[發(fā)明專利]一種基于多層神經(jīng)網(wǎng)絡(luò)的服裝號型推薦系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710308775.9
• 申請日: 2017-05-04
• 公開（公告）號: CN107180375B
• 公開（公告）日: 2020-12-18
• 發(fā)明（設(shè)計(jì)）人: 李維婷;彭順風(fēng);張潔
• 申請（專利權(quán)）人: 東華大學(xué)
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06N3/08
• 代理公司: 上海泰能知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31233
• 代理人: 宋纓;錢文斌

本發(fā)明涉及一種基于多層神經(jīng)網(wǎng)絡(luò)的服裝號型推薦系統(tǒng)，采用一個(gè)六層的神經(jīng)網(wǎng)絡(luò)，包括一個(gè)數(shù)據(jù)輸入層、四個(gè)隱藏層和一個(gè)輸出層；所述數(shù)據(jù)輸入層用于輸入人體尺寸信息、服裝號型數(shù)據(jù)和服裝類型；所述四個(gè)隱藏層中，有兩個(gè)是特征提取層，通過局部連接提取人體尺寸信息和服裝號型特征信息，另外兩個(gè)為匹配層，通過全連接的方式得到人體尺寸信息和對應(yīng)類型服裝號型之間的特征匹配情況；所述輸出層用于輸出各服裝類型的各號型的匹配度大小，其中輸出結(jié)果越大表示匹配程度越高。本發(fā)明實(shí)現(xiàn)服裝號型推薦的智能化和多樣化。

技術(shù)領(lǐng)域

本發(fā)明涉及電子商務(wù)中智能服裝的號型推薦技術(shù)領(lǐng)域，特別是涉及一種基于多層神經(jīng)網(wǎng)絡(luò)的服裝號型推薦系統(tǒng)。

背景技術(shù)

隨著互聯(lián)網(wǎng)的發(fā)展，服裝產(chǎn)品電子商務(wù)快速發(fā)展，其在線銷售數(shù)量近年來持續(xù)增長。但也出現(xiàn)了越來越多的消費(fèi)者網(wǎng)上購買服裝不合體的情況導(dǎo)致退貨率的增加。大型網(wǎng)上服裝銷售的主要障礙是尺碼試穿問題，人體特征的多樣性和復(fù)雜性使得人們難以找到合適尺寸的服裝。

目前，國外號型推薦主要通過虛擬試衣系統(tǒng)實(shí)現(xiàn)，系統(tǒng)大多建立在三維人體模型基礎(chǔ)之上，推薦方法基本可以概括為：顧客人體尺寸的輸入，系統(tǒng)生成三維人體模型，顧客選擇品牌款式，系統(tǒng)進(jìn)行虛擬試衣，系統(tǒng)推薦號型。三維人體測量設(shè)備和人體建模技術(shù)還沒有普及，這種技術(shù)目前只在大型研究機(jī)構(gòu)、企業(yè)、網(wǎng)站使用，且費(fèi)用較高。

國內(nèi)的研究者對于服裝號型推薦這一領(lǐng)域提出了一些解決的方法，如層次分析法，BP神經(jīng)網(wǎng)絡(luò)，模糊神經(jīng)網(wǎng)絡(luò)等。這些傳統(tǒng)的方法均是基于小樣本的人體尺寸信息、服裝號型信息訓(xùn)練集和測試集來建立服裝號型推薦系統(tǒng)，且系統(tǒng)僅能針對單一種類服裝類型進(jìn)行推薦，推薦結(jié)果不夠理想，適用性不強(qiáng)。現(xiàn)今電子商務(wù)快速發(fā)展，越來越多的消費(fèi)者選擇在網(wǎng)絡(luò)上購買服裝，因此亟需一種合適服裝號型推薦系統(tǒng)以滿足需求。因而本發(fā)明提出一種基于多層神經(jīng)網(wǎng)絡(luò)的服裝號型推薦方法，其可應(yīng)用于大量人體數(shù)據(jù)信息和服裝數(shù)據(jù)及類型信息的情況，具有較好的實(shí)用性。

發(fā)明內(nèi)容

本發(fā)明提供一種基于多層神經(jīng)網(wǎng)絡(luò)的服裝號型推薦系統(tǒng)，克服傳統(tǒng)的服裝號型推薦方法數(shù)據(jù)樣本少、服裝類型單一的問題，解決人的尺寸信息與服裝不同類型、不同號型信息的匹配推薦問題。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：提供一種基于多層神經(jīng)網(wǎng)絡(luò)的服裝號型推薦系統(tǒng)，采用一個(gè)六層的神經(jīng)網(wǎng)絡(luò)，包括一個(gè)數(shù)據(jù)輸入層、四個(gè)隱藏層和一個(gè)輸出層；所述數(shù)據(jù)輸入層用于輸入人體尺寸信息、服裝號型數(shù)據(jù)和服裝類型；所述四個(gè)隱藏層中，有兩個(gè)是特征提取層，通過局部連接提取人體尺寸信息和服裝號型特征信息，另外兩個(gè)為匹配層，通過全連接的方式得到人體尺寸信息和對應(yīng)類型服裝號型之間的特征匹配情況；所述輸出層用于輸出各服裝類型的各號型的匹配度大小，其中輸出結(jié)果越大表示匹配程度越高。

所述的6層神經(jīng)網(wǎng)絡(luò)通過深度學(xué)習(xí)框架tensorflow建立，采用梯度下降法結(jié)合反向傳播算法調(diào)整參數(shù)，且用交叉熵代價(jià)函數(shù)作為損失函數(shù)度量訓(xùn)練樣本的輸出損失，所述6層神經(jīng)網(wǎng)絡(luò)通過各個(gè)輸入數(shù)據(jù)樣本的訓(xùn)練，不斷調(diào)整每層神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置參數(shù)，來減少輸出損失，直到找到一個(gè)最優(yōu)值；各隱藏層的特征節(jié)點(diǎn)數(shù)量利用經(jīng)驗(yàn)公式確定，其中，m為隱藏層的節(jié)點(diǎn)數(shù)，n為輸入節(jié)點(diǎn)數(shù)，l為輸出節(jié)點(diǎn)數(shù)，α為不定數(shù)，范圍是1～10。

所述數(shù)據(jù)輸入層輸入8個(gè)人體尺寸數(shù)據(jù)，32個(gè)服裝號型數(shù)據(jù)和1個(gè)服裝類型數(shù)據(jù)；所述8個(gè)人體尺寸數(shù)據(jù)分別為身高、臂長、背長、胸圍、頸圍、肩寬、腰圍和臀圍。