一种服装搭配的智能推荐方法与流程

本发明涉及属于纺织服装领域，特别是涉及一种基于深度学习的私人推荐搭配与购入建议的智能推荐方法。

背景技术：

生活水平提高和科技快速发展的当下，“快时尚”这一新的穿衣风尚迅速发酵。伴随着种类繁多的服装爆炸式增长和流行风尚的不断变化，消费者由于时间原因或经验不足，亟需搭配协助，针对此痛点，很多有关服装搭配的智能系统开始兴起，很多系统利用各类技术完成对消费者的服装搭配推荐。但大量的智能系统对用户进行的推荐并不适合用户，即便是适合用户，也是新单品的搭配推荐，导致用户需要不断购入，造成服装大量囤积，已有服装经常被遗忘。

互联网和大数据技术的发展，电子商务信息纷杂繁乱，很多消费者容易被各种信息引导，盲目、冲动消费。鉴于此，基于大数据技术的购买推荐在大量智能系统中兴起，针对用户以往购买行为或个人信息进行购买推荐。但这种方式一方面加剧了消费者的冲动消费，造成浪费；另一方面很难提供适合消费者本身的购买建议，且消费者被动接受推荐内容，并不存在交互。

现有的基于各类模型的服装智能搭配，①服装推荐算法包含协同过滤法、基于内容的推荐算法以及基于深度学习提取图像特征的近邻搭配算法，这些算法存在弊端，无法对已知信息中没有的单品组合挖掘搭配的成套服装，通俗来说就是如果没有已知专家给定的服装搭配类似的衣物，将无法进行服装推荐；②使用的数据都较少，且大部分服装搭配局限性较高，都选择使用专家库和标准库来进行推荐搭配，或不能紧跟流行风尚，或不能实现针对用户个人，基本都不能基于用户已有服装进行搭配推荐。③现有的基于用户画像、行为分析等对消费者进行购买推荐的方式，无法从消费者本身的角度给出，不能针对消费者已有服装给出新单品购入建议，或使消费者冲动购买行为加剧而造成浪费，或使新单品的购入行为鸡肋，或使人力成本提高，影响购买效率。因此目前，服装搭配的相应技术已有较大发展，购买推荐的模式已较为成熟，但由于现有对搭配的推荐和用户本身适用性较低，难以实现真正个性化，也没有完全针对用户已有服装进行搭配推荐；购买推荐原理也大多依靠用户画像等技术进行用户行为累加式推荐，对用户购买的服装单品是否适合用户本身并未过多关注。这大大增加了互联网购买的成本，也不利于消费者理智消费和社会的可持续发展。

总而言之，现在的智能系统和搭配、推荐技术存在不足，需要进行思路和技术改善。

技术实现要素：

本发明要解决的技术问题是：在服装搭配和购买推荐逐步兴起的同时，如何实现用户私人的已有服装搭配方式推荐，从而提高推荐质量，提高服装利用率减少不必要浪费；如何实现针对用户个人，合理给出对于用户某项单品购入的建议。

为了解决上述技术问题，本发明的技术方案是提供了一种服装搭配的智能推荐方法，完全针对用户个人、基于用户已有的服装进行服装搭配推荐和新单品购入建议，其特征在于，包括以下步骤：

步骤1、构建采用alexnet网络结构的神经网络预测模型，神经网络预测模型包括第一卷积层、第二层卷积层、第三卷积层、第四卷积层、第五卷积层，第五卷积层后依次为最大池化层及全连接层，将衣物图片输入神经网络预测模型后，由第一卷积层至第五卷积层提取衣物图片的特征后，再由全连接层将提取的所有特征以一维向量的方式表示出来，再由拼接梯度提升树算法进行服装搭配图像的有监督训练；

步骤2、收集用于对神经网络预测模型进行训练和测试的训练集和测试集，训练集和测试集中的正样本选用专家给出的专业搭配方案所对应的服装搭配图像及对应的二分类值，训练集和测试集中的负样本选用与专家给出的专业搭配方案相似度小的服装搭配图像及对应的二分类值作为负样本；

步骤3、利用训练集和测试集对步骤1建立的神经网络预测模型进行训练及测试；

步骤4、若用户想要购买新的服装，则获得拟购入的新的服装的新服装照片，将新服装照片与用户已有的服装的已有服装照片输入训练好的神经网络预测模型，神经网络预测模型将新服装照片分别与已有服装照片进行搭配，获得与新服装相搭配的搭配建议；

或者用户将所有的已有的服装的已有服装照片输入训练好的神经网络预测模型，神经网络预测模型将所有已有服装照片进行搭配，从而输出搭配建议。

优选地，步骤2中，选择高端品牌的成衣作为服装穿搭学习的总样本数据集，并根据不同人群消费水平和不同服装品牌定价建立在总样本数据集的基础上建立分类数据集，在分类数据集的基础上选择所述训练集和所述测试集。

优选地，若用户想要购买新的服装，包括以下步骤：

步骤401、得到用户上传的新服装图片或根据单品的购买链接查找到相应服装图片；

步骤402、对新单品服装图片中的服装进行特征提取，区分服装分类；

步骤403、对用户的已分类的已有服装进行初步筛选得出可以与之搭配的服装分类；

步骤404、根据迁移学习和用户搭配风格进行新服装单品与已有服装单品的搭配尝试；

步骤405、给予用户新旧服装搭配方案，由用户根据搭配方案决定新服装单品是否购买。

优选地，还包括步骤5给出服装搭配的天气指数：

根据热湿舒适性计算公式和爬取到的当日天气温度、湿度、风速，计算并给出服装搭配的天气指数。

本发明提供的方法能够个性化给出合适用户的服装搭配和单品购买建议。一方面利用专家数据库解决搭配普适性规则，另一方面利用神经网络迁移学习时尚风尚和用户搭配习惯、风格，两者结合给出符合用户需求的服装搭配和购买建议，提高搭配效率，减少不必要的购买浪费。

与现有技术相比，本发明具有下列有益效果：

1)搭配、推荐效率高

本发明通过对服装图片进行标准化处理，将服装简单分类，一方面通过搭配规则的学习，另一方面利用算法模型进行流行风尚的迁移学习，可以节省用户搭配时间；在对用户进行新服装是否购入的建议时，通过对新服装图片进行标准化处理分类，与用户已有服装进行搭配配对尝试，给出的新旧服装搭配建议效率高。

2)搭配、推荐精度高

本发明利用算法模型进行搭配规则、用户搭配习惯和流行风尚的迁移学习。这种方式从服装搭配推荐的各个影响角度进行综合考虑，极大程度的满足了用户的个人需求和时尚追求，解决了用户想要进行好的服装搭配却无法结合自身、符合流行趋势的问题。同时，由于对于新服装的购买建议是建立在是否有已有服装与之搭配或用户本人是否合适的基础上，推荐针对用户个人，精度高。

3)搭配、推荐智能化

本发明利用神经网络模型实现了时尚流行到用户服装的迁移学习，取代了原本依赖于人工的服装搭配基础和刻板的相似推荐，大大降低了搜索、试错和决策的成本，实现智慧搭配、智慧购买。。

附图说明

图1为智能推荐服装搭配方法流程图；

图2为智能推荐方法功能流程图一；

图3为智能推荐方法功能流程图二；

图4为alexnet结构；

图5为6层深度神经网络。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

目前，服装推荐算法包含协同过滤法、基于内容的推荐算法以及基于深度学习提取图像特征的近邻搭配算法，这些算法存在弊端，无法对已知信息中没有的单品组合、挖掘搭配的成套服装，通俗来说就是如果没有已知专家给定的服装搭配类似的衣物，将无法进行服装推荐。因此，本发明提出从挖掘用户文本需求描述的角度，建立服装精准搭配机制，主要解决用户的衣物之间是否是具有美感、合理的搭配问题；由用户提出服装新品购入与否的询问，根据用户已有服装能否与新品搭配给出购买建议和搭配方案，主要解决用户新品购买的针对性问题。本发明实例将用户的衣物特征一维向量化，利用神经网络预测模型，针对衣物的特征来进行匹配，让机器代替人工经验准确检索衣物之间是否是合理搭配的问题。

本发明提供的一种服装搭配的智能推荐方法，具体的方法流程如图1所示，包括三部分：

第一部分为采集衣物图片、输入需求描述。第二部分为构建神经网络预测模型、拼接梯度提升树算法、训练。第三部分输出预测结果。

本发明方法的流程见图1，现详细说明如下：

一、采集衣物图片、输入需求描述。

1)采集衣物图片

通过调用用户设备自带相机，采集衣物图片，由于直接拍摄多产生图片噪音太大、大小不一进而神经网络学习效果不好，因此本发明采用300*300采集框，通过调用opencv进行拉普拉斯锐化，大大提高图像质量，学习效率。

如果用户复制输入网络购买链接，利用爬虫技术对链接中的服装单品进行图片爬取，通过alexnet对imagenet库的训练结果判断有效衣物图片，去除其他无效图片，并通过调用opencv进行图片剪裁及锐化，提高图像质量。

2)输入需求描述

用户的服装搭配需求分为两类，即已有服装的搭配推荐类字段和拟购入服装的建议询问类字段，两类字段可根据不同情境下关键字加以区分。

二、构建神经网络预测模型，拼接梯度提升树算法、训练

1)设置神经网络结构

①alexnet网络结构

由于训练一个有效的深度网络需要大量的图像数据，故采用alexnet网络结构，通过数百万的imagenet图像训练得到的模型作为基础，在其基础上抽取服装图像的特征。

在进行服装搭配推荐的过程中，往往需要每一件衣物的具体特征通过一维向量形式来表示出来，因此本发明选择深度卷积神经网络，每一层都是对原始图片的不断提取特征，所以可以将原始网络中的某一层提取出来作为特征结果，来表示图像特征。在alexnet神经网络中，总共包含了5个卷积层和3个全连接层，每一个卷积层进行卷积之后都会是图像特征的进一步提取，因此保留全部卷积层。随后，alexnet的训练目标和本发明不同，它是一个1000分类过程，而本发明只是需要得到特征，同时全连接层正好符合将图像转化为一维向量的特征需求，到达最后一层第八层时会从4096个特征减少到1000个，会有特征值损失，不符合预期，因此在这里选取第六层的特征作为描述衣物的特征。alexnet卷积神经网络如图3所示，本发明的前6层卷积神经网络如图4所示。

②六层深度神经网络

a.第一卷积层

输入的图片大小为:224*224*3(或者是227*227*3)。

第一个卷积为：11*11*96即尺寸为11*11，有96个卷积核。步长为4，卷积层后跟relu(激活函数)，因此输出的尺寸为224/4＝56，去掉边缘为55，因此其输出的每个featuremap为55*55*96，同时后面跟lrn层(归一化)，尺寸不变。

最大池化层，核大小为3*3，步长为2，因此featuremap的大小为:27*27*96。

b.第二层卷积层

输入的tensor为27*27*96。

卷积核的大小为:5*5*256，步长为1，尺寸不会改变，同样紧跟relu[f(x)＝max(0,x)]，和lrn层。

最大池化层，和大小为3*3，步长为2，因此featuremap为:13*13*256。

c.第三层至第五层卷积层

输入的tensor为13*13*256。

第三层卷积为3*3*384，步长为1，加上relu；

第四层卷积为3*3*384，步长为1，加上relu；

第五层卷积为3*3*256，步长为1，加上relu。

第五层后跟最大池化层，核大小3*3，步长为2，因此featuremap:6*6*256。

第六层开始为全连接层，将特征以一维向量的方式表示出来，具体输出为4096个特征。

d.第七层加入梯度提升树算法(gbtree)进行有监督训练，输出为2个值，0表示搭配合理，1表示搭配不合理。

2)拼接梯度提升树算法

此前将imagenet上的所有衣物图片特征进行提取，前6层网络参数迁移原alexnet在imagenet上训练的cnn模型参数，接下来在后面加上梯度提升树算法(gbtree)进行服装搭配图像的有监督训练。在这里，将原本的问题变成普通的二分类问题。输入整套衣物，如果专家建议为合理搭配即为正样本，如果不是则为负样本。而机器学习对于这种破二分类问题是比较擅长的。

为实现个性化私人推荐，本发明利用迁移学习算法进行试验创新来调整网络层级、卷积核和池化数构建服装搭配匹配模型，使用原有的alexnet在imagenet数据集训练的参数，依照审美规范进行搭配推荐，同时根据用户对搭配结果的喜好进行用户搭配风格的不断学习并加快算法学习处理速度，使推荐更加个性化、操作更加便捷。

同时在此基础上根据纺织专业知识添加服装的物理属性、天气与热湿舒适性关系，使每次推荐力求满足视觉舒适性基础上保证用户穿着的舒适和健康。

以此算法为基础，当用户将即将购买的服装输入询问购买意见时，后台算法会根据所学迅速从已有服装中寻找可穿搭服装，如果没有则会如实告知，如果有则建议购买并给出搭配服装，供用户进行购买决策。

3)训练、整合训练结果

对于二分类问题，训练集和测试集是十分重要的直接影响模型测试的正确率。其中正样本则选用专家给出的专业搭配方案，负样本选取与专家给出的方案相似度小的搭配作为负样本。最后将总数据集的前70％作为训练集，后30％作为测试集即可。

通常而言，高端品牌的成衣设计一直走在时尚前沿，所以首先我们将dior、阿玛尼、chloe等高端品牌的成衣作为服装穿搭学习的总样本数据集，并根据不同人群消费水平和不同服装品牌定价建立分类数据集，以此为基础选择训练集和测试集。

同时，结合专业教授指导搭建专家库，利用深度学习算法进行规则学习，建立一个整体的审美规范，作为服装穿搭推荐的基础。

本发明利用算法并调整参数进行实验，完成服装的抠图、陈列，并对上下装进行分类，使衣橱陈列清晰，并为后续用户自己搭配和搭配推荐做准备。图片特征信息标准化处理，完成信息分类。

本发明结合用户上传的已有服装利用算法网络进行迁移学习

以用户已有服装作为推荐对象，根据迁移学习给出用户已有服装的服装搭配推荐；同时，在用户进行新的单品购买时，如果收到用户进行新单品购入意见查询的指令，重复步骤201至步骤205：

步骤201得到用户上传的新服装图片或根据单品的购买链接查找到相应服装图片；

步骤202对新单品服装图片中的服装进行特征提取，区分服装分类；

步骤203对用户的已分类的已有服装进行初步筛选得出可以与之搭配的服装分类；

步骤204根据迁移学习和用户搭配风格进行新服装单品与已有服装单品的搭配尝试；

步骤205给予用户新旧服装搭配方案，由用户根据搭配方案决定新服装单品是否购买；

本发明还给出服装搭配的天气指数：

根据热湿舒适性计算公式和爬取到的当日天气温度、湿度、风速等要素，计算并给出服装搭配的天气指数。