[發明專利]一種基于機器學習的成衣尺寸生成方法及其裝置

在審

• 申請號: 201910429034.5
• 申請日: 2019-05-22
• 公開（公告）號: CN110188437A
• 公開（公告）日: 2019-08-30
• 發明（設計）人: 楊丙良;張雨生
• 申請（專利權）人: 上海人贏網絡科技有限公司
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06Q30/06;G06K9/62
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 馮子玲

本發明提供了一種基于機器學習的成衣尺寸生成方法及其裝置。一種基于機器學習的成衣尺寸生成方法包括構建成衣尺寸生成模型；獲取用戶體征信息，所述用戶體征信息至少包括年齡、身高、體重、腰型、胸型、腹型、肩型、背型和腿型；將所述用戶體征信息轉化為成衣尺寸生成模型輸入向量；通過所述成衣尺寸生成模型對所述成衣尺寸生成模型輸入向量進行分類，產生成衣尺寸生成模型輸出向量；將所述成衣尺寸生成模型輸出向量轉化為適用于該用戶的成衣尺寸。一種基于機器學習的成衣尺寸生成裝置包括用戶體征信息獲取模塊、成衣尺寸生成模塊和底層服務模塊。本發明的有益效果是：無需依賴特定的硬件設備便可以生成適合于用戶的成衣尺寸。

技術領域

本發明涉及線上服裝零售與定制領域，特別涉及一種基于機器學習的成衣尺寸生成方法及其裝置。

背景技術

根據智研咨詢發布的《2017-2022年中國服裝電子商務行業發展前景及投資戰略研究報告》，在2016年，我國服裝網購市場交易規模達9343億元，而隨著網購服裝的蓬勃發展，線上服裝零售的缺陷也日益明顯。線上服裝零售與傳統的線下服裝零售不同，線上服裝零售缺乏消費者試穿的條件，消費者往往只能通過往日服裝購買的經驗來判斷其在線上購買的服裝是否符合自己的身材，該種判斷方法極不準確，從而導致極高的退換貨率，消費者的網購效率極低、體驗極差，并且由于個體之間存在著較大的差異，即使消費者選擇了最為適合的服裝型號，也難以做到令消費者滿意。而對于線上服裝定制領域，更是由于一方面線下身體尺寸測量難以展開，另一方面消費者又難以提供準確的身體尺寸信息，從而無法給消費者提供合適的服裝定制服務。

為了解決以上問題，市面上提出了各種解決方案，如公開號為CN106510070A和公開號為CN206453312U的專利產品，但這些解決方案無一例外都不建立在現有的硬件設備之上，都需要依賴于某種特定的硬件裝置，用戶必須使用這種硬件裝置，才能生成相應的成衣尺寸，難以作為一種可以大規模商業使用的技術方案。

故市場亟需一種不依賴于特定的硬件裝置，可用于線上服裝零售及定制，為用戶生成合適的成衣尺寸的成衣尺寸的生成的方法及其裝置。

發明內容

為了解決上述技術問題，本發明中披露了一種基于機器學習的成衣尺寸生成方法及其裝置，本發明的技術方案是這樣實施的：

一種基于機器學習的成衣尺寸生成方法，所述方法包括，步驟(1)：構建成衣尺寸生成模型；步驟(2)獲取用戶體征信息，所述用戶體征信息至少包括年齡、身高、體重、腰型、胸型、腹型、肩型、背型和腿型；步驟(3)：將所述用戶體征信息轉化為成衣尺寸生成模型輸入向量；步驟(4)：通過所述成衣尺寸生成模型對所述成衣尺寸生成模型輸入向量進行分類，產生成衣尺寸生成模型輸出向量；步驟(5)：將所述成衣尺寸生成模型輸出向量轉化為適用于該用戶的成衣尺寸。

優選地，成衣尺寸生成模型的構建步驟包括，步驟(1.1)：讀取數據集數據；步驟(1.2)：使用聚類算法對所述數據集數據進行聚類得到成衣尺寸聚類數據；步驟(1.3)：將所述成衣尺寸聚類數據劃分為訓練集與測試集；步驟(1.4)：使用決策樹學習算法基于所述訓練集與所述測試集構建成衣尺寸生成模型；步驟(1.5)：保存所述成衣尺寸生成模型。

優選地，所述聚類算法使用K均值算法。

優選地，所述K均值算法使用輪廓系數(Silhouette Coefficient)對所述成衣尺寸聚類數據進行性能評估。

優選地，所述數據至少包括用戶身體凈尺寸和成衣尺寸。

優選地，所述訓練集與所述測試集的劃分方法采用留出法、交叉驗證法或者自助法抽樣。

優選地，所述的決策樹學習算法使用ID3(Iterative Dichotomiser 3)算法。