[發明專利]基于可解釋性卷積神經網絡的服裝推薦方法、裝置及終端

有效

• 申請號: 202010193933.2
• 申請日: 2020-03-19
• 公開（公告）號: CN111415221B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 金書季;肖若水;漆爽
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06N3/0464;G06N3/08;G06N3/084
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

1.基于可解釋性卷積神經網絡的服裝推薦方法，其特征在于，具體包括以下步驟：

對圖像進行預處理，將預處理后的圖像分為訓練集和驗證集；

構建卷積神經網絡，并構建特征矩陣來提取采集的圖像的服裝特征，具體包括以下步驟：

卷積神經網絡的最后一個卷積層包括多個過濾器；

構建n×m+1個特征矩陣作為卷積神經網絡的過濾器；

前n×m個特征矩陣分別對應采集的大小為n×m像素的圖像中每個像素點處的特征，第n×m+1個特征矩陣表示圖像中是否不存在待提取的特征；

利用訓練集對卷積神經網絡進行端到端的迭代訓練；利用訓練集對卷積神經網絡進行端到端的迭代訓練的過程中，利用卷積神經網絡的反向傳播過程，為每張圖像選擇特征矩陣，特征矩陣構成圖像的服裝特征；

用戶將圖片輸入完成訓練的卷積神經網絡，卷積神經網絡即可輸出該圖片的特征圖，并將與用戶輸入圖片特征圖一致的服裝推薦給用戶。

2.根據權利要求1所述的基于可解釋性卷積神經網絡的服裝推薦方法，其特征在于，對圖片進行預處理包括：

將圖片進行縮放，使得圖片中的服裝特征部分大小一致；

將圖片進行裁剪和填充，將所有圖片通過裁剪和填充使得圖片的服裝特征部分居中且每張圖片的大小一致。

3.根據權利要求1所述的基于可解釋性卷積神經網絡的服裝推薦方法，其特征在于，利用訓練集對卷積神經網絡進行端到端的迭代訓練過程中，卷積神經網絡正向傳播時的損失函數表示為：

Loss_f＝-MI(X；T)；

其中，Loss_f為卷積神經網絡正向傳播時的損失函數，X表示卷積神經網絡的最后一個卷積層提取得到的特征圖，T表示特征矩陣，MI(_)表示求信息熵運算。

4.根據權利要求1所述的基于可解釋性卷積神經網絡的服裝推薦方法，其特征在于，利用訓練集對卷積神經網絡進行端到端的迭代訓練過程中，卷積神經網絡反向傳播的訓練表示為：

其中，Loss表示卷積神經網絡的總損失函數；x_ij表示特征圖上第i行、第j列的像素點；Loss_f表示特征圖和特征矩陣配對的損失函數；λ表示過濾器閾值；表示的是預測結果是否正確的損失函數，表示真實標簽，表示預測標簽；k表示標簽的類型。

5.基于可解釋性卷積神經網絡的服裝推薦裝置，其特征在于，包括數據采集模塊、數據預處理模塊、數據特征分析模塊以及服裝推薦模塊，其中：

數據采集模塊，用于采集訓練數據以及待預測數據；

數據預處理模塊，用于采集的圖片進行縮放、裁剪和填充；

數據特征分析模塊，用于根據帶標簽的訓練數據訓練卷積神經網絡，并將不帶標簽的待預測數據輸入完成訓練的卷積神經網絡得到特征圖，數據特征分析模塊中的卷積神經網絡包括輸入層、多個卷積層以及輸出層，其中最后一個卷積層與輸出層連接，最后一個卷積層包括n×m+1個特征矩陣構成的過濾器，n×m為輸入圖像的像素大小，前n×m個特征矩陣分別對應采集的大小為n×m像素的圖像中每個像素點處的特征，第n×m+1個特征表示圖像中是否不存在待提取的特征；通過最后一個卷積層得到的特征圖與特征矩陣進行哈達瑪積；

服裝推薦模塊，用于根據用戶輸入圖片的特征圖進行搜索，將與該特征圖一致的服裝推薦給用戶。

6.基于可解釋性卷積神經網絡的服裝推薦終端，其特征在于，該終端包括權利要求5所述的基于可解釋性卷積神經網絡的服裝推薦裝置，用戶通過終端打包上傳訓練數據，待基于可解釋性卷積神經網絡的服裝推薦裝置的數據特征分析模塊完成卷積神經網絡的訓練后，終端提示用戶輸入待預測的圖片，完成訓練的卷積神經網絡根據用戶輸入的圖片獲得該圖片的特征圖，數據特征分析模塊根據特征圖獲得與該特征圖一致的圖片，終端將獲得的圖片推送給用戶。

7.根據權利要求6所述的基于可解釋性卷積神經網絡的服裝推薦終端，其特征在于，用戶通過終端打包上傳訓練數據包括用戶喜歡的服裝圖片和用戶不喜歡的服裝圖片。

8.根據權利要求6所述的基于可解釋性卷積神經網絡的服裝推薦終端，其特征在于，終端擁有對基于可解釋性卷積神經網絡的服裝推薦裝置的恢復初始化權限。