行业，视觉信息直接影响了消费者的购买决策过程，有效利用服装产品图像及视频等视觉信息，可激发消费者产生对产品的购买欲望，这是服装推荐的关键因素之一。

b）服装通常具有大量独立的特征属性，如颜色、款式和材质等，服装推荐系统需要考虑以上这些特征属性，综合用户的需求与喜好，实现个性化推荐。

c）服装推荐系统不仅要为用户提供个性化推荐，还需兼顾提供造型或着装建议，因此服装推荐系统还需考虑到服装单品之间的搭配，即兼容性。

服装推荐可分为两大类，即服装单品推荐与服装搭配推荐［4］，如图1所示。服装单品推荐根据推荐需求的不同，可进一步分为个性化产品推荐与互补产品推荐，前者注重个人偏好建模，后者侧重项目之间的兼容性。个性化建模可以参与到互补产品推荐任务中，通过同时探索个人偏好和项目兼容性，以实现更有针对性的功能。服装搭配推荐与服装单品推荐不同，它需要给出配套的穿搭推荐，是一个更加复杂和特定领域的任务。同样的，在对服装匹配性建模的基础上，服装搭配推荐也可结合个性化建模，提供个性化配套穿搭建议。在以上典型的用户偏好或产品兼容性建模之上，一些研究还专注于有特殊要求或更详细因素的推荐任务，如基于天气或场合的服装推荐或尺寸推荐等。

服装推荐系统一般的流程主要为3个阶段，即数据的收集与预处理、特征工程和模型构建。

1.1" 数据收集和预处理

在服装推荐系统中，服装数据的收集和预处理是一个重要环节。这一环节通常是通过爬虫技术从电商平台或者其他相关网站上搜集服装相关数据，也可通过问卷调查等方式进行数据收集。数据集通常包括产品目录信息、用户行为数据、社交媒体数据和时尚搭配图片等信息。预处理是指对所收集的服装数据进行清洗、去噪、标准化和归一化等操作，方便后续对服装数据的分析与应用。服装检测是数据预处理阶段的关键环节，其目的是将服装图像从收集到的数据中服装的部分提取出来，以便后续的特征提取和模型训练。由于不同服装具有不同的外观与材质特征，使得服装图像的检测识别是一项较为困难的任务［5］，然而确保高质量的检测结果对于准确的特征提取和模型训练至关重要。

众多学者对服装检测分类进行了相关研究，基于传统的机器学习算法，Chen等［6］利用尺度不变特征变换算法和支持向量机（Support vector machine，SVM），构建出一种7类服装分类器，其采用图像处理方法提取图像特征，通过机器学习算法进行分类，模型精度在44%～81%之间。Yang等［7］提出了一种实时服装检测系统，利用线性支持向量机和面向梯度直方图构建分类任务，将服装分类分为8类。检测结果表明，在480 p分辨率的视频中，检测速度达到16～20 fps，每种类别的召回率在29.1%～94.2%之间。Surakarin等［8］提出了一个支持SVM构建的服装分类器，该分类器的分类准确率在57%～73%之间。尽管该模型在处理复杂服装图像时效果不错，但精度不高，体现了传统机器学习算法在面对复杂图像时的局限性。

随着深度学习技术的发展，传统机器学习算法难以解决的问题逐渐被解决。通过使用R-CNN、Fast R-CNN和Faster R-CNN这三阶段进行检测，可大大提高检测的准确性。在此基础上，学者们不断地对模型算法更新迭代，Lee等［9］提出了一种基于YOLOv4算法的两阶段服装检测方法YOLOv4 two-phase detection，该模型检测将目标类别细分为夹克、上衣、裤子、裙子和包，并采用两阶段训练的方式来实现迁移学习。根据感应迁移学习的原理，将知识从源域转移到目标域，以提高服装检测任务的执行效果。实验结果表明，通过两阶段迁移学习，该模型的平均精度均值优于原始YOLOv4模型。

1.2" 特征工程

特征工程是对原始数据进行转换、提取和生成新特征的过程［10］。通过它可从原始数据中提取出有用的特征，减少冗余信息，更好地表达数据的特点，帮助模型更好地理解数据、识别特征和进行预测，提升机器学习算法的性能。特征工程需要根据具体问题和数据特点进行设计，在服装推荐系统中，服装图像的结构特征包括颜色、轮廓和纹理等。针对服装图像较为复杂的特征，通常采用结合轮廓和纹理特征提取的方法。其中，常见的轮廓特征提取方法包括Canny、Roberts和Sobel等边缘检测算子，常用的纹理特征提取方法包括小波变换和灰度共生矩阵等方法。另外，为了提取服装图像的细节要素，常用的方法是进行图像分割，然后在分割后的目标区域进行特征提取，这种方法更加精准，可以避免其他区域信息的干扰，减小检测范围，提高检测效率［11］。

1.3" 算法选择与模型构建

在推荐系统中需要根据具体的需求和场景，选择适合的推荐算法，建立推荐模型，在此基础上进行训练和优化［12］。Alzu'bi等［13］建立了一个交互式的属性保留模型，允许用户在上传全身正面图像后选择最喜欢的服装并进行虚拟试穿。为了实现这一功能，学者们采用多种深度学习架构来提取和学习服装图像的关键属性，通过这些架构对每个公式化的图像进行有效的人体分割和姿态估计。同时，他们利用3DVTON网络生成用户穿着特定服装的3D图像，并通过时尚检索系统向用户推荐更多相关商品。Liu等［14］提出了一种新颖的基于兴趣的消息传递图卷积网络推荐模型，该模型可以在子图中执行高阶图卷积。子图由具有相似兴趣和相互作用的用户组成，通过无监督子图生成模块，可以有效地利用用户特征和图结构来识别具有共同兴趣的用户。Shen等［15］提出了一种基于知识图的定制服装生产过程动态知识建模与融合方法，通过对定制服装本体建模和知识图谱构建实现了定制服装生产过程的动态知识融合。

2" 服装推荐系统关键技术

服装推荐系统涵盖多项关键技术，这些技术共同构成了服装推荐系统的技术基础，通常可分为传统推荐方法和深度学习方法两大类。

2.1" 传统推荐方法

传统推荐方法可分为3类，即基于内容的推荐、基于协同过滤的推荐与混合推荐，其各自的优缺点如表1所示。

2.1.1" 基于内容的推荐方法

基于内容的推荐方法是利用物品自身的特征和用户的兴趣模型来进行推荐［16］。在服装推荐领域，基于内容的推荐方法通常是通过自然语言处理和计算机视觉等技术来提取服装的关键特征，形成服装的文本描述、图像特征或标签信息等形式，在此基础上进行匹配和推荐［17］。Yeruva等［18］提出了一个服装推荐系统，利用亚马逊产品广告API和网页抓取技术从女性服装产品数据集中提取数据，进行预处理并部署模型，以简化服装推荐任务，根据用户的输入（品牌、颜色、尺寸等关键字）生成相应的推荐结果。Su等［19］提出了一种基于用户情感分析的服装个性化推荐方法。Dang等［20］提出将情感分析引入推荐系统可以在数据稀疏的情况下显著提高推荐质量。丁嘉鸣等［21］提出一种基于在线评论的商品推荐方法，利用TF-IDF算法确定产品特征，再通过情感分析方法确定商品属性评价值，并使用离差最大化方法确定商品属性权重，最后给出一种改进的MULTIMOORA的商品推荐方法，为消费者提供决策支持。Zhou等［22］提出了一种基于主观评价的网上购物推荐模型。通过人的感官（视觉、触觉、嗅觉、味觉、听觉）评价从消费者角度出发，设计出更符合需求的产品，近年来无论从研究的角度还是实际应用的角度，基于人的设计都显得更加重要。

Dash等［23］提出了一个基于文本语义的女装推荐系统，首先利用亚马逊产品广告API获取数据，基于输入的服装数据，该系统使用平均词向量和逆文档频率加权词向量模型对产品标题进行相似性计算，计算模型如图2所示。在该模型中，从字面上将每个单词（W1， W2，…，Wn）转换为它的向量表示，然后我们通过将其除以文档D中的单词数n来获得它们的平均值。再通过IDF加权Word2Vec模型，得到了更佳的推荐效果。

2.1.2" 基于协同过滤的推荐方法

在服装推荐系统中，基于协调过滤的推荐方法是通过分析用户的历史搭配行为和其他用户的搭配行为来进行推荐。大多数现有的个性化服装推荐都是基于协同过滤框架开发的。协同过滤可以分为基于用户的协同过滤和基于项目的协同过滤［24］。

a）基于用户的协同过滤

基于用户的协同过滤是通过寻找与目标用户历史个性化兴趣相似的用户对该项目的评分，预测出目标用户对未评分项目的评分［25］。其基本步骤包括： 建立用户-项目评分矩阵，计算目标用户与其他用户的相似度，构建最近邻居集，再根据最近邻居集的评分信息，预测目标用户对评分项目的评分，产生TOP-N个推荐结果。其中，相似度计算方法有余弦相似性、修正的余弦相似性、欧几里得距离、皮尔逊相关相似性和Tanimoto系数等方法，代表个性化兴趣的“用户-项目”评分矩阵项目有喜好打分、点击率、收藏夹、浏览量和购买率等。Liu等［27］设计了先进的UCF算法，提高了客户间相似度计算的效率。赵子花等［28］融合网络爬取的气象数据，通过服装搭配打分体现用户喜好，使用皮尔逊相关系数进行相似性计算，并基于用户协同过滤算法构建了智慧穿搭APP。

b）基于项目的协同过滤

基于项目的协同过滤是通过用户历史购买记录，计算商品的相似性，构建最近邻居集，预测目标用户对项目的评分生成推荐列表［25-26］。其基本步骤包括：构建“服装产品项目-消费者用户”评分矩阵，根据评分矩阵，计算目标项目与其他项目的相似度，寻找邻居集，相似性算法同基于用户的协同过滤，再预测目标用户对项目的评分，依据评分推荐产品。Cheng等［29］提出了一种ICF模型特征级注意力方法。该方法通过设计轻注意力神经网络，将项目级和特征级注意力集成到神经ICF模型中，在计算项目之间的相似度时区分不同因素的重要性。Hwangbo等［30］扩展了现有的基于物品的协同过滤，创建了K-RecSys系统，该系统结合了在线产品点击数据和离线产品销售数据，通过A/B测试对该系统与现有同类系统进行了对比，结果显示K-RecSys的推荐效果更好。

2.1.3" 混合推荐

混合推荐指整合多种推荐算法或技术的方法，其优势在于能综合不同推荐算法的优点，弥补各自的不足［25］。例如，协同过滤算法能够捕捉用户的兴趣关系，但对冷启动问题和数据稀疏性较为敏感；基于内容的推荐算法可以考虑到物品的特征和用户的个人喜好，但容易面临推荐瓶颈。通过混合推荐，可以利用多种算法的优势互补，提供更准确、丰富和个性化的推荐结果，从而提升用户满意度和推荐系统的性能。

以基于知识的推荐方法举例，在传统基于内容的推荐算法中增添了推荐规则的相应知识库，形成了基于知识的推荐方法，这种方法通过预定义的规则或专家知识来进行服装搭配推荐。在个性化服装推荐中，由于消费者感知的不确定性因素，难以确定技术参数与消费者个性化需求之间的可靠关系。因此，越来越多的学者意识到知识在服装推荐系统中的重要性，一些学者试图将基于知识的设计过程引入到个性化的服装推荐系统中［17］，模拟人类专家知识和决策能力，生成推荐结果，这些规则可以涉及颜色搭配、款式选择、场合适应等多个方面。服装设计知识库本质上是基于知识的服装推荐系统的核心，建立时装风格词与服装要素之间的模型。Ling等［31］提出了一种融合冲突规则处理机制的服装设计知识库，并将其应用于个性化服装推荐系统，同时提出了基于主观评价和模糊逻辑的加工机制研究方法。Hong等［32］结合协同设计过程和多准则决策支持，开发了一种新的基于知识的面料推荐系统。Dong等［33］构建了基于本体的设计知识库，实现一个交互式、个性化的设计推荐系统。Zhang等［34］提出了一种基于马尔可夫链和复杂网络集成的服装推荐机制，帮助消费者进行选择。Ling等［35］利用主观评价法和模糊逻辑，结合设计师的时尚感知和不同服装的元素特征，开发了女装知识库，为特定消费者的服装推荐提供支持。

2.2" 深度学习方法

深度学习通常被看作是机器学习的子领域，而机器学习是人工智能的一个分支，机器学习是通过算法使机器能从大量历史数据中学习规律，从而对新的样本做智能识别或未来预测［36］。深度学习的实质是通过构建多个隐层的机器学习模型和海量的训练数据，来学习更有用的特征，以提升分类或预测的准确性。

在过去的几十年中，深度学习在计算机视觉和语音识别等诸多应用领域取得了巨大成功。深度学习能够有效地处理许多复杂的任务，因此基于深度学习的推荐系统克服了传统模型的限制，提高了推荐质量，受到广泛关注。深度学习能够有效地捕捉到用户和项目之间的非线性和非琐碎关系，并能够把更复杂的抽象概念通过编码转化为更抽象高级别的数据表示。此外，深度学习可从丰富的可访问数据源中捕捉数据本身内部复杂的关系。在服装推荐领域，深度学习也逐渐应用于各个环节，大大推动了智能化服装推荐系统的发展。

相较于传统推荐方法，深度学习方法更加具有难度，需要投入更多的时间来训练模型等等，不同方法之间的区别与优缺点如表2所示。

基于深度学习的方法在服装推荐领域已经取得了一定的成就，但仍然有许多待探索的领域。Han等［37］设计了一个高效的计算框架，用于基于特定产品属性和情感极性的抽象意见摘要。他们还提出了一个合成的训练数据集，并引入了一种层次化的多实例属性-情感推理模式，用于构建高质量的合成数据集并微调语言模型，以提高抽象意见摘要生成的准确性和效率。Lee等［38］首次使用时尚产品图像训练深度学习模型，来提高服装推荐系统的性能。他们将现有的推荐系统与深度学习相结合，开发了一种混合推荐系统，有效地进行服装推荐，并成功解决了推荐系统的冷启动问题。Naham等［39］创建了一个结合多任务学习和性别意识的服装推荐系统。他们通过用户检索的图像来检测出性别，以减少检索时间，提高检索效率，并有效提高图像中对象的相似性。

在探讨深度学习算法的同时，还需要深入了解这些算法的细分和特点，以及在实际中的应用。

2.2.1" 卷积神经网络

卷积神经网络（Convolutional neural network，CNN）［40］是一种特殊的前馈神经网络，能很好地处理网格结构的数据，主要用于图像处理和计算机视觉任务，通过卷积层和池化层，从图像中提取特征，在这基础上，通过全连接层进行分类或预测，大大提高了其效率和准确性。将服装图像输入CNN，可直接获取图像中包含的服装特征，而无需手动提取特征。Khalid等［41］设计并实现了一个基于两阶段深度学习的模型，该模型旨在推荐服装时尚风格，通过带有服装的图像中提取各种属性来学习用户的服装风格和偏好，并使用CNN作为图像对象的视觉提取器。

YOLO是一种基于卷积神经网络的实时目标检测算法［42］，可以一次性预测图像中多个目标的位置和类别。相比于传统的滑动窗口区域提取方法，YOLO将目标检测问题转化为一个回归问题。Liu等［43］提出了一种分支CNN架构FashionNet，通过预测服装属性和地标来学习服装的特征。Morelli等［44］通过整合硬底片，使用带有改进的三重态损失函数的CNN进行时尚检索。

此外，Kumar等［45］利用Amazon Apparel数据库，该数据库包含了18万件服装的数据。他们将自然语言处理（NLP）技术和卷积神经网络相结合，以帮助预测类似的产品。在NLP分析和推荐过程中，产品的标题被用作主要的属性。最后，他们使用卷积神经网络从产品图像中创建一个特征向量，并将该向量与所有其他向量结合起来进行预测。具体来说，比较所有特征向量之间的距离，推荐距离最小的特征向量对应的产品。VGG-16架构流程如图3所示，从图像中提取特征的VGG-16（CNN架构，有16层）架构。

在服装推荐这个过程中，接收到的标题、品牌、颜色和图像的矢量被整合成一个大的矢量，该矢量代表单个产品。通过计算服装之间的欧几里得距离，可找到与目标产品最相似的其他产品，从而进行推荐或检索。

2.2.2" 循环神经网络

循环神经网络（Recurrent neural network，RNN）是一种适用于序列数据建模的神经网络结构［46］。与前馈神经网络不同的是，RNN具有循环结构，可捕捉数据中的时间相关性，这使其在处理序列数据时表现出色。长短期记忆网络和门控循环单元是为了解决循环神经网络中的梯度消失问题而提出的改进型结构。梯度消失问题指的是在反向传播过程中，由于梯度在每次迭代中以指数级衰减的方式传播，导致远距离之间的依赖关系无法有效地学习和保留。在服装单品序列信息的处理中，RNN可被用来处理序列型特征问题，例如可以利用RNN来对服装款式、颜色等特征进行序列化处理。

Jiang等［47］提出了Stile，一种端到端的智能时尚顾问系统，旨在为给定的服装生成时尚的搭配建议。与以往系统不同的是，Stile框架考虑了服装搭配中服装单品的整体兼容性，通过双向长短期记忆网络对服装单品之间的依赖关系进行建模，从而确保同一套装中的服装单品具有相似的风格和搭配，使得服装搭配推荐效果更加和谐。

2.2.3" 生成对抗网络

生成对抗网络（Generative adversarial network，GAN）是一种由一个生成器和一个判别器组成的生成式神经网络［48］。这两个神经网络通过在极小极大博弈框架中相互竞争来进行训练。在训练过程中，生成器试图生成逼真的样本，而判别器则试图判断生成样本与真实样本的区别。

Cui等［49］提出了一种基于GAN的端到端虚拟服装展示方法，旨在简化3D虚拟服装展示过程，减少对用户专业知识的需求。传统的3D虚拟服装方法需要复杂的交互和特定领域的用户知识，而该方法只需要用户想要的时装草图和指定的面料图像，即可快速自动生成与输入的服装草图和面料图像形状纹理一致的虚拟服装图像。此外，该方法还支持扩展到轮廓图像和服装图像，进一步提高了服装设计的重用率。与传统的图像对图像方法相比，该方法生成的图像在颜色和形状方面都有更好的效果，为服装设计领域带来新的便利。

2.2.4" 其他

记忆增强神经网络（Memory augmented neural networks，MANN）是一种特殊类型的神经网络，通过模拟人类的记忆能力并进行更复杂的推理和推断［50］。这种神经网络通过引入记忆单元和注意力机制来增强其处理和存储信息的能力。在服装推荐系统中，通过利用MANN，推荐系统可以更好地理解用户的个人偏好和风格，并提供更个性化的服装推荐。De Divitiis等［51］提出了一种MANN，旨在通过考虑服装属性的共存来构建完整的服装搭配，从而解决服装推荐中兼容的问题。他们通过项目的解纠缠表示，并将其存储在外部记忆模块中，通过这些模块来达成更有效的推荐效果。

多模态学习（Multimodal machine learning，MMML）是指利用多种不同的数据模态来进行学习和推荐［52］。在服装推荐系统中，MMML可结合图像和文本信息，综合考虑用户偏好和衣物特征，提供更准确的个性化推荐。刘军平等［53］基于服装搭配的匹配度量化标准，构建了单品潜在特征表示空间的嵌入模型，通过构建融合多模态信息的矩阵分解框架模型，进一步分析了现有多模态特征融合算法的不足。他们通过这一模型刻画了不同用户的服装风格偏好，结合特征提取、多模态特征融合和匹配度计算等手段建立个性化服装搭配方案。实验结果表明，该模型计算出的服装匹配度达到了0.81，相较于传统方法提高了1.25%，实现了更高准确度和推荐精度的个性化服装推荐。

3" 服装推荐系统的应用

3.1" 电子商务服装推荐

如今服装推荐系统在电商平台中广泛应用，这些系统通过分析用户的购买历史、浏览行为、个人喜好和其他相关数据，运用数据挖掘等技术，为用户提供个性化的服装推荐。通过推荐系统，用户可以快速准确地找到符合需求与偏好的服装，提升购物体验，增加店铺销售额。服装推荐系统在电子商务平台中的应用具有以下特点：

a）实时更新推荐：在电商平台中，服装推荐系统可实时追踪用户行为数据，根据用户最新的浏览、点击和购买行为，及时更新推荐结果。这种实时更新的机制有助于捕捉用户当前的兴趣与购买趋势，为用户提供更精准、个性化的服装推荐，增强用户体验和购物满意度，从而增加用户购买的可能性。

b）提供搭配建议：在推荐服装单品的基础上，系统还可根据用户喜好与需求，提供合理的搭配建议。通过分析用户的身高、体重、风格和颜色偏好等多种因素，为用户量身定制完整的服装搭配方案，实现更加个性化的推荐效果。

c）具有社交属性：在电商平台中增添社交属性，允许用户在平台上分享穿搭与购物体验，与其他用户进行交流与讨论。通过社交功能，用户可获取他人的搭配灵感，促进用户之间的互动交流，建立社群关系，从而增强用户对电商平台的黏性。

3.2" 服装搭配推荐应用

在搭建服装搭配推荐应用时，需要在服装推荐系统的基础上考虑服装间的兼容性问题以满足用户需求。这需要考虑服装颜色搭配、风格匹配、温度与厚度匹配和特殊场合需求等因素。这些因素可以在推荐系统中作为特征或规则等形式进行嵌入或建模，再通过算法判断服装之间的兼容性，从而提供更准确和合适的服装搭配推荐。同时，系统也应该允许用户根据个人偏好，调整和定制搭配推荐结果。Yang等［54］提出了一种基于属性的可解释兼容性方法，该方法将可解释性注入到项目的建模中，即给定匹配的项目对的语料库。他们通过学习导致良好匹配的可解释模式。Sarkar等［55］提出了一个名Outfit Transformer的框架，该框架旨在解决服装上下文中的兼容性预测和互补项检索问题。它利用任务特定的标记和自我注意机制来学习服装级别的表示，以捕捉服装中所有物品之间的兼容性关系。

为了衡量服装的搭配度，可以通过计算搭配项与查询项之间的匹配程度，从而在服装图像库中获取最佳搭配。根据服装风格相似的原则，目前客观的搭配度衡量方法主要采用距离度量（如欧式距离），或者相似度度量（如余弦相似度）来评判搭配的相似程度。

欧式距离常被应用于衡量服装搭配的相似度［56］。在服装搭配中，可以将服装的各个特征（如颜色、款式、材质等）表示为特征向量。然后，通过计算不同服装之间的欧式距离，可以评估它们在特征空间中的相似度。距离越小，表示服装之间的搭配度越高。

余弦相似度考虑的是两个向量之间的夹角，而不是它们之间的距离［57］。余弦相似度越大，表示两个向量的方向越接近，从而在服装搭配中也意味着它们之间的搭配度越高。

除去以上较为客观的评判方式，在服装搭配领域也有一些主观的评判方法。国内常用的主观评判方法有用户体验评分和网络投票，前者由用户对搭配效果进行评分，后者则以点赞数来体现搭配认可度［58-59］。人工评价往往能直观体现用户的满意度，但会可能受到主观因素的影响。因此，可以结合客观评判方式来共同进行衡量，以提高结果的准确性和个性化。对搭配度的准确衡量有助于检验模型效益以及提高系统搭配结果的可解释性。

4" 结语

从国内外对服装搭配推荐系统的研究现状来看，众多学者仍专注于提升对服装的检测识别精度与服装推荐模型准确度，且目前已经取得一定进展，但仍然面临着许多问题需要解决。例如，建立推荐系统需要大量收集用户个人数据，因此用户数据隐私保护至关重要，需要采取更多措施来确保用户信息的机密性。与此同时，算法模型的可解释性低以及用户参与度不高等问题也亟待解决。为了实现更准确与个性化的服装推荐，需要在提升算法精度与效果的同时，结合用户需求与服装的特性。建议未来可以考虑将虚拟现实技术与服装推荐系统相融合，实现更逼真的试穿体验，推动服装推荐系统向更全面、更智能化的方向发展。

参考文献：

［1］RESNICK P， VARIAN H R. Recommender systems［J］. Communications of the ACM， 1997， 40（3）： 56-58.

［2］王静，王小艺，兰翠芹，等. 服装个性化定制中信息技术的应用与展望［J］. 丝绸， 2024， 61（1）： 96-108.

WANG Jing， WANG Xiaoyi， LAN Cuiqin， et al. Application and prospect of information technology in pers-onalized clothing customization［J］. Journal of Silk， 2024， 61（1）： 96-108.

［3］潘王蕾，何瑛. 基于个性化推荐的服装知识图谱构建［J］. 服装学报， 2022， 7 （3）： 275-282.

PAN Wanglei， HE Ying. Construction of clothing knowl-edge graph based on personalized recommendation［J］. Journal of Clothing Research， 2022， 7（3）： 275-282.

［4］DING Y， LAI Z， MOK P Y， et al. Computational techn-ologies for fashion recommendation： A survey［J］. ACM Computing Surveys， 2023， 56（5）： 1-45.

［5］张琦妍， 支阿玲， 罗戎蕾. 服装风格图像的识别分类研究进展［J］. 染整技术， 2023， 45（9）： 1-8.

ZHANG Qiyan， ZHI Aling， LUO Ronglei. Research progress in recognition and classification of clothing style images ［J］. Textile Dyeing and Finishing Journal， 2023， 45（9）： 1-8.

［6］CHEN H， GALLAGHER A， GIROD B. Describing Clothing by Semantic Attributes［M］. Computer Vision-ECCV 2012. Berlin， Heidelberg： Springer Berlin Heidel-berg， 2012： 609-623.

［7］YANG M， YU K. Real-time clothing recognition in surve-illance videos［C］//18th IEEE International Conference on Image Processing， Brussels， Belgium， IEEE， 2011：214.

［8］SURAKARIN W， CHONGSTITVATANA P. Classification of clothing with weighted SURF and local binary patterns［C］//International Computer Science and Engine-ering Conference（ICSEC）. Chiang Mai， Thailand. IEEE， 2015：21.

［9］LEE C H， LIN C W. A two-phase fashion apparel detection method based on YOLOv4［J］. Applied Sciences， 2021， 11（9）： 3782.

［10］唐运军， 孙舒畅. 机器学习中的特征工程方法［J］. 汽车实用技术， 2020（12）： 70-72.

TANG Yunjun， SUN Shuchang. Feature engineering methods in machine learning［J］. Automobile Applied Technology， 2020（12）： 70-72.

［11］张艳红， 杨思， 徐增波. 数字图像处理技术在服装领域的应用［J］. 毛纺科技， 2019， 47（10）： 83-88.

ZHANG Yanhong， YANG Si， XU Zengbo. Application of digital image processing technology in clothing［J］. Wool Textile Journal，2019，47（10）：83-88.

［12］SEYEDNEZHAD S M M， COZART K N， BOWLLAN J A， et al. A review on recommendation systems： Context-aware to social-based［EB/OL］. 2018：1811.11866. DOI：10.48550/arXiv.1811.11866.

［13］ALZU'BI A， YOUNIS L B， MADAIN A. An interactive attribute-preserving fashion recommendation with 3D image-based virtual try-on［J］. International Journal of Multi-media Information Retrieval， 2023， 12（2）： 24.

［14］LIU F， CHENG Z， ZHU L， et al. Interest-aware message-passing GCN for recommendation［C］//Procee-dings of the Web Conference. Ljubljana， Slovenia. ACM， 2021： 1296-1305.

［15］SHEN X， LI X， ZHOU B， et al. Dynamic knowledge modeling and fusion method for custom apparel production process based on knowledge graph［J］. Advanced Engine-ering informatics， 2023， 55： 101880.

［16］ZHANG Q， LU J， JIN Y. Artificial intelligence in recommender systems［J］. Complex amp; Intelligent Systems， 2021， 7（1）：439-457.

［17］杨怡然， 吴巧英. 智能化服装搭配推荐研究进展［J］. 浙江理工大学学报（自然科学版）， 2021， 45（1）： 1-12.

YANG Yiran， WU Qiaoying. Research progress of intelligent clothing matching recommendation［J］. Journal of Zhejiang Sci-Tech University （Natural Sciences Edition）， 2021， 45（1）： 1-12.

［18］YERUVA S， SATHVIKA A， SRUTHI D， et al. Apparel recommendation system using content-based filtering［J］. International Journal of Recent Technology and Engin-eering （IJRTE）， 2022， 11（4）： 46-51.

［19］SU X， GAO M， REN J， et al. Personalized clothing recommendation based on user emotional analysis［J］. Discrete Dynamics in Nature and Society， 2020， 20： 7954393.

［20］DANG C N， MORENO-GARCA M N， DE LA PRIETA F. An approach to integrating sentiment analysis into recommender systems［J］. Sensors， 2021， 21（16）： 5666.

［21］丁嘉鸣. 基于在线评论的商品推荐方法［J］. 计算机时代， 2023（8）： 137-140.

DING Jiaming. Online review-based approach to product recommendation［J］. Computer Era， 2023（8）： 137-140.

［22］ZHOU X， LIANG H E， DONG Z. A personalized recommendation model for online apparel shopping based on Kansei engineering［J］. International Journal of Clothing Science and Technology， 2017， 29（1）： 2-13.

［23］DASH B B， DE U C， BEHERA T M， et al. Recommendation system for e-commerce apparel stores based on text-semantics［C］//2nd International Conference for Innovation in Technology （INOCON）. Bangalore， India. IEEE， 2023： 1-5.

［24］王淼， 李大为. 基于内容与协同过滤的混合推荐算法在数字科技馆中的应用［J］. 网络安全技术与应用， 2023（8）： 37-39.

WANG Miao， LI Dawei. Application of hybrid recommen-dation algorithm based on content and collaborative filte-ring in digital science museum ［J］. Network Security Technology amp; Application， 2023（8）： 37-39.

［25］许海玲， 吴潇， 李晓东， 等. 互联网推荐系统比较研究［J］. 软件学报， 2009， 20（2）： 350-362.

XU Hailing， WU Xiao， LI Xiaodong， et al. Comparison study of internet recommendation system［J］. Journal of Software， 2009， 20（2）： 350-362.

［26］马宏伟， 张光卫， 李鹏. 协同过滤推荐算法综述［J］. 小型微型计算机系统， 2009， 30（7）： 1282-1288.

MA Hongwei， ZHANG Guangwei， LI Peng. Survey of collaborative filtering algorithms［J］. Journal of Chinese Computer Systems， 2009， 30（7）： 1282-1288.

［27］LIU Y， NIE J， XU L， et al. Clothing Recommendation System Based on Advanced User-Based Collaborative Filt-ering Algorithm［M］. Lecture Notes in Electrical Engin-eering. Singapore： Springer Singapore， 2017： 436-443.

［28］赵子花， 任若彤， 刘爽等. 融合气象数据的协同过滤推荐服装智慧穿搭APP设计［J］. 廊坊师范学院学报（自然科学版）， 2020， 20（3）： 16-20.

ZHAO Zihua， REN Ruotong， LIU Shuang， et al. Design of collaborative filtering recommendation of the intelligent dressing APP based on meteorological Data［J］. Journal of Langfang Normal University（Natural Science Edition）， 2020， 20（3）： 16-20.

［29］CHENG Z， LIU F， MEI S， et al. Feature-level attentive ICF for recommendation［EB/OL］. 2021： 2102.10745.http：//arxiv.org/abs/2102.10745v2.

［30］HWANGBO H， KIM Y S， CHA K J. Recommendation system development for fashion retail e-commerce［J］. Electronic Commerce Research and Applications， 2018， 28： 94-101.

［31］LING X， JIN Z， HONG Y， et al. Development of novel fashion design knowledge base by integrating conflict rule processing mechanism and its application in personalized fashion recommendations. ［J］ Textile Research Journal. 2023;93（5-6）： 1069-1089.

［32］HONG Y， ZENG X， BRUNIAUX P， et al. Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support［J］. Textile Research Journal， 2018， 88（23）： 2682-2698.

［33］DONG M， ZENG X， KOEHL L， et al. An interactive knowledge-based recommender system for fashion product design in the big data environment［J］. Information Scien-ces， 2020， 540： 469-488.

［34］ZHANG J， ZENG X， DONG M， et al. Garment recommendation in an e-shopping environment by using a Markov Chain and Complex Network integrated method［J］. Textile Research Journal， 2021， 91（23/24）： 2950-2961.

［35］LING X， HONG Y， PAN Z. Development of a dress design knowledge base （DDKB） based on sensory evaluation and fuzzy logic［J］. International Journal of Clothing Science and Technology， 2020， 33（1）： 137-149.

［36］余凯， 贾磊， 陈雨强， 等. 深度学习的昨天、今天和明天［J］. 计算机研究与发展， 2013， 50（9）： 1799-1804.

YU Kai， JIA Lei， CHEN Yuqiang， et al. Deep learning： Yesterday， today and tomorrow ［J］. Journal of Computer Research and Development， 2013， 50（9）： 1799-1804.

［37］HAN Y， NANDA G， MOGHADDAM M. Attribute-sentiment-guided summarization of user opinions from online reviews［J］. Journal of Mechanical Design， 2023， 145（4）： 041402.

［38］LEE G H， KIM S， PARK C K. Development of fashion recommendation system using collaborative deep learning［J］. International Journal of Clothing Science and Technology， 2022.

［39］NAHAM A Z， WANG J， RAEED A S. Multi-task learning and gender-aware fashion recommendation system using deep learning［J］. Electronics， 2023， 12（16）： 3396.

［40］郑雨婷，王成群，陈亮亮，等.基于卷积神经网络的织物图像识别方法研究进展［J］.现代纺织技术，2022，30（5）：1-11.

ZHENG Yuting， WANG Chengqun， CHEN Liangliang， et al. Research progress of fabric image processing methods based on convolutional neural network［J］. Advanced Textile Technology， 2022， 30（5）： 1-11.

［41］KHALID M， MAO K， HUSSAIN T. Design and implementation of clothing fashion style recommendation system using deep learning［J］. Romanian Journal of Information Technology amp; Automatic Control， 2023， 31（4）：20.

［42］周晓彦， 王珂， 李凌燕. 基于深度学习的目标检测算法综述［J］. 电子测量技术， 2017， 40（11）： 89-93.

ZHOU Xiaoyan， WANG Ke， LI Lingyan. Review of object detection based on deep learning［J］. Electronic Measurement Technology， 2017， 40（11）： 89-93.

［43］LIU Z， LUO P， QIU S， et al. Deep fashion： Powering robust clothes recognition and retrieval with rich anno-tations［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， NV， USA. IEEE， 2016： 1096-1104.

［44］MORELLI D， CORNIA M， CUCCHIARA R. Fashion search++： Improving consumer-to-shop clothes retrieval with hard negatives［C］//Italian Information Retrieval Workshop. Bari， Italy. 2021：2947.

［45］KUMAR SHARMA A， BAJPAI B， ADHVARYU R，， et al. An efficient approach of product recommendation system using NLP technique［J］. Materials Today： Proceedings， 2023， 80： 3730-3743.

［46］徐开心，戴宁，汝欣，等.基于LSTM循环神经网络的织机了机预测［J］. 现代纺织技术，2023，31（3）：70-80.

XU Kaixin， DAI Ning， RU Xin， et al. Prediction of loomwarp-out time based on LSTM recurrent neural network［J］. Advanced Textile Technology， 2023， 31（3）： 70-80.

［47］JIANG Y， XU Q， CAO X， et al. Who to ask： An intelligent fashion consultant［C］//Proceedings of the International Conference on Multimedia Retrieval. Yokohama Japan. ACM， 2018： 525-528.

［48］施倩，罗戎蕾.基于生成对抗网络的服装图像生成研究进展［J］.现代纺织技术，2023，31（2）：36-46.

SHI Qian， LUO Ronglei. Research progress of clothing image generation based on Generative Adversarial Networks［J］. Advanced Textile Technology， 2023， 31（2）： 36-46.

［49］CUI Y R， LIU Q， GAO C Y， et al. Fashion GAN： display your fashion design using conditional generative adversarial nets［C］//Computer Graphics Forum. 2018， 37（7）： 109-119.

［50］汪晨， 曾凡玉， 郭九霞. 记忆增强型深度强化学习研究综述［J］. 小型微型计算机系统， 2021， 42（3）： 454-461.

WANG Chen， ZENG Fanyu， GUO Jiuxia. Survey on memory-augmented deep reinforcement learning［J］. Journal of Chinese Computer Systems， 2021， 42（3）： 454-461.

［51］DE DIVITIIS L， BECATTINI F， BAECCHI C， et al. Disentangling features for fashion recommendation［J］. ACM Transactions on Multimedia Computing， Communi-cations and Applications， 2023， 19（1s）： 39.

［52］郭续， 买日旦·吾守尔， 古兰拜尔·吐尔洪. 基于多模态融合的情感分析算法研究综述［J］. 计算机工程与应用， 2024， 60（2）： 1-18.

GUO Xu， MAIRIDAN Wushouer， GULANBAIER Tuerhong. Survey of Sentiment Analysis Algorithms Based on Multimodal Fusion ［J］. Computer Engineering and Applications， 2024， 60（2）： 1-18.

［53］刘军平， 张伏红， 胡新荣，等. 基于多模态融合的个性化服装搭配推荐［J］. 纺织学报， 2023， 44（3）： 176-186.

LIU Junping， ZHANG Fuhong， HU Xinrong， et al. Personalized clothing matching recommendation based on multi-modal fusion［J］. Journal of Textile Research， 2023， 44（3）： 176-186.

［54］YANG X， HE X， WANG X， et al. Interpretable fashion matching with rich attributes［C］//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. Paris， France. ACM， 2019： 775-784.

［55］SARKAR R， BODLA N， VASILEVA M， et al. Outfit Transformer： Outfit representations for fashion recommen-dation［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans， LA， USA. IEEE， 2022： 2263-2267.

［56］林瑞冰，贾静，徐平华，等.融合视觉感知机制的品牌女装设色解析［J］.服装学报，2023，8（6）：546-553.

LIN Ruibing， JIA Jing， XU Pinghua， et al. Color parsing of female brand costume based on visual perception mechanism［J］. Journal of Clothing Research， 2023， 8（6）： 546-553.

［57］李圆，王孝东，于淼.以穿衣搭配数据为基础的协同过滤算法改进［J］.纺织高校基础科学学报，2023，36（2）：93-100.

LI Yuan， WANG Xiaodong， YU Miao. Improvement of collaborative filtering algorithm based on clothing matching data［J］. Basic Sciences Journal of Textile Universities， 2023， 36（2）： 93-100.

［58］陈柯. 基于多属性融合的服装搭配推荐［D］. 杭州： 浙江大学， 2018.

CHEN Ke. Clothing Collocation Recommendation Based on Multi-Attribute Fusion［D］. Hangzhou： Zhejiang University， 2018.

［59］马佳敏，吴晶，周旭东，等.新零售业态下皮具品牌营销策略分析［J］.皮革科学与工程，2022，32（5）：89-94.

MA Jiamin， WU Jing， ZHOU Xudong， et al. Analysis of leather brand marketing strategy under the new retail format［J］. Leather Science and Engineering， 2022， 32（5）： 89-94.

Research progress on key technologies of clothing recommendation systems

L Furong，" SHI" Yunlong，" JING "Xiaoning，" ZENG" Qianyi，" ZHU" Xuewei，" LEI" Haiyang

（School of Textile Science and Engineering， Tiangong University， Tianjin 300387， China）

Abstract：

As the scale of e-commerce continues to expand， the number and variety of products are rapidly increasing， requiring customers to spend a considerable amount of time to find the products they need. This process of browsing through large amounts of irrelevant information and products undoubtedly leads consumers to be drown in an overload of information. To address this issue， recommendation systems have emerged. Recommendation systems are advanced business intelligence platforms built on massive data mining foundations， designed to provide e-commerce websites with personalized decision support and information services tailored to their customers. The emergence and development of the Internet have triggered a digital storm， gradually applying recommendation technology to various fields such as e-commerce， news delivery， social networking， and music entertainment. Clothing， as an important component of the fashion industry， benefits from the integration of the Internet and the fashion industry， bringing new possibilities for clothing design， production， and consumption. Clothing recommendation， as a significant research direction in the computer fashion field， has garnered widespread attention from fields like computer vision， multimedia， and information retrieval. Compared to traditional offline shopping， online purchase of clothing and accessories is more convenient. A typical recommendation system predicts user interest in a particular item based on given information about the product and the user， as well as interaction history， thereby providing personalized products or services to the user. Clothing recommendation can be seen as a specific application of recommendation systems in the field of e-commerce， but it possesses uniqueness in many aspects. People's demands for personalized clothing quality， styles， and matching are constantly growing， making digital transformation crucial for the clothing industry. Faced with massive clothing data， clothing recommendation systems play a crucial role as a key link， including personalized recommendations， enhancing user experience， and increasing revenue， bringing numerous practical benefits to both users and businesses， and simultaneously driving the industry towards intelligent and efficient development. This article combines the key aspects of clothing recommendation systems and summarizes the general process and related technologies for creating clothing recommendation systems， including data collection and preprocessing， feature engineering， and model construction. It provides a detailed overview of key technologies in both traditional recommendation techniques and deep learning applied in the field of clothing recommendations， analyzing the application and expansion of various algorithms. In terms of application， clothing recommendation systems are widely used in e-commerce platforms and clothing styling recommendation apps， offering users convenient shopping and styling suggestions. Finally， based on the application areas and development trends of clothing recommendation systems， it explores the pressing issues that clothing recommendation systems need to address and future innovative directions.

Keywords：

recommendation system; recommendation algorithm; clothing matching; clothing recommendation; algorithm research; deep learning