[發明專利]可解釋時尚服裝個性化推薦方法

有效

• 申請號: 201910511378.0
• 申請日: 2019-06-13
• 公開（公告）號: CN110246011B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 陳恩紅;劉淇;侯旻;李徵
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06V10/764;G06K9/62
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;鄭哲

1.一種可解釋時尚服裝個性化推薦方法，其特征在于，包括：

獲取用戶的歷史購買的商品記錄，提取相應的商品圖像以及用戶ID；

構建商品推薦模型，將商品圖像與用戶ID均投影到語義屬性空間，基于獲得的用戶特征向量與商品的特征向量實現用戶對商品的評分；同時，在商品圖像中定位各個語義屬性的位置，以及用戶對于各語義屬性的喜好程度；

對商品推薦模型進行訓練，得到訓練好的商品推薦模型；

對于一個用戶及一系列的新商品，通過訓練好的商品推薦模型，生成商品推薦序列，以及在每一新商品的圖像上標注各個語義屬性所在的位置及用戶的喜好程度；

其中，使用語義屬性抽取網絡將歷史購買的商品分為若干個語義屬性，每個語義屬性對應于語義屬性空間中的一個維度，使用圖像級別語義屬性標注數據集預訓練一個語義屬性抽取網絡模型，該語義屬性抽取網絡模型用于進行語義屬性抽取與定位；

語義屬性抽取與定位方式如下：

訓練一個多任務屬性分類網絡，旨在最小化以下目標：

其中，表示商品i的圖像中第a個屬性的真實標簽，y_ia是對應的預測標簽，N表示訓練樣本的數目，A表示語義屬性的數目，后驗概率表示預測標簽y_ia被分類為真實標簽的概率；

當多任務屬性分類網絡其收斂后，對每個語義屬性a計算其被預測的屬性類別a_c的梯度屬性激活映射

首先計算屬性類別a_c對應的梯度，即對于最后一層卷積層中的第t個通道的特征圖F^t的梯度基于計算到的梯度通過全局平均池化操作計算出權重

上式中，global average pooling表示全局平均池化，gradients via backpop指反向傳播時的梯度，為多任務屬性分類網絡輸出層softmax函數之前的屬性類別a_c對應的分類值，表示特征圖F^t上坐標為(m，n)的點；

然后，通過加權求和并通過線性整流函數ReLU來獲取梯度屬性激活映射

其中，linear combination指線性組合；

將插值放大至商品圖像大小并疊加到商品圖像上得到屬性類別a_c在商品圖像上的熱力圖表示，生成的熱力圖中像素值在最大值P％以上的區域被分割出來，通過估計一個邊界框，該邊界框覆蓋梯度屬性激活映射中最大的連通區域，對每個語義屬性重復以上步驟，從而定位出各語義屬性在商品圖像上的位置；其中，P為預設值；

最后，使用感興趣區域池化層生成各個語義屬性特征向量，感興趣區域池化層的輸入為各語義屬性的位置和多任務屬性分類網絡的最后一層卷積層特征圖，輸出為各語義屬性特征向量其中k指第k個語義屬性對應的特征向量。

2.根據權利要求1所述的一種可解釋時尚服裝個性化推薦方法，其特征在于，每個用戶u都均有一個唯一的ID，以及一個歷史購買的商品集合其中的每個商品i對應了一幅圖像X_i。

3.根據權利要求1所述的一種可解釋時尚服裝個性化推薦方法，其特征在于，所述將商品圖像與用戶ID均投影到語義屬性空間，基于獲得的用戶特征向量與商品的特征向量實現用戶對商品的評分；同時，在商品圖像中定位各個語義屬性的位置，以及用戶對于各語義屬性的喜好程度包括：

將商品投影到語義屬性空間，根據相應的商品圖像，獲得商品各個語義屬性特征向量以及定位各個語義屬性在商品圖像上的位置；

將用戶投影到語義屬性空間，根據用戶ID得到用戶特征向量，并使用注意力機制獲取用戶對商品各個語義屬性特征向量的喜好程度，從而得到商品的特征向量，進而基于用戶特征向量與商品的特征向量實現用戶對商品的評分；

其中，所述注意力機制由多層神經網絡實現；用戶對商品各個語義屬性特征向量的喜好程度的計算方式表示為：

上式中，f(u)表示用戶u的特征向量，表示商品i的語義屬性k的特征向量，A表示語義屬性的數目，表示用戶u對商品i的語義屬性k的喜好程度。