韓豐澤

（陜西服裝工程學(xué)院，陜西 西安 712046）

引言

近幾年，隨著我國科技的快速發(fā)展，網(wǎng)絡(luò)中出現(xiàn)了大量的服裝信息，并且隨著時間的推移還在逐步增加，最終導(dǎo)致消費(fèi)者在海量的服裝信息中很難找到符合心意的服裝。消費(fèi)者在選擇心儀的服裝上面花費(fèi)了大量的時間，而這也是正在變相地提高著消費(fèi)者的服裝穿搭成本，同時也降低了消費(fèi)者購買的效率。現(xiàn)在的網(wǎng)絡(luò)購物平臺都具有商品標(biāo)簽相似性的搜索功能，商家只需要向購物平臺上傳服裝的商品標(biāo)簽就可以了，比如服裝的描述信息、品牌、顏色、風(fēng)格、尺碼等信息，然后平臺就可以在這些服裝信息中選取關(guān)鍵字上傳到數(shù)據(jù)庫就可以了。在消費(fèi)者根據(jù)喜好搜索關(guān)鍵字的時候，就可以在平臺給出的反饋結(jié)果中選取符合自己心意的服裝了。但是這種方式還有一個比較嚴(yán)重的漏洞，那就是過于依賴商品標(biāo)簽，如果商家提供的商品標(biāo)簽不夠客觀，就會導(dǎo)致平臺給予的反饋結(jié)果不夠準(zhǔn)確。而且，還需要消耗大量的人力、財力、物力來標(biāo)注服裝的商品標(biāo)簽，并且對于準(zhǔn)確率也無法進(jìn)行保障。

一部分的購物平臺除了商品標(biāo)簽相似性的搜索功能外，還會根據(jù)自身的知名度為消費(fèi)者推薦符合其要求并且購買人數(shù)比較多的產(chǎn)品，以便供消費(fèi)者選擇，又或者根據(jù)平臺內(nèi)的消費(fèi)者消費(fèi)記錄，為消費(fèi)者推薦符合需求的產(chǎn)品。然而，大部分消費(fèi)者在選擇購買服裝時，都是根據(jù)自身的喜好進(jìn)行我購買，另外，在消費(fèi)者選取購買一件衣服時，一般都不會在購買類似的服裝。網(wǎng)絡(luò)購物平臺通常都會根據(jù)消費(fèi)者選取的商品信息為消費(fèi)者進(jìn)行篩選，或者根據(jù)消費(fèi)者的消費(fèi)記錄為消費(fèi)者推薦商品，卻沒有考慮是否適合消費(fèi)者，導(dǎo)致平臺推薦給消費(fèi)者的商品與消費(fèi)者的客觀特征不符的現(xiàn)象發(fā)生，從而導(dǎo)致消費(fèi)者購買的服裝與想象的存在差異，平臺的推薦方法非常的盲目并且缺少針對性，購物平臺還需要在服裝個性化推薦方面繼續(xù)改進(jìn)[1]。

站在設(shè)計師的角度來看，為消費(fèi)者推薦服裝時，需要考慮到消費(fèi)者的膚色、臉型、體型等因素，再為其推薦符合自身客觀特征的服裝，然后在根據(jù)消費(fèi)者選擇的商品信息為其優(yōu)化在進(jìn)行服裝推薦，這樣就不會為消費(fèi)者盲目的推薦，還可以有效地提高消費(fèi)者的體驗感與滿意度，并刺激消費(fèi)者的購買欲，從而提升商家的銷售量。網(wǎng)絡(luò)購物平臺在建設(shè)服裝推薦系統(tǒng)之時，需要使用大量的人工來對服裝的標(biāo)簽進(jìn)行標(biāo)注。目前，在圖像分類的工作中已經(jīng)成功應(yīng)用了深度學(xué)習(xí)，并且實(shí)現(xiàn)了多標(biāo)簽的服裝分類工作，在節(jié)省了大量的人力、物力、財力的同時，還統(tǒng)一了服裝標(biāo)簽并保障了服裝推薦結(jié)果的準(zhǔn)確率。

1 深度學(xué)習(xí)算法

1.1 個性化推薦

個性化推薦實(shí)際上就是針對消費(fèi)者推薦商品的軟件系統(tǒng)與設(shè)備，其中的推薦建議涉獵多種決策過程，比如所要購買的商品、收聽的音樂、閱讀的書籍等等。其中推薦算法主要包括以下幾種：

①以內(nèi)容為載體的推薦算法，系統(tǒng)推薦和消費(fèi)者收藏、反復(fù)瀏覽的商品相似的商品，計算既有商品和消費(fèi)者傾向商品之間的相似性，通過消費(fèi)者喜好傾向針對其推薦符合其需求的商品，例如若是消費(fèi)者喜歡職業(yè)類型的服裝，系統(tǒng)可基于學(xué)習(xí)為消費(fèi)者推薦職業(yè)類型的其他服裝。②協(xié)同過濾算法，其關(guān)鍵在于以計算消費(fèi)者或者商品間的相似性的方式，自動化評估預(yù)測消費(fèi)者所青睞或者感興趣的商品。協(xié)同過濾算法具體劃分為兩種，即以消費(fèi)者為載體的協(xié)同過濾、以商品為載體的協(xié)同過濾。前者實(shí)際上是就消費(fèi)者好友關(guān)系分析，為消費(fèi)者推薦好友購買過或者想要購買的商品，后者實(shí)際上是就消費(fèi)者購買或者瀏覽記錄等一系列相關(guān)的歷史數(shù)據(jù)信息作為依據(jù)面向消費(fèi)者推薦高度類似的商品。③以人口統(tǒng)計為載體的推薦算法，基于消費(fèi)者人口統(tǒng)計資料進(jìn)行商品個性化推薦，很多網(wǎng)站現(xiàn)在均選用此推薦算法，比如就消費(fèi)者語言、國家、區(qū)域針對性給消費(fèi)者推薦特定網(wǎng)站，還可就消費(fèi)者年齡推薦，此算法常用于市場營銷中。④以知識為載體的推薦算法，其根據(jù)特定領(lǐng)域知識面向消費(fèi)者進(jìn)行商品推薦，其中的知識涉及商品特征怎樣滿足消費(fèi)者偏好與需求，以及商品對于消費(fèi)者的價值。此算法可具體劃分為以約束為載體的推薦算法、以案例為載體的推薦算法，前者明確規(guī)定一組推薦規(guī)則，再檢索滿足推薦規(guī)則與消費(fèi)者需求的商品；后者通過以不同類型的相似性度量，檢索并推薦與消費(fèi)者需求高度接近的商品。⑤以社區(qū)為載體的推薦算法，就消費(fèi)者好友偏好進(jìn)行商品推薦，人們更加傾向好友推薦，而非陌生人推薦。此算法需獲取消費(fèi)者好友等相關(guān)社會關(guān)系以及好友偏好設(shè)置，通過好友所提供評級加以推薦。在社交網(wǎng)絡(luò)逐步興起的趨勢下，可簡潔且全面獲取與消費(fèi)者社交關(guān)系密切關(guān)聯(lián)的數(shù)據(jù)信息。⑥混合推薦算法，其本質(zhì)是將以上推薦算法相互組合，通過某一算法的優(yōu)勢彌補(bǔ)另一算法的不足。

總之不同推薦算法各有利弊，而且服裝商品具有一定的特殊性，同一消費(fèi)者很少會二次購買相同衣服，且好友喜歡的也不一定適合消費(fèi)者。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

機(jī)器學(xué)習(xí)作為人工智能的分支，具體即基于算法促使機(jī)器由海量歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律，以規(guī)律識別或預(yù)測新樣本數(shù)據(jù)。其中表示學(xué)習(xí)實(shí)際上是指機(jī)器學(xué)習(xí)中通過機(jī)器自動學(xué)習(xí)特征的學(xué)習(xí)，深度學(xué)習(xí)實(shí)際上是指表示學(xué)習(xí)的典型代表，通過高度模仿人類大腦，以海量樣本數(shù)據(jù)構(gòu)建包含多層次的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以開展訓(xùn)練學(xué)習(xí)，以識別或者分類新型樣本，模仿人類大腦加以解釋。

深度學(xué)習(xí)中獨(dú)具代表性的架構(gòu)包含深度卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)，尤其是深度卷積神經(jīng)網(wǎng)絡(luò)，在圖像識別、自然語言處理、語音識別等多個領(lǐng)域均已經(jīng)實(shí)現(xiàn)了普遍應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)中最為成功的典型算法，也是深度前饋人工神經(jīng)網(wǎng)絡(luò)。其與生物學(xué)神經(jīng)網(wǎng)絡(luò)相類似，由多個神經(jīng)元彼此連接而成，各神經(jīng)元均可完成計算任務(wù)。網(wǎng)絡(luò)后面的神經(jīng)元由網(wǎng)絡(luò)前面的神經(jīng)元接收輸入，計算之后再輸出，通過層層神經(jīng)元向前計算之后，在最后一層獲取計算結(jié)果。前饋即卷積神經(jīng)網(wǎng)絡(luò)各相關(guān)操作后逐層抽象的一個過程，由原始數(shù)據(jù)從輸入層逐漸抽取高層次語義信息。對于人臉識別來講，輸入人臉圖片，通過計算生成多層抽象特征，其中包含眼睛或者眉毛等特征圖，直至最后生成完整人臉特征圖，此過程即前饋運(yùn)算。卷積神經(jīng)網(wǎng)絡(luò)計算過程具體即輸入樣本數(shù)據(jù)，以卷積操作提取特征，引進(jìn)池化操作與非線性激活函數(shù)映射等逐層堆砌、抽象，抽取出高層語義信息，再進(jìn)一步具體細(xì)化為目標(biāo)任務(wù)，然后通過最后一層獲取目標(biāo)任務(wù)的損失函數(shù)。然后以反向傳播算法，把預(yù)測值和真實(shí)值的損失差異由最后一層開始逐漸朝前傳輸，傳輸?shù)耐瑫r實(shí)時更新各層相關(guān)參數(shù)，直至第一層，反復(fù)上述流程，直至網(wǎng)絡(luò)模型整體收斂，以此實(shí)現(xiàn)模型訓(xùn)練目的[2]。

2 基于深度學(xué)習(xí)的服裝推薦系統(tǒng)分析

2.1 基于深度學(xué)習(xí)的服裝推薦模型

2.1.1 相似長短期記憶網(wǎng)絡(luò)建模

在服裝推薦系統(tǒng)的構(gòu)建過程中，在與深度學(xué)習(xí)的算法相結(jié)合的背景下，需先對相似的長短期記憶網(wǎng)絡(luò)建模。而長短期記憶網(wǎng)絡(luò)主要是為用戶日常中的服裝瀏覽記錄進(jìn)行記憶評估，針對瀏覽數(shù)據(jù)進(jìn)行長短期評估，通過其中相似度相對較高的信息針對性分類記憶信息，以便明確辨別消費(fèi)群體的真正喜好。長短期記憶網(wǎng)絡(luò)主要依賴于循環(huán)神經(jīng)網(wǎng)絡(luò)系統(tǒng)相關(guān)技術(shù)為載體，以儲存瀏覽信息，對于消費(fèi)者所產(chǎn)生的瀏覽信息數(shù)據(jù)形成一個整體系統(tǒng)，再對其進(jìn)行分類，以此生成與消費(fèi)群體息息相關(guān)的長短期記憶模型。在分析計算消費(fèi)者行為時，會就其瀏覽信息中頻率較高的內(nèi)容進(jìn)行隱藏，而達(dá)到頻率推薦標(biāo)準(zhǔn)的信息則會生成短期記憶，且會添加相關(guān)信息推薦頻率。長短期記憶網(wǎng)絡(luò)中數(shù)據(jù)信息分類時，還需就輸出與輸入加以分類，在確定函數(shù)運(yùn)算激活方式時，可合理利用所獲取結(jié)果構(gòu)建相乘序列。

2.1.2 長短期記憶文本建模

在進(jìn)行程序匯編之時，還需要明確長短期記憶網(wǎng)絡(luò)運(yùn)用的界定，可將作為整體函數(shù)集合，以句子具體明確定義各個標(biāo)題，以實(shí)現(xiàn)朝向低維向量空間特征的迅速轉(zhuǎn)換。針對函數(shù)參數(shù)進(jìn)行定量求解，并融入理想特征，以此健全各種服裝文本間的有效搭配。通過平臺進(jìn)行服裝有關(guān)信息查詢的時候，只需要輸入相關(guān)的詞語就可以將長短期記憶網(wǎng)絡(luò)系統(tǒng)啟動?；陂L短期記憶的文本建模還需要進(jìn)一步確定分辨函數(shù)集合，并且在其中找出經(jīng)典長短期記憶網(wǎng)絡(luò)的特征。利用輸出輸入階段做得出的具體分析結(jié)果，面向服裝標(biāo)題實(shí)現(xiàn)所謂的空間界定。如此一來，平臺便可在消費(fèi)群體瀏覽網(wǎng)絡(luò)的時候，從其中的服裝信息中了解到消費(fèi)群體的真正喜好，從而為消費(fèi)群體提供針對性、個性化服裝推薦。

2.1.3 基于瀏覽信息記憶的服裝搭配推薦

基于長短期記憶的文本模型構(gòu)建，需精確評估函數(shù)集合，且在分析時確定經(jīng)典的長短期記憶網(wǎng)絡(luò)特征。而輸出與輸入環(huán)節(jié)則需要根據(jù)所獲得的最終分析結(jié)果，實(shí)現(xiàn)對于服裝產(chǎn)品標(biāo)題的空間化界定，以此消費(fèi)者在平時瀏覽網(wǎng)絡(luò)相關(guān)信息時，就可以就服裝信息出現(xiàn)的具體概率評判消費(fèi)者喜好與興趣，以此實(shí)現(xiàn)服裝推薦?；跒g覽信息需自動化評估判斷分類瀏覽有關(guān)信息，并在深層挖掘時辨別服裝具體搭配，以服裝搭配推薦，從而評估消費(fèi)群體服裝瀏覽類型。此外還需就瀏覽信息深入挖掘，進(jìn)一步評判消費(fèi)者服裝類型與顏色等的偏向，以彼此整合匯總最終所獲瀏覽信息與挖掘信息。針對瀏覽信息持續(xù)挖掘的服裝搭配推薦依舊需要評估對比服裝信息間的相似度。就損失函數(shù)具體運(yùn)算，對服裝搭配時標(biāo)題語句的相似度進(jìn)行實(shí)時評估，基于標(biāo)題語句映射建設(shè)，以此面向低維向量空間特征逐步滲透具體信息[3]。

2.2 基于圖像與文本信息的服裝推薦系統(tǒng)

2.2.1 特征提取

基于圖像和文本信息深層挖掘設(shè)計服裝推薦系統(tǒng)，需先提取圖像與文本信息特征，并比較分析各個特征。就圖像和文本信息特征融合，進(jìn)行信息特征提取，還要深層充分考慮圖像文本信息之間的相似性是否嚴(yán)格控制于函數(shù)運(yùn)算集合的范圍之內(nèi)，并根據(jù)服裝推薦系統(tǒng)具體功能需求，對比各類型相似性，以此評估預(yù)算范圍?；跇?biāo)題語句與嵌入式方式深層對比分析語句間的相似性，且以運(yùn)算公式明確函數(shù)集合所涉及的信息范圍，以此對各類型數(shù)據(jù)進(jìn)行評價對比，進(jìn)而生成服裝推薦文本信息樣本。服裝樣本推薦時還需就實(shí)際距離切實(shí)評估不同損失函數(shù)集合明確需求，副樣本間距越大，則最終損失函數(shù)越小，若是副樣本間距逐步縮小，則服裝推薦信息集合范圍將會整體縮小。

2.2.2 特征融合

以圖像和文本信息間的彼此滲透，基于交互數(shù)據(jù)深層挖掘，進(jìn)而整體構(gòu)建服裝推薦系統(tǒng)。其中圖像與文本信息特征滲透，需先將其提取出來并嵌入空間特征，并進(jìn)行空間距離進(jìn)行計算分析。服裝搭配推薦時的相容性也需在嵌入時比較各不同類型服裝數(shù)據(jù)間的相似性，相似性越高則滲透程度越高，對此可進(jìn)入后續(xù)服裝推薦中，若是相似性小于1，則代表在推薦時數(shù)據(jù)未切實(shí)達(dá)到最佳效果，禁止后續(xù)特征融合，還需進(jìn)一步評估特征之間的非線性融合關(guān)系，通過非線性對比解析圖像與文本信息。通過觀察所獲取的對比結(jié)果，再有序開展后續(xù)交叉熵?fù)p失函數(shù)分析運(yùn)算，以此構(gòu)成新型矩陣，并其在中針對圖像文本信息加以明確分類。特征分類完成之后進(jìn)行信息融合，以生成系統(tǒng)信息數(shù)據(jù)庫，通過信息數(shù)據(jù)庫，在網(wǎng)絡(luò)環(huán)境下提取相關(guān)特征，可直接啟動數(shù)據(jù)庫相應(yīng)信息，進(jìn)而實(shí)現(xiàn)服裝推薦任務(wù)。

2.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的服裝推薦系統(tǒng)

以卷積神經(jīng)網(wǎng)絡(luò)為輔助的服裝推薦系統(tǒng)建模是進(jìn)一步實(shí)現(xiàn)推薦任務(wù)與功能的關(guān)鍵環(huán)節(jié)。對其可將標(biāo)題語句表達(dá)搭建成30×300 的矩陣，準(zhǔn)確輸入長短期記憶語句，并于語句中構(gòu)建神經(jīng)元網(wǎng)絡(luò)模型，充分考慮最終是否能夠在集合范圍內(nèi)明確系統(tǒng)功能實(shí)際范圍，并提取隱藏數(shù)據(jù)信息單元層，生成相連的關(guān)聯(lián)關(guān)系所獲的標(biāo)題語句?；谀M神經(jīng)元網(wǎng)絡(luò)分層級處理，確定最終參數(shù)權(quán)重，在權(quán)重范圍以內(nèi)進(jìn)行實(shí)驗，明確最終集合損失，如果集合損失嚴(yán)格控制于系統(tǒng)允許范圍以內(nèi)則應(yīng)及時終止實(shí)驗，實(shí)現(xiàn)功能設(shè)計。卷積神經(jīng)網(wǎng)絡(luò)建模的數(shù)據(jù)信息捕捉能力更強(qiáng)且更準(zhǔn)確，即使在網(wǎng)絡(luò)環(huán)境之下依舊可以同步處理不同來源范圍之內(nèi)的矩陣信息。然而構(gòu)建時需以圖像與文本信息分類服裝標(biāo)題與語句。明確特征向量，以此自動提取與儲存服裝歷史瀏覽信息，從而科學(xué)合理推薦服裝[4]。

結(jié)語

綜上所述，隨著我國經(jīng)濟(jì)的快速發(fā)展，有設(shè)計感的服裝越來越受到人們的青睞。而服裝推薦系統(tǒng)在人們的穿搭借鑒與電商平臺推薦等場景中發(fā)揮著重要的指導(dǎo)作用，為了切實(shí)發(fā)揮系統(tǒng)有效作用，應(yīng)針對性融入深度學(xué)習(xí)算法，以實(shí)現(xiàn)服裝個性化推薦與搭配。