基于深度学习的服装推荐系统分析

韩丰泽

（陕西服装工程学院，陕西 西安 712046）

引言

近几年，随着我国科技的快速发展，网络中出现了大量的服装信息，并且随着时间的推移还在逐步增加，最终导致消费者在海量的服装信息中很难找到符合心意的服装。消费者在选择心仪的服装上面花费了大量的时间，而这也是正在变相地提高着消费者的服装穿搭成本，同时也降低了消费者购买的效率。现在的网络购物平台都具有商品标签相似性的搜索功能，商家只需要向购物平台上传服装的商品标签就可以了，比如服装的描述信息、品牌、颜色、风格、尺码等信息，然后平台就可以在这些服装信息中选取关键字上传到数据库就可以了。在消费者根据喜好搜索关键字的时候，就可以在平台给出的反馈结果中选取符合自己心意的服装了。但是这种方式还有一个比较严重的漏洞，那就是过于依赖商品标签，如果商家提供的商品标签不够客观，就会导致平台给予的反馈结果不够准确。而且，还需要消耗大量的人力、财力、物力来标注服装的商品标签，并且对于准确率也无法进行保障。

一部分的购物平台除了商品标签相似性的搜索功能外，还会根据自身的知名度为消费者推荐符合其要求并且购买人数比较多的产品，以便供消费者选择，又或者根据平台内的消费者消费记录，为消费者推荐符合需求的产品。然而，大部分消费者在选择购买服装时，都是根据自身的喜好进行我购买，另外，在消费者选取购买一件衣服时，一般都不会在购买类似的服装。网络购物平台通常都会根据消费者选取的商品信息为消费者进行筛选，或者根据消费者的消费记录为消费者推荐商品，却没有考虑是否适合消费者，导致平台推荐给消费者的商品与消费者的客观特征不符的现象发生，从而导致消费者购买的服装与想象的存在差异，平台的推荐方法非常的盲目并且缺少针对性，购物平台还需要在服装个性化推荐方面继续改进[1]。

站在设计师的角度来看，为消费者推荐服装时，需要考虑到消费者的肤色、脸型、体型等因素，再为其推荐符合自身客观特征的服装，然后在根据消费者选择的商品信息为其优化在进行服装推荐，这样就不会为消费者盲目的推荐，还可以有效地提高消费者的体验感与满意度，并刺激消费者的购买欲，从而提升商家的销售量。网络购物平台在建设服装推荐系统之时，需要使用大量的人工来对服装的标签进行标注。目前，在图像分类的工作中已经成功应用了深度学习，并且实现了多标签的服装分类工作，在节省了大量的人力、物力、财力的同时，还统一了服装标签并保障了服装推荐结果的准确率。

1 深度学习算法

1.1 个性化推荐

个性化推荐实际上就是针对消费者推荐商品的软件系统与设备，其中的推荐建议涉猎多种决策过程，比如所要购买的商品、收听的音乐、阅读的书籍等等。其中推荐算法主要包括以下几种：

①以内容为载体的推荐算法，系统推荐和消费者收藏、反复浏览的商品相似的商品，计算既有商品和消费者倾向商品之间的相似性，通过消费者喜好倾向针对其推荐符合其需求的商品，例如若是消费者喜欢职业类型的服装，系统可基于学习为消费者推荐职业类型的其他服装。②协同过滤算法，其关键在于以计算消费者或者商品间的相似性的方式，自动化评估预测消费者所青睐或者感兴趣的商品。协同过滤算法具体划分为两种，即以消费者为载体的协同过滤、以商品为载体的协同过滤。前者实际上是就消费者好友关系分析，为消费者推荐好友购买过或者想要购买的商品，后者实际上是就消费者购买或者浏览记录等一系列相关的历史数据信息作为依据面向消费者推荐高度类似的商品。③以人口统计为载体的推荐算法，基于消费者人口统计资料进行商品个性化推荐，很多网站现在均选用此推荐算法，比如就消费者语言、国家、区域针对性给消费者推荐特定网站，还可就消费者年龄推荐，此算法常用于市场营销中。④以知识为载体的推荐算法，其根据特定领域知识面向消费者进行商品推荐，其中的知识涉及商品特征怎样满足消费者偏好与需求，以及商品对于消费者的价值。此算法可具体划分为以约束为载体的推荐算法、以案例为载体的推荐算法，前者明确规定一组推荐规则，再检索满足推荐规则与消费者需求的商品；后者通过以不同类型的相似性度量，检索并推荐与消费者需求高度接近的商品。⑤以社区为载体的推荐算法，就消费者好友偏好进行商品推荐，人们更加倾向好友推荐，而非陌生人推荐。此算法需获取消费者好友等相关社会关系以及好友偏好设置，通过好友所提供评级加以推荐。在社交网络逐步兴起的趋势下，可简洁且全面获取与消费者社交关系密切关联的数据信息。⑥混合推荐算法，其本质是将以上推荐算法相互组合，通过某一算法的优势弥补另一算法的不足。

总之不同推荐算法各有利弊，而且服装商品具有一定的特殊性，同一消费者很少会二次购买相同衣服，且好友喜欢的也不一定适合消费者。

1.2 卷积神经网络

机器学习作为人工智能的分支，具体即基于算法促使机器由海量历史数据中学习规律，以规律识别或预测新样本数据。其中表示学习实际上是指机器学习中通过机器自动学习特征的学习，深度学习实际上是指表示学习的典型代表，通过高度模仿人类大脑，以海量样本数据构建包含多层次的深度神经网络结构以开展训练学习，以识别或者分类新型样本，模仿人类大脑加以解释。

深度学习中独具代表性的架构包含深度卷积神经网络、深度置信网络、递归神经网络，尤其是深度卷积神经网络，在图像识别、自然语言处理、语音识别等多个领域均已经实现了普遍应用。卷积神经网络作为深度学习中最为成功的典型算法，也是深度前馈人工神经网络。其与生物学神经网络相类似，由多个神经元彼此连接而成，各神经元均可完成计算任务。网络后面的神经元由网络前面的神经元接收输入，计算之后再输出，通过层层神经元向前计算之后，在最后一层获取计算结果。前馈即卷积神经网络各相关操作后逐层抽象的一个过程，由原始数据从输入层逐渐抽取高层次语义信息。对于人脸识别来讲，输入人脸图片，通过计算生成多层抽象特征，其中包含眼睛或者眉毛等特征图，直至最后生成完整人脸特征图，此过程即前馈运算。卷积神经网络计算过程具体即输入样本数据，以卷积操作提取特征，引进池化操作与非线性激活函数映射等逐层堆砌、抽象，抽取出高层语义信息，再进一步具体细化为目标任务，然后通过最后一层获取目标任务的损失函数。然后以反向传播算法，把预测值和真实值的损失差异由最后一层开始逐渐朝前传输，传输的同时实时更新各层相关参数，直至第一层，反复上述流程，直至网络模型整体收敛，以此实现模型训练目的[2]。

2 基于深度学习的服装推荐系统分析

2.1 基于深度学习的服装推荐模型

2.1.1 相似长短期记忆网络建模

在服装推荐系统的构建过程中，在与深度学习的算法相结合的背景下，需先对相似的长短期记忆网络建模。而长短期记忆网络主要是为用户日常中的服装浏览记录进行记忆评估，针对浏览数据进行长短期评估，通过其中相似度相对较高的信息针对性分类记忆信息，以便明确辨别消费群体的真正喜好。长短期记忆网络主要依赖于循环神经网络系统相关技术为载体，以储存浏览信息，对于消费者所产生的浏览信息数据形成一个整体系统，再对其进行分类，以此生成与消费群体息息相关的长短期记忆模型。在分析计算消费者行为时，会就其浏览信息中频率较高的内容进行隐藏，而达到频率推荐标准的信息则会生成短期记忆，且会添加相关信息推荐频率。长短期记忆网络中数据信息分类时，还需就输出与输入加以分类，在确定函数运算激活方式时，可合理利用所获取结果构建相乘序列。

2.1.2 长短期记忆文本建模

在进行程序汇编之时，还需要明确长短期记忆网络运用的界定，可将作为整体函数集合，以句子具体明确定义各个标题，以实现朝向低维向量空间特征的迅速转换。针对函数参数进行定量求解，并融入理想特征，以此健全各种服装文本间的有效搭配。通过平台进行服装有关信息查询的时候，只需要输入相关的词语就可以将长短期记忆网络系统启动。基于长短期记忆的文本建模还需要进一步确定分辨函数集合，并且在其中找出经典长短期记忆网络的特征。利用输出输入阶段做得出的具体分析结果，面向服装标题实现所谓的空间界定。如此一来，平台便可在消费群体浏览网络的时候，从其中的服装信息中了解到消费群体的真正喜好，从而为消费群体提供针对性、个性化服装推荐。

2.1.3 基于浏览信息记忆的服装搭配推荐

基于长短期记忆的文本模型构建，需精确评估函数集合，且在分析时确定经典的长短期记忆网络特征。而输出与输入环节则需要根据所获得的最终分析结果，实现对于服装产品标题的空间化界定，以此消费者在平时浏览网络相关信息时，就可以就服装信息出现的具体概率评判消费者喜好与兴趣，以此实现服装推荐。基于浏览信息需自动化评估判断分类浏览有关信息，并在深层挖掘时辨别服装具体搭配，以服装搭配推荐，从而评估消费群体服装浏览类型。此外还需就浏览信息深入挖掘，进一步评判消费者服装类型与颜色等的偏向，以彼此整合汇总最终所获浏览信息与挖掘信息。针对浏览信息持续挖掘的服装搭配推荐依旧需要评估对比服装信息间的相似度。就损失函数具体运算，对服装搭配时标题语句的相似度进行实时评估，基于标题语句映射建设，以此面向低维向量空间特征逐步渗透具体信息[3]。

2.2 基于图像与文本信息的服装推荐系统

2.2.1 特征提取

基于图像和文本信息深层挖掘设计服装推荐系统，需先提取图像与文本信息特征，并比较分析各个特征。就图像和文本信息特征融合，进行信息特征提取，还要深层充分考虑图像文本信息之间的相似性是否严格控制于函数运算集合的范围之内，并根据服装推荐系统具体功能需求，对比各类型相似性，以此评估预算范围。基于标题语句与嵌入式方式深层对比分析语句间的相似性，且以运算公式明确函数集合所涉及的信息范围，以此对各类型数据进行评价对比，进而生成服装推荐文本信息样本。服装样本推荐时还需就实际距离切实评估不同损失函数集合明确需求，副样本间距越大，则最终损失函数越小，若是副样本间距逐步缩小，则服装推荐信息集合范围将会整体缩小。

2.2.2 特征融合

以图像和文本信息间的彼此渗透，基于交互数据深层挖掘，进而整体构建服装推荐系统。其中图像与文本信息特征渗透，需先将其提取出来并嵌入空间特征，并进行空间距离进行计算分析。服装搭配推荐时的相容性也需在嵌入时比较各不同类型服装数据间的相似性，相似性越高则渗透程度越高，对此可进入后续服装推荐中，若是相似性小于1，则代表在推荐时数据未切实达到最佳效果，禁止后续特征融合，还需进一步评估特征之间的非线性融合关系，通过非线性对比解析图像与文本信息。通过观察所获取的对比结果，再有序开展后续交叉熵损失函数分析运算，以此构成新型矩阵，并其在中针对图像文本信息加以明确分类。特征分类完成之后进行信息融合，以生成系统信息数据库，通过信息数据库，在网络环境下提取相关特征，可直接启动数据库相应信息，进而实现服装推荐任务。

2.2.3 基于卷积神经网络的服装推荐系统

以卷积神经网络为辅助的服装推荐系统建模是进一步实现推荐任务与功能的关键环节。对其可将标题语句表达搭建成30×300 的矩阵，准确输入长短期记忆语句，并于语句中构建神经元网络模型，充分考虑最终是否能够在集合范围内明确系统功能实际范围，并提取隐藏数据信息单元层，生成相连的关联关系所获的标题语句。基于模拟神经元网络分层级处理，确定最终参数权重，在权重范围以内进行实验，明确最终集合损失，如果集合损失严格控制于系统允许范围以内则应及时终止实验，实现功能设计。卷积神经网络建模的数据信息捕捉能力更强且更准确，即使在网络环境之下依旧可以同步处理不同来源范围之内的矩阵信息。然而构建时需以图像与文本信息分类服装标题与语句。明确特征向量，以此自动提取与储存服装历史浏览信息，从而科学合理推荐服装[4]。

结语

综上所述，随着我国经济的快速发展，有设计感的服装越来越受到人们的青睐。而服装推荐系统在人们的穿搭借鉴与电商平台推荐等场景中发挥着重要的指导作用，为了切实发挥系统有效作用，应针对性融入深度学习算法，以实现服装个性化推荐与搭配。