[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

本發明涉及關于服裝推薦的特征研究領域，特別涉及一種基于可解釋性卷積神經網絡的服裝推薦方法、裝置及終端，所述方法包括對圖像進行預處理，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；利用訓練集對卷積神經網絡進行端到端的迭代訓練；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；本發明將推薦服裝的特征進行了可視化話，讓客戶明確的所喜歡的是服裝上哪種特征，從而在為客戶推送服裝時能夠更加準確，提升用戶體驗。

技術領域

本發明涉及關于服裝推薦的特征研究領域，特別涉及一種基于可解釋性卷積神經網絡的服裝推薦方法、裝置及終端。

背景技術

隨著電子商務和服裝市場的發展，大部分人都會選擇在網上瀏覽一些自己感興趣的衣服。但是很多人特別是部分缺乏審美的人，在面對滿目琳瑯的服裝品牌時幾乎無從下手。因此當客戶在選擇服裝的時候，系統能從海量的服裝數據中篩選出有用的信息，提供給客戶就顯得十分有價值。

傳統的推薦系統是基于卷積神經網絡實現的。其基本原理是通過卷積神經網絡首先提取喜歡服裝的特征，然后根據此特征再去檢索同樣具有此特征的服裝，最后將檢索到的服裝推薦給客戶。通過這樣的推薦系統，極大的提升了用戶體驗，也促進了服裝市場的進一步發展。

但是這樣的推薦系統也存在諸多的不足：第一，卷積神經網絡在提取特征的時候會結合上下文進行提取，即同一個過濾器可能同時提取多個特征，而其中某些特征是客戶喜歡的，某些特征是客戶不喜歡的。根據這些特征檢索出來的服裝誤差很大。第二，系統直接給出了推薦的結果，沒有給出檢索結果的依據，因此客戶只能被動的接受推薦結果，無法從中學習提高審美，從而自主的去選擇其他服裝。

發明內容

為了讓用戶能夠更準確地進行搜索，本發明提供一種基于可解釋性卷積神經網絡的服裝推薦方法、裝置及終端，所述方法，如圖1，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；

利用訓練集對卷積神經網絡進行端到端的迭代訓練；

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。

進一步的，如圖2，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。

進一步的，圖像的服裝特征的獲取過程包括：

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。

進一步的，，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。