摘" 要：服裝推薦系統(tǒng)在服裝行業(yè)的數(shù)字化轉(zhuǎn)型中發(fā)揮著重要的作用，它可以提供服裝的個(gè)性化推薦，提升用戶體驗(yàn)，增加產(chǎn)品營業(yè)額，推動(dòng)服裝行業(yè)向智能化與高效化發(fā)展。結(jié)合服裝推薦系統(tǒng)的重要環(huán)節(jié)，從數(shù)據(jù)收集與預(yù)處理、特征工程、模型構(gòu)建3個(gè)版塊歸納總結(jié)了創(chuàng)建服裝推薦系統(tǒng)的一般流程與相關(guān)技術(shù)，并對(duì)傳統(tǒng)推薦技術(shù)和深度學(xué)習(xí)技術(shù)2個(gè)方向的關(guān)鍵技術(shù)進(jìn)行了詳細(xì)綜述，分析各類算法在服裝推薦領(lǐng)域中的應(yīng)用并對(duì)其進(jìn)行拓展。在應(yīng)用領(lǐng)域方面，服裝推薦系統(tǒng)廣泛應(yīng)用于電子商務(wù)平臺(tái)和服裝搭配推薦應(yīng)用等場景，為用戶提供便捷的選購與穿搭建議。最后基于服裝推薦系統(tǒng)的應(yīng)用領(lǐng)域與發(fā)展趨勢(shì)，探討其亟需解決的問題以及未來的創(chuàng)新方向。

關(guān)鍵詞：推薦系統(tǒng)；推薦算法；服裝搭配；服裝推薦；算法研究；深度學(xué)習(xí)

中圖分類號(hào)：TS941;TP391.4

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1009-265X（2024）12-0134-11

DOI： 10.19398j.att.202401031

收稿日期：20240116

網(wǎng)絡(luò)出版日期：20240604

基金項(xiàng)目：中國紡織工業(yè)聯(lián)合會(huì)項(xiàng)目（J201805）

作者簡介：呂福榮（1998—），女，天津人，碩士研究生，主要從事服裝工程數(shù)字化方面的研究。

通信作者：師云龍，E-mail：shiyunlong@tiangong.edu.cn

隨著電子商務(wù)規(guī)模的不斷擴(kuò)大，商品種類快速增長，顧客需要花費(fèi)大量的時(shí)間才能找到自己需要的商品，這無疑會(huì)使消費(fèi)者淹沒在信息過載問題中。為了解決這個(gè)問題，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái)，可以幫助電子商務(wù)網(wǎng)站為其顧客購物提供完全個(gè)性化的決策支持和信息服務(wù)。推薦系統(tǒng)的概念由Resnick等［1］在1997年提出。

推薦技術(shù)逐漸地被應(yīng)用于電子商務(wù)、新聞推送、網(wǎng)絡(luò)社交和音樂娛樂等多個(gè)領(lǐng)域［2］。相比傳統(tǒng)線下購物，線上購物能更加便捷地進(jìn)行選購。同時(shí)，人們對(duì)于服裝質(zhì)量、款式和搭配等個(gè)性化需求日益增強(qiáng)，該系統(tǒng)可以幫助人們?cè)诤Ａ康姆b大數(shù)據(jù)中挑選到心儀的服裝，滿足自身時(shí)尚與個(gè)性化的需求。服裝推薦作為計(jì)算機(jī)時(shí)尚領(lǐng)域的一個(gè)重要研究方向，引起了計(jì)算機(jī)視覺、多媒體和信息檢索等領(lǐng)域的廣泛關(guān)注。本文就創(chuàng)建服裝推薦系統(tǒng)的一般流程及包含的關(guān)鍵技術(shù)展開說明，深入討論數(shù)據(jù)收集與預(yù)處理、特征工程和模型構(gòu)建這3個(gè)關(guān)鍵步驟，以及這些步驟所涉及到的關(guān)鍵技術(shù)。然后重點(diǎn)介紹傳統(tǒng)推薦技術(shù)和深度學(xué)習(xí)技術(shù)在服裝推薦領(lǐng)域的應(yīng)用，分析它們的優(yōu)勢(shì)和局限性，并探討如何通過結(jié)合這些技術(shù)來提高服裝推薦系統(tǒng)的性能和準(zhǔn)確度。通過本文的闡述，讀者將能夠全面了解服裝推薦系統(tǒng)的建立過程以及當(dāng)前領(lǐng)域的最新發(fā)展趨勢(shì)，為進(jìn)一步研究和應(yīng)用提供了重要的參考。

1" 服裝推薦系統(tǒng)

一般的推薦系統(tǒng)是根據(jù)物品和用戶的給定信息以及交互歷史，預(yù)測用戶的興趣，從而向用戶提供個(gè)性化的產(chǎn)品或服務(wù)［3］。服裝推薦是推薦系統(tǒng)在電子商務(wù)領(lǐng)域的具體應(yīng)用，但在很多方面，它有著不同于其他領(lǐng)域的獨(dú)特性，主要體現(xiàn)在以下幾點(diǎn)：

a）在服裝行業(yè)，視覺信息直接影響了消費(fèi)者的購買決策過程，有效利用服裝產(chǎn)品圖像及視頻等視覺信息，可激發(fā)消費(fèi)者產(chǎn)生對(duì)產(chǎn)品的購買欲望，這是服裝推薦的關(guān)鍵因素之一。

b）服裝通常具有大量獨(dú)立的特征屬性，如顏色、款式和材質(zhì)等，服裝推薦系統(tǒng)需要考慮以上這些特征屬性，綜合用戶的需求與喜好，實(shí)現(xiàn)個(gè)性化推薦。

c）服裝推薦系統(tǒng)不僅要為用戶提供個(gè)性化推薦，還需兼顧提供造型或著裝建議，因此服裝推薦系統(tǒng)還需考慮到服裝單品之間的搭配，即兼容性。

服裝推薦可分為兩大類，即服裝單品推薦與服裝搭配推薦［4］，如圖1所示。服裝單品推薦根據(jù)推薦需求的不同，可進(jìn)一步分為個(gè)性化產(chǎn)品推薦與互補(bǔ)產(chǎn)品推薦，前者注重個(gè)人偏好建模，后者側(cè)重項(xiàng)目之間的兼容性。個(gè)性化建模可以參與到互補(bǔ)產(chǎn)品推薦任務(wù)中，通過同時(shí)探索個(gè)人偏好和項(xiàng)目兼容性，以實(shí)現(xiàn)更有針對(duì)性的功能。服裝搭配推薦與服裝單品推薦不同，它需要給出配套的穿搭推薦，是一個(gè)更加復(fù)雜和特定領(lǐng)域的任務(wù)。同樣的，在對(duì)服裝匹配性建模的基礎(chǔ)上，服裝搭配推薦也可結(jié)合個(gè)性化建模，提供個(gè)性化配套穿搭建議。在以上典型的用戶偏好或產(chǎn)品兼容性建模之上，一些研究還專注于有特殊要求或更詳細(xì)因素的推薦任務(wù)，如基于天氣或場合的服裝推薦或尺寸推薦等。

服裝推薦系統(tǒng)一般的流程主要為3個(gè)階段，即數(shù)據(jù)的收集與預(yù)處理、特征工程和模型構(gòu)建。

1.1" 數(shù)據(jù)收集和預(yù)處理

在服裝推薦系統(tǒng)中，服裝數(shù)據(jù)的收集和預(yù)處理是一個(gè)重要環(huán)節(jié)。這一環(huán)節(jié)通常是通過爬蟲技術(shù)從電商平臺(tái)或者其他相關(guān)網(wǎng)站上搜集服裝相關(guān)數(shù)據(jù)，也可通過問卷調(diào)查等方式進(jìn)行數(shù)據(jù)收集。數(shù)據(jù)集通常包括產(chǎn)品目錄信息、用戶行為數(shù)據(jù)、社交媒體數(shù)據(jù)和時(shí)尚搭配圖片等信息。預(yù)處理是指對(duì)所收集的服裝數(shù)據(jù)進(jìn)行清洗、去噪、標(biāo)準(zhǔn)化和歸一化等操作，方便后續(xù)對(duì)服裝數(shù)據(jù)的分析與應(yīng)用。服裝檢測是數(shù)據(jù)預(yù)處理階段的關(guān)鍵環(huán)節(jié)，其目的是將服裝圖像從收集到的數(shù)據(jù)中服裝的部分提取出來，以便后續(xù)的特征提取和模型訓(xùn)練。由于不同服裝具有不同的外觀與材質(zhì)特征，使得服裝圖像的檢測識(shí)別是一項(xiàng)較為困難的任務(wù)［5］，然而確保高質(zhì)量的檢測結(jié)果對(duì)于準(zhǔn)確的特征提取和模型訓(xùn)練至關(guān)重要。

眾多學(xué)者對(duì)服裝檢測分類進(jìn)行了相關(guān)研究，基于傳統(tǒng)的機(jī)器學(xué)習(xí)算法，Chen等［6］利用尺度不變特征變換算法和支持向量機(jī)（Support vector machine，SVM），構(gòu)建出一種7類服裝分類器，其采用圖像處理方法提取圖像特征，通過機(jī)器學(xué)習(xí)算法進(jìn)行分類，模型精度在44%～81%之間。Yang等［7］提出了一種實(shí)時(shí)服裝檢測系統(tǒng)，利用線性支持向量機(jī)和面向梯度直方圖構(gòu)建分類任務(wù)，將服裝分類分為8類。檢測結(jié)果表明，在480 p分辨率的視頻中，檢測速度達(dá)到16～20 fps，每種類別的召回率在29.1%～94.2%之間。Surakarin等［8］提出了一個(gè)支持SVM構(gòu)建的服裝分類器，該分類器的分類準(zhǔn)確率在57%～73%之間。盡管該模型在處理復(fù)雜服裝圖像時(shí)效果不錯(cuò)，但精度不高，體現(xiàn)了傳統(tǒng)機(jī)器學(xué)習(xí)算法在面對(duì)復(fù)雜圖像時(shí)的局限性。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，傳統(tǒng)機(jī)器學(xué)習(xí)算法難以解決的問題逐漸被解決。通過使用R-CNN、Fast R-CNN和Faster R-CNN這三階段進(jìn)行檢測，可大大提高檢測的準(zhǔn)確性。在此基礎(chǔ)上，學(xué)者們不斷地對(duì)模型算法更新迭代，Lee等［9］提出了一種基于YOLOv4算法的兩階段服裝檢測方法YOLOv4 two-phase detection，該模型檢測將目標(biāo)類別細(xì)分為夾克、上衣、褲子、裙子和包，并采用兩階段訓(xùn)練的方式來實(shí)現(xiàn)遷移學(xué)習(xí)。根據(jù)感應(yīng)遷移學(xué)習(xí)的原理，將知識(shí)從源域轉(zhuǎn)移到目標(biāo)域，以提高服裝檢測任務(wù)的執(zhí)行效果。實(shí)驗(yàn)結(jié)果表明，通過兩階段遷移學(xué)習(xí)，該模型的平均精度均值優(yōu)于原始YOLOv4模型。

1.2" 特征工程

特征工程是對(duì)原始數(shù)據(jù)進(jìn)行轉(zhuǎn)換、提取和生成新特征的過程［10］。通過它可從原始數(shù)據(jù)中提取出有用的特征，減少冗余信息，更好地表達(dá)數(shù)據(jù)的特點(diǎn)，幫助模型更好地理解數(shù)據(jù)、識(shí)別特征和進(jìn)行預(yù)測，提升機(jī)器學(xué)習(xí)算法的性能。特征工程需要根據(jù)具體問題和數(shù)據(jù)特點(diǎn)進(jìn)行設(shè)計(jì)，在服裝推薦系統(tǒng)中，服裝圖像的結(jié)構(gòu)特征包括顏色、輪廓和紋理等。針對(duì)服裝圖像較為復(fù)雜的特征，通常采用結(jié)合輪廓和紋理特征提取的方法。其中，常見的輪廓特征提取方法包括Canny、Roberts和Sobel等邊緣檢測算子，常用的紋理特征提取方法包括小波變換和灰度共生矩陣等方法。另外，為了提取服裝圖像的細(xì)節(jié)要素，常用的方法是進(jìn)行圖像分割，然后在分割后的目標(biāo)區(qū)域進(jìn)行特征提取，這種方法更加精準(zhǔn)，可以避免其他區(qū)域信息的干擾，減小檢測范圍，提高檢測效率［11］。

1.3" 算法選擇與模型構(gòu)建

在推薦系統(tǒng)中需要根據(jù)具體的需求和場景，選擇適合的推薦算法，建立推薦模型，在此基礎(chǔ)上進(jìn)行訓(xùn)練和優(yōu)化［12］。Alzu'bi等［13］建立了一個(gè)交互式的屬性保留模型，允許用戶在上傳全身正面圖像后選擇最喜歡的服裝并進(jìn)行虛擬試穿。為了實(shí)現(xiàn)這一功能，學(xué)者們采用多種深度學(xué)習(xí)架構(gòu)來提取和學(xué)習(xí)服裝圖像的關(guān)鍵屬性，通過這些架構(gòu)對(duì)每個(gè)公式化的圖像進(jìn)行有效的人體分割和姿態(tài)估計(jì)。同時(shí)，他們利用3DVTON網(wǎng)絡(luò)生成用戶穿著特定服裝的3D圖像，并通過時(shí)尚檢索系統(tǒng)向用戶推薦更多相關(guān)商品。Liu等［14］提出了一種新穎的基于興趣的消息傳遞圖卷積網(wǎng)絡(luò)推薦模型，該模型可以在子圖中執(zhí)行高階圖卷積。子圖由具有相似興趣和相互作用的用戶組成，通過無監(jiān)督子圖生成模塊，可以有效地利用用戶特征和圖結(jié)構(gòu)來識(shí)別具有共同興趣的用戶。Shen等［15］提出了一種基于知識(shí)圖的定制服裝生產(chǎn)過程動(dòng)態(tài)知識(shí)建模與融合方法，通過對(duì)定制服裝本體建模和知識(shí)圖譜構(gòu)建實(shí)現(xiàn)了定制服裝生產(chǎn)過程的動(dòng)態(tài)知識(shí)融合。

2" 服裝推薦系統(tǒng)關(guān)鍵技術(shù)

服裝推薦系統(tǒng)涵蓋多項(xiàng)關(guān)鍵技術(shù)，這些技術(shù)共同構(gòu)成了服裝推薦系統(tǒng)的技術(shù)基礎(chǔ)，通?？煞譃閭鹘y(tǒng)推薦方法和深度學(xué)習(xí)方法兩大類。

2.1" 傳統(tǒng)推薦方法

傳統(tǒng)推薦方法可分為3類，即基于內(nèi)容的推薦、基于協(xié)同過濾的推薦與混合推薦，其各自的優(yōu)缺點(diǎn)如表1所示。

2.1.1" 基于內(nèi)容的推薦方法

基于內(nèi)容的推薦方法是利用物品自身的特征和用戶的興趣模型來進(jìn)行推薦［16］。在服裝推薦領(lǐng)域，基于內(nèi)容的推薦方法通常是通過自然語言處理和計(jì)算機(jī)視覺等技術(shù)來提取服裝的關(guān)鍵特征，形成服裝的文本描述、圖像特征或標(biāo)簽信息等形式，在此基礎(chǔ)上進(jìn)行匹配和推薦［17］。Yeruva等［18］提出了一個(gè)服裝推薦系統(tǒng)，利用亞馬遜產(chǎn)品廣告API和網(wǎng)頁抓取技術(shù)從女性服裝產(chǎn)品數(shù)據(jù)集中提取數(shù)據(jù)，進(jìn)行預(yù)處理并部署模型，以簡化服裝推薦任務(wù)，根據(jù)用戶的輸入（品牌、顏色、尺寸等關(guān)鍵字）生成相應(yīng)的推薦結(jié)果。Su等［19］提出了一種基于用戶情感分析的服裝個(gè)性化推薦方法。Dang等［20］提出將情感分析引入推薦系統(tǒng)可以在數(shù)據(jù)稀疏的情況下顯著提高推薦質(zhì)量。丁嘉鳴等［21］提出一種基于在線評(píng)論的商品推薦方法，利用TF-IDF算法確定產(chǎn)品特征，再通過情感分析方法確定商品屬性評(píng)價(jià)值，并使用離差最大化方法確定商品屬性權(quán)重，最后給出一種改進(jìn)的MULTIMOORA的商品推薦方法，為消費(fèi)者提供決策支持。Zhou等［22］提出了一種基于主觀評(píng)價(jià)的網(wǎng)上購物推薦模型。通過人的感官（視覺、觸覺、嗅覺、味覺、聽覺）評(píng)價(jià)從消費(fèi)者角度出發(fā)，設(shè)計(jì)出更符合需求的產(chǎn)品，近年來無論從研究的角度還是實(shí)際應(yīng)用的角度，基于人的設(shè)計(jì)都顯得更加重要。

Dash等［23］提出了一個(gè)基于文本語義的女裝推薦系統(tǒng)，首先利用亞馬遜產(chǎn)品廣告API獲取數(shù)據(jù)，基于輸入的服裝數(shù)據(jù)，該系統(tǒng)使用平均詞向量和逆文檔頻率加權(quán)詞向量模型對(duì)產(chǎn)品標(biāo)題進(jìn)行相似性計(jì)算，計(jì)算模型如圖2所示。在該模型中，從字面上將每個(gè)單詞（W1， W2，…，Wn）轉(zhuǎn)換為它的向量表示，然后我們通過將其除以文檔D中的單詞數(shù)n來獲得它們的平均值。再通過IDF加權(quán)Word2Vec模型，得到了更佳的推薦效果。

2.1.2" 基于協(xié)同過濾的推薦方法

在服裝推薦系統(tǒng)中，基于協(xié)調(diào)過濾的推薦方法是通過分析用戶的歷史搭配行為和其他用戶的搭配行為來進(jìn)行推薦。大多數(shù)現(xiàn)有的個(gè)性化服裝推薦都是基于協(xié)同過濾框架開發(fā)的。協(xié)同過濾可以分為基于用戶的協(xié)同過濾和基于項(xiàng)目的協(xié)同過濾［24］。

a）基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾是通過尋找與目標(biāo)用戶歷史個(gè)性化興趣相似的用戶對(duì)該項(xiàng)目的評(píng)分，預(yù)測出目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的評(píng)分［25］。其基本步驟包括： 建立用戶-項(xiàng)目評(píng)分矩陣，計(jì)算目標(biāo)用戶與其他用戶的相似度，構(gòu)建最近鄰居集，再根據(jù)最近鄰居集的評(píng)分信息，預(yù)測目標(biāo)用戶對(duì)評(píng)分項(xiàng)目的評(píng)分，產(chǎn)生TOP-N個(gè)推薦結(jié)果。其中，相似度計(jì)算方法有余弦相似性、修正的余弦相似性、歐幾里得距離、皮爾遜相關(guān)相似性和Tanimoto系數(shù)等方法，代表個(gè)性化興趣的“用戶-項(xiàng)目”評(píng)分矩陣項(xiàng)目有喜好打分、點(diǎn)擊率、收藏夾、瀏覽量和購買率等。Liu等［27］設(shè)計(jì)了先進(jìn)的UCF算法，提高了客戶間相似度計(jì)算的效率。趙子花等［28］融合網(wǎng)絡(luò)爬取的氣象數(shù)據(jù)，通過服裝搭配打分體現(xiàn)用戶喜好，使用皮爾遜相關(guān)系數(shù)進(jìn)行相似性計(jì)算，并基于用戶協(xié)同過濾算法構(gòu)建了智慧穿搭A(yù)PP。

b）基于項(xiàng)目的協(xié)同過濾

基于項(xiàng)目的協(xié)同過濾是通過用戶歷史購買記錄，計(jì)算商品的相似性，構(gòu)建最近鄰居集，預(yù)測目標(biāo)用戶對(duì)項(xiàng)目的評(píng)分生成推薦列表［25-26］。其基本步驟包括：構(gòu)建“服裝產(chǎn)品項(xiàng)目-消費(fèi)者用戶”評(píng)分矩陣，根據(jù)評(píng)分矩陣，計(jì)算目標(biāo)項(xiàng)目與其他項(xiàng)目的相似度，尋找鄰居集，相似性算法同基于用戶的協(xié)同過濾，再預(yù)測目標(biāo)用戶對(duì)項(xiàng)目的評(píng)分，依據(jù)評(píng)分推薦產(chǎn)品。Cheng等［29］提出了一種ICF模型特征級(jí)注意力方法。該方法通過設(shè)計(jì)輕注意力神經(jīng)網(wǎng)絡(luò)，將項(xiàng)目級(jí)和特征級(jí)注意力集成到神經(jīng)ICF模型中，在計(jì)算項(xiàng)目之間的相似度時(shí)區(qū)分不同因素的重要性。Hwangbo等［30］擴(kuò)展了現(xiàn)有的基于物品的協(xié)同過濾，創(chuàng)建了K-RecSys系統(tǒng)，該系統(tǒng)結(jié)合了在線產(chǎn)品點(diǎn)擊數(shù)據(jù)和離線產(chǎn)品銷售數(shù)據(jù)，通過A/B測試對(duì)該系統(tǒng)與現(xiàn)有同類系統(tǒng)進(jìn)行了對(duì)比，結(jié)果顯示K-RecSys的推薦效果更好。

2.1.3" 混合推薦

混合推薦指整合多種推薦算法或技術(shù)的方法，其優(yōu)勢(shì)在于能綜合不同推薦算法的優(yōu)點(diǎn)，彌補(bǔ)各自的不足［25］。例如，協(xié)同過濾算法能夠捕捉用戶的興趣關(guān)系，但對(duì)冷啟動(dòng)問題和數(shù)據(jù)稀疏性較為敏感；基于內(nèi)容的推薦算法可以考慮到物品的特征和用戶的個(gè)人喜好，但容易面臨推薦瓶頸。通過混合推薦，可以利用多種算法的優(yōu)勢(shì)互補(bǔ)，提供更準(zhǔn)確、豐富和個(gè)性化的推薦結(jié)果，從而提升用戶滿意度和推薦系統(tǒng)的性能。

以基于知識(shí)的推薦方法舉例，在傳統(tǒng)基于內(nèi)容的推薦算法中增添了推薦規(guī)則的相應(yīng)知識(shí)庫，形成了基于知識(shí)的推薦方法，這種方法通過預(yù)定義的規(guī)則或?qū)＜抑R(shí)來進(jìn)行服裝搭配推薦。在個(gè)性化服裝推薦中，由于消費(fèi)者感知的不確定性因素，難以確定技術(shù)參數(shù)與消費(fèi)者個(gè)性化需求之間的可靠關(guān)系。因此，越來越多的學(xué)者意識(shí)到知識(shí)在服裝推薦系統(tǒng)中的重要性，一些學(xué)者試圖將基于知識(shí)的設(shè)計(jì)過程引入到個(gè)性化的服裝推薦系統(tǒng)中［17］，模擬人類專家知識(shí)和決策能力，生成推薦結(jié)果，這些規(guī)則可以涉及顏色搭配、款式選擇、場合適應(yīng)等多個(gè)方面。服裝設(shè)計(jì)知識(shí)庫本質(zhì)上是基于知識(shí)的服裝推薦系統(tǒng)的核心，建立時(shí)裝風(fēng)格詞與服裝要素之間的模型。Ling等［31］提出了一種融合沖突規(guī)則處理機(jī)制的服裝設(shè)計(jì)知識(shí)庫，并將其應(yīng)用于個(gè)性化服裝推薦系統(tǒng)，同時(shí)提出了基于主觀評(píng)價(jià)和模糊邏輯的加工機(jī)制研究方法。Hong等［32］結(jié)合協(xié)同設(shè)計(jì)過程和多準(zhǔn)則決策支持，開發(fā)了一種新的基于知識(shí)的面料推薦系統(tǒng)。Dong等［33］構(gòu)建了基于本體的設(shè)計(jì)知識(shí)庫，實(shí)現(xiàn)一個(gè)交互式、個(gè)性化的設(shè)計(jì)推薦系統(tǒng)。Zhang等［34］提出了一種基于馬爾可夫鏈和復(fù)雜網(wǎng)絡(luò)集成的服裝推薦機(jī)制，幫助消費(fèi)者進(jìn)行選擇。Ling等［35］利用主觀評(píng)價(jià)法和模糊邏輯，結(jié)合設(shè)計(jì)師的時(shí)尚感知和不同服裝的元素特征，開發(fā)了女裝知識(shí)庫，為特定消費(fèi)者的服裝推薦提供支持。

2.2" 深度學(xué)習(xí)方法

深度學(xué)習(xí)通常被看作是機(jī)器學(xué)習(xí)的子領(lǐng)域，而機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，機(jī)器學(xué)習(xí)是通過算法使機(jī)器能從大量歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律，從而對(duì)新的樣本做智能識(shí)別或未來預(yù)測［36］。深度學(xué)習(xí)的實(shí)質(zhì)是通過構(gòu)建多個(gè)隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，以提升分類或預(yù)測的準(zhǔn)確性。

在過去的幾十年中，深度學(xué)習(xí)在計(jì)算機(jī)視覺和語音識(shí)別等諸多應(yīng)用領(lǐng)域取得了巨大成功。深度學(xué)習(xí)能夠有效地處理許多復(fù)雜的任務(wù)，因此基于深度學(xué)習(xí)的推薦系統(tǒng)克服了傳統(tǒng)模型的限制，提高了推薦質(zhì)量，受到廣泛關(guān)注。深度學(xué)習(xí)能夠有效地捕捉到用戶和項(xiàng)目之間的非線性和非瑣碎關(guān)系，并能夠把更復(fù)雜的抽象概念通過編碼轉(zhuǎn)化為更抽象高級(jí)別的數(shù)據(jù)表示。此外，深度學(xué)習(xí)可從豐富的可訪問數(shù)據(jù)源中捕捉數(shù)據(jù)本身內(nèi)部復(fù)雜的關(guān)系。在服裝推薦領(lǐng)域，深度學(xué)習(xí)也逐漸應(yīng)用于各個(gè)環(huán)節(jié)，大大推動(dòng)了智能化服裝推薦系統(tǒng)的發(fā)展。

相較于傳統(tǒng)推薦方法，深度學(xué)習(xí)方法更加具有難度，需要投入更多的時(shí)間來訓(xùn)練模型等等，不同方法之間的區(qū)別與優(yōu)缺點(diǎn)如表2所示。

基于深度學(xué)習(xí)的方法在服裝推薦領(lǐng)域已經(jīng)取得了一定的成就，但仍然有許多待探索的領(lǐng)域。Han等［37］設(shè)計(jì)了一個(gè)高效的計(jì)算框架，用于基于特定產(chǎn)品屬性和情感極性的抽象意見摘要。他們還提出了一個(gè)合成的訓(xùn)練數(shù)據(jù)集，并引入了一種層次化的多實(shí)例屬性-情感推理模式，用于構(gòu)建高質(zhì)量的合成數(shù)據(jù)集并微調(diào)語言模型，以提高抽象意見摘要生成的準(zhǔn)確性和效率。Lee等［38］首次使用時(shí)尚產(chǎn)品圖像訓(xùn)練深度學(xué)習(xí)模型，來提高服裝推薦系統(tǒng)的性能。他們將現(xiàn)有的推薦系統(tǒng)與深度學(xué)習(xí)相結(jié)合，開發(fā)了一種混合推薦系統(tǒng)，有效地進(jìn)行服裝推薦，并成功解決了推薦系統(tǒng)的冷啟動(dòng)問題。Naham等［39］創(chuàng)建了一個(gè)結(jié)合多任務(wù)學(xué)習(xí)和性別意識(shí)的服裝推薦系統(tǒng)。他們通過用戶檢索的圖像來檢測出性別，以減少檢索時(shí)間，提高檢索效率，并有效提高圖像中對(duì)象的相似性。

在探討深度學(xué)習(xí)算法的同時(shí)，還需要深入了解這些算法的細(xì)分和特點(diǎn)，以及在實(shí)際中的應(yīng)用。

2.2.1" 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）［40］是一種特殊的前饋神經(jīng)網(wǎng)絡(luò)，能很好地處理網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，主要用于圖像處理和計(jì)算機(jī)視覺任務(wù)，通過卷積層和池化層，從圖像中提取特征，在這基礎(chǔ)上，通過全連接層進(jìn)行分類或預(yù)測，大大提高了其效率和準(zhǔn)確性。將服裝圖像輸入CNN，可直接獲取圖像中包含的服裝特征，而無需手動(dòng)提取特征。Khalid等［41］設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于兩階段深度學(xué)習(xí)的模型，該模型旨在推薦服裝時(shí)尚風(fēng)格，通過帶有服裝的圖像中提取各種屬性來學(xué)習(xí)用戶的服裝風(fēng)格和偏好，并使用CNN作為圖像對(duì)象的視覺提取器。

YOLO是一種基于卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)目標(biāo)檢測算法［42］，可以一次性預(yù)測圖像中多個(gè)目標(biāo)的位置和類別。相比于傳統(tǒng)的滑動(dòng)窗口區(qū)域提取方法，YOLO將目標(biāo)檢測問題轉(zhuǎn)化為一個(gè)回歸問題。Liu等［43］提出了一種分支CNN架構(gòu)FashionNet，通過預(yù)測服裝屬性和地標(biāo)來學(xué)習(xí)服裝的特征。Morelli等［44］通過整合硬底片，使用帶有改進(jìn)的三重態(tài)損失函數(shù)的CNN進(jìn)行時(shí)尚檢索。

此外，Kumar等［45］利用Amazon Apparel數(shù)據(jù)庫，該數(shù)據(jù)庫包含了18萬件服裝的數(shù)據(jù)。他們將自然語言處理（NLP）技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，以幫助預(yù)測類似的產(chǎn)品。在NLP分析和推薦過程中，產(chǎn)品的標(biāo)題被用作主要的屬性。最后，他們使用卷積神經(jīng)網(wǎng)絡(luò)從產(chǎn)品圖像中創(chuàng)建一個(gè)特征向量，并將該向量與所有其他向量結(jié)合起來進(jìn)行預(yù)測。具體來說，比較所有特征向量之間的距離，推薦距離最小的特征向量對(duì)應(yīng)的產(chǎn)品。VGG-16架構(gòu)流程如圖3所示，從圖像中提取特征的VGG-16（CNN架構(gòu)，有16層）架構(gòu)。

在服裝推薦這個(gè)過程中，接收到的標(biāo)題、品牌、顏色和圖像的矢量被整合成一個(gè)大的矢量，該矢量代表單個(gè)產(chǎn)品。通過計(jì)算服裝之間的歐幾里得距離，可找到與目標(biāo)產(chǎn)品最相似的其他產(chǎn)品，從而進(jìn)行推薦或檢索。

2.2.2" 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）是一種適用于序列數(shù)據(jù)建模的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［46］。與前饋神經(jīng)網(wǎng)絡(luò)不同的是，RNN具有循環(huán)結(jié)構(gòu)，可捕捉數(shù)據(jù)中的時(shí)間相關(guān)性，這使其在處理序列數(shù)據(jù)時(shí)表現(xiàn)出色。長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元是為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)中的梯度消失問題而提出的改進(jìn)型結(jié)構(gòu)。梯度消失問題指的是在反向傳播過程中，由于梯度在每次迭代中以指數(shù)級(jí)衰減的方式傳播，導(dǎo)致遠(yuǎn)距離之間的依賴關(guān)系無法有效地學(xué)習(xí)和保留。在服裝單品序列信息的處理中，RNN可被用來處理序列型特征問題，例如可以利用RNN來對(duì)服裝款式、顏色等特征進(jìn)行序列化處理。

Jiang等［47］提出了Stile，一種端到端的智能時(shí)尚顧問系統(tǒng)，旨在為給定的服裝生成時(shí)尚的搭配建議。與以往系統(tǒng)不同的是，Stile框架考慮了服裝搭配中服裝單品的整體兼容性，通過雙向長短期記憶網(wǎng)絡(luò)對(duì)服裝單品之間的依賴關(guān)系進(jìn)行建模，從而確保同一套裝中的服裝單品具有相似的風(fēng)格和搭配，使得服裝搭配推薦效果更加和諧。

2.2.3" 生成對(duì)抗網(wǎng)絡(luò)

生成對(duì)抗網(wǎng)絡(luò)（Generative adversarial network，GAN）是一種由一個(gè)生成器和一個(gè)判別器組成的生成式神經(jīng)網(wǎng)絡(luò)［48］。這兩個(gè)神經(jīng)網(wǎng)絡(luò)通過在極小極大博弈框架中相互競爭來進(jìn)行訓(xùn)練。在訓(xùn)練過程中，生成器試圖生成逼真的樣本，而判別器則試圖判斷生成樣本與真實(shí)樣本的區(qū)別。

Cui等［49］提出了一種基于GAN的端到端虛擬服裝展示方法，旨在簡化3D虛擬服裝展示過程，減少對(duì)用戶專業(yè)知識(shí)的需求。傳統(tǒng)的3D虛擬服裝方法需要復(fù)雜的交互和特定領(lǐng)域的用戶知識(shí)，而該方法只需要用戶想要的時(shí)裝草圖和指定的面料圖像，即可快速自動(dòng)生成與輸入的服裝草圖和面料圖像形狀紋理一致的虛擬服裝圖像。此外，該方法還支持?jǐn)U展到輪廓圖像和服裝圖像，進(jìn)一步提高了服裝設(shè)計(jì)的重用率。與傳統(tǒng)的圖像對(duì)圖像方法相比，該方法生成的圖像在顏色和形狀方面都有更好的效果，為服裝設(shè)計(jì)領(lǐng)域帶來新的便利。

2.2.4" 其他

記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)（Memory augmented neural networks，MANN）是一種特殊類型的神經(jīng)網(wǎng)絡(luò)，通過模擬人類的記憶能力并進(jìn)行更復(fù)雜的推理和推斷［50］。這種神經(jīng)網(wǎng)絡(luò)通過引入記憶單元和注意力機(jī)制來增強(qiáng)其處理和存儲(chǔ)信息的能力。在服裝推薦系統(tǒng)中，通過利用MANN，推薦系統(tǒng)可以更好地理解用戶的個(gè)人偏好和風(fēng)格，并提供更個(gè)性化的服裝推薦。De Divitiis等［51］提出了一種MANN，旨在通過考慮服裝屬性的共存來構(gòu)建完整的服裝搭配，從而解決服裝推薦中兼容的問題。他們通過項(xiàng)目的解糾纏表示，并將其存儲(chǔ)在外部記憶模塊中，通過這些模塊來達(dá)成更有效的推薦效果。

多模態(tài)學(xué)習(xí)（Multimodal machine learning，MMML）是指利用多種不同的數(shù)據(jù)模態(tài)來進(jìn)行學(xué)習(xí)和推薦［52］。在服裝推薦系統(tǒng)中，MMML可結(jié)合圖像和文本信息，綜合考慮用戶偏好和衣物特征，提供更準(zhǔn)確的個(gè)性化推薦。劉軍平等［53］基于服裝搭配的匹配度量化標(biāo)準(zhǔn)，構(gòu)建了單品潛在特征表示空間的嵌入模型，通過構(gòu)建融合多模態(tài)信息的矩陣分解框架模型，進(jìn)一步分析了現(xiàn)有多模態(tài)特征融合算法的不足。他們通過這一模型刻畫了不同用戶的服裝風(fēng)格偏好，結(jié)合特征提取、多模態(tài)特征融合和匹配度計(jì)算等手段建立個(gè)性化服裝搭配方案。實(shí)驗(yàn)結(jié)果表明，該模型計(jì)算出的服裝匹配度達(dá)到了0.81，相較于傳統(tǒng)方法提高了1.25%，實(shí)現(xiàn)了更高準(zhǔn)確度和推薦精度的個(gè)性化服裝推薦。

3" 服裝推薦系統(tǒng)的應(yīng)用

3.1" 電子商務(wù)服裝推薦

如今服裝推薦系統(tǒng)在電商平臺(tái)中廣泛應(yīng)用，這些系統(tǒng)通過分析用戶的購買歷史、瀏覽行為、個(gè)人喜好和其他相關(guān)數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘等技術(shù)，為用戶提供個(gè)性化的服裝推薦。通過推薦系統(tǒng)，用戶可以快速準(zhǔn)確地找到符合需求與偏好的服裝，提升購物體驗(yàn)，增加店鋪銷售額。服裝推薦系統(tǒng)在電子商務(wù)平臺(tái)中的應(yīng)用具有以下特點(diǎn)：

a）實(shí)時(shí)更新推薦：在電商平臺(tái)中，服裝推薦系統(tǒng)可實(shí)時(shí)追蹤用戶行為數(shù)據(jù)，根據(jù)用戶最新的瀏覽、點(diǎn)擊和購買行為，及時(shí)更新推薦結(jié)果。這種實(shí)時(shí)更新的機(jī)制有助于捕捉用戶當(dāng)前的興趣與購買趨勢(shì)，為用戶提供更精準(zhǔn)、個(gè)性化的服裝推薦，增強(qiáng)用戶體驗(yàn)和購物滿意度，從而增加用戶購買的可能性。

b）提供搭配建議：在推薦服裝單品的基礎(chǔ)上，系統(tǒng)還可根據(jù)用戶喜好與需求，提供合理的搭配建議。通過分析用戶的身高、體重、風(fēng)格和顏色偏好等多種因素，為用戶量身定制完整的服裝搭配方案，實(shí)現(xiàn)更加個(gè)性化的推薦效果。

c）具有社交屬性：在電商平臺(tái)中增添社交屬性，允許用戶在平臺(tái)上分享穿搭與購物體驗(yàn)，與其他用戶進(jìn)行交流與討論。通過社交功能，用戶可獲取他人的搭配靈感，促進(jìn)用戶之間的互動(dòng)交流，建立社群關(guān)系，從而增強(qiáng)用戶對(duì)電商平臺(tái)的黏性。

3.2" 服裝搭配推薦應(yīng)用

在搭建服裝搭配推薦應(yīng)用時(shí)，需要在服裝推薦系統(tǒng)的基礎(chǔ)上考慮服裝間的兼容性問題以滿足用戶需求。這需要考慮服裝顏色搭配、風(fēng)格匹配、溫度與厚度匹配和特殊場合需求等因素。這些因素可以在推薦系統(tǒng)中作為特征或規(guī)則等形式進(jìn)行嵌入或建模，再通過算法判斷服裝之間的兼容性，從而提供更準(zhǔn)確和合適的服裝搭配推薦。同時(shí)，系統(tǒng)也應(yīng)該允許用戶根據(jù)個(gè)人偏好，調(diào)整和定制搭配推薦結(jié)果。Yang等［54］提出了一種基于屬性的可解釋兼容性方法，該方法將可解釋性注入到項(xiàng)目的建模中，即給定匹配的項(xiàng)目對(duì)的語料庫。他們通過學(xué)習(xí)導(dǎo)致良好匹配的可解釋模式。Sarkar等［55］提出了一個(gè)名Outfit Transformer的框架，該框架旨在解決服裝上下文中的兼容性預(yù)測和互補(bǔ)項(xiàng)檢索問題。它利用任務(wù)特定的標(biāo)記和自我注意機(jī)制來學(xué)習(xí)服裝級(jí)別的表示，以捕捉服裝中所有物品之間的兼容性關(guān)系。

為了衡量服裝的搭配度，可以通過計(jì)算搭配項(xiàng)與查詢項(xiàng)之間的匹配程度，從而在服裝圖像庫中獲取最佳搭配。根據(jù)服裝風(fēng)格相似的原則，目前客觀的搭配度衡量方法主要采用距離度量（如歐式距離），或者相似度度量（如余弦相似度）來評(píng)判搭配的相似程度。

歐式距離常被應(yīng)用于衡量服裝搭配的相似度［56］。在服裝搭配中，可以將服裝的各個(gè)特征（如顏色、款式、材質(zhì)等）表示為特征向量。然后，通過計(jì)算不同服裝之間的歐式距離，可以評(píng)估它們?cè)谔卣骺臻g中的相似度。距離越小，表示服裝之間的搭配度越高。

余弦相似度考慮的是兩個(gè)向量之間的夾角，而不是它們之間的距離［57］。余弦相似度越大，表示兩個(gè)向量的方向越接近，從而在服裝搭配中也意味著它們之間的搭配度越高。

除去以上較為客觀的評(píng)判方式，在服裝搭配領(lǐng)域也有一些主觀的評(píng)判方法。國內(nèi)常用的主觀評(píng)判方法有用戶體驗(yàn)評(píng)分和網(wǎng)絡(luò)投票，前者由用戶對(duì)搭配效果進(jìn)行評(píng)分，后者則以點(diǎn)贊數(shù)來體現(xiàn)搭配認(rèn)可度［58-59］。人工評(píng)價(jià)往往能直觀體現(xiàn)用戶的滿意度，但會(huì)可能受到主觀因素的影響。因此，可以結(jié)合客觀評(píng)判方式來共同進(jìn)行衡量，以提高結(jié)果的準(zhǔn)確性和個(gè)性化。對(duì)搭配度的準(zhǔn)確衡量有助于檢驗(yàn)?zāi)Ｐ托б嬉约疤岣呦到y(tǒng)搭配結(jié)果的可解釋性。

4" 結(jié)語

從國內(nèi)外對(duì)服裝搭配推薦系統(tǒng)的研究現(xiàn)狀來看，眾多學(xué)者仍專注于提升對(duì)服裝的檢測識(shí)別精度與服裝推薦模型準(zhǔn)確度，且目前已經(jīng)取得一定進(jìn)展，但仍然面臨著許多問題需要解決。例如，建立推薦系統(tǒng)需要大量收集用戶個(gè)人數(shù)據(jù)，因此用戶數(shù)據(jù)隱私保護(hù)至關(guān)重要，需要采取更多措施來確保用戶信息的機(jī)密性。與此同時(shí)，算法模型的可解釋性低以及用戶參與度不高等問題也亟待解決。為了實(shí)現(xiàn)更準(zhǔn)確與個(gè)性化的服裝推薦，需要在提升算法精度與效果的同時(shí)，結(jié)合用戶需求與服裝的特性。建議未來可以考慮將虛擬現(xiàn)實(shí)技術(shù)與服裝推薦系統(tǒng)相融合，實(shí)現(xiàn)更逼真的試穿體驗(yàn)，推動(dòng)服裝推薦系統(tǒng)向更全面、更智能化的方向發(fā)展。

參考文獻(xiàn)：

［1］RESNICK P， VARIAN H R. Recommender systems［J］. Communications of the ACM， 1997， 40（3）： 56-58.

［2］王靜，王小藝，蘭翠芹，等. 服裝個(gè)性化定制中信息技術(shù)的應(yīng)用與展望［J］. 絲綢， 2024， 61（1）： 96-108.

WANG Jing， WANG Xiaoyi， LAN Cuiqin， et al. Application and prospect of information technology in pers-onalized clothing customization［J］. Journal of Silk， 2024， 61（1）： 96-108.

［3］潘王蕾，何瑛. 基于個(gè)性化推薦的服裝知識(shí)圖譜構(gòu)建［J］. 服裝學(xué)報(bào)， 2022， 7 （3）： 275-282.

PAN Wanglei， HE Ying. Construction of clothing knowl-edge graph based on personalized recommendation［J］. Journal of Clothing Research， 2022， 7（3）： 275-282.

［4］DING Y， LAI Z， MOK P Y， et al. Computational techn-ologies for fashion recommendation： A survey［J］. ACM Computing Surveys， 2023， 56（5）： 1-45.

［5］張琦妍， 支阿玲， 羅戎蕾. 服裝風(fēng)格圖像的識(shí)別分類研究進(jìn)展［J］. 染整技術(shù)， 2023， 45（9）： 1-8.

ZHANG Qiyan， ZHI Aling， LUO Ronglei. Research progress in recognition and classification of clothing style images ［J］. Textile Dyeing and Finishing Journal， 2023， 45（9）： 1-8.

［6］CHEN H， GALLAGHER A， GIROD B. Describing Clothing by Semantic Attributes［M］. Computer Vision-ECCV 2012. Berlin， Heidelberg： Springer Berlin Heidel-berg， 2012： 609-623.

［7］YANG M， YU K. Real-time clothing recognition in surve-illance videos［C］//18th IEEE International Conference on Image Processing， Brussels， Belgium， IEEE， 2011：214.

［8］SURAKARIN W， CHONGSTITVATANA P. Classification of clothing with weighted SURF and local binary patterns［C］//International Computer Science and Engine-ering Conference（ICSEC）. Chiang Mai， Thailand. IEEE， 2015：21.

［9］LEE C H， LIN C W. A two-phase fashion apparel detection method based on YOLOv4［J］. Applied Sciences， 2021， 11（9）： 3782.

［10］唐運(yùn)軍， 孫舒暢. 機(jī)器學(xué)習(xí)中的特征工程方法［J］. 汽車實(shí)用技術(shù)， 2020（12）： 70-72.

TANG Yunjun， SUN Shuchang. Feature engineering methods in machine learning［J］. Automobile Applied Technology， 2020（12）： 70-72.

［11］張艷紅， 楊思， 徐增波. 數(shù)字圖像處理技術(shù)在服裝領(lǐng)域的應(yīng)用［J］. 毛紡科技， 2019， 47（10）： 83-88.

ZHANG Yanhong， YANG Si， XU Zengbo. Application of digital image processing technology in clothing［J］. Wool Textile Journal，2019，47（10）：83-88.

［12］SEYEDNEZHAD S M M， COZART K N， BOWLLAN J A， et al. A review on recommendation systems： Context-aware to social-based［EB/OL］. 2018：1811.11866. DOI：10.48550/arXiv.1811.11866.

［13］ALZU'BI A， YOUNIS L B， MADAIN A. An interactive attribute-preserving fashion recommendation with 3D image-based virtual try-on［J］. International Journal of Multi-media Information Retrieval， 2023， 12（2）： 24.

［14］LIU F， CHENG Z， ZHU L， et al. Interest-aware message-passing GCN for recommendation［C］//Procee-dings of the Web Conference. Ljubljana， Slovenia. ACM， 2021： 1296-1305.

［15］SHEN X， LI X， ZHOU B， et al. Dynamic knowledge modeling and fusion method for custom apparel production process based on knowledge graph［J］. Advanced Engine-ering informatics， 2023， 55： 101880.

［16］ZHANG Q， LU J， JIN Y. Artificial intelligence in recommender systems［J］. Complex amp; Intelligent Systems， 2021， 7（1）：439-457.

［17］楊怡然， 吳巧英. 智能化服裝搭配推薦研究進(jìn)展［J］. 浙江理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 45（1）： 1-12.

YANG Yiran， WU Qiaoying. Research progress of intelligent clothing matching recommendation［J］. Journal of Zhejiang Sci-Tech University （Natural Sciences Edition）， 2021， 45（1）： 1-12.

［18］YERUVA S， SATHVIKA A， SRUTHI D， et al. Apparel recommendation system using content-based filtering［J］. International Journal of Recent Technology and Engin-eering （IJRTE）， 2022， 11（4）： 46-51.

［19］SU X， GAO M， REN J， et al. Personalized clothing recommendation based on user emotional analysis［J］. Discrete Dynamics in Nature and Society， 2020， 20： 7954393.

［20］DANG C N， MORENO-GARCA M N， DE LA PRIETA F. An approach to integrating sentiment analysis into recommender systems［J］. Sensors， 2021， 21（16）： 5666.

［21］丁嘉鳴. 基于在線評(píng)論的商品推薦方法［J］. 計(jì)算機(jī)時(shí)代， 2023（8）： 137-140.

DING Jiaming. Online review-based approach to product recommendation［J］. Computer Era， 2023（8）： 137-140.

［22］ZHOU X， LIANG H E， DONG Z. A personalized recommendation model for online apparel shopping based on Kansei engineering［J］. International Journal of Clothing Science and Technology， 2017， 29（1）： 2-13.

［23］DASH B B， DE U C， BEHERA T M， et al. Recommendation system for e-commerce apparel stores based on text-semantics［C］//2nd International Conference for Innovation in Technology （INOCON）. Bangalore， India. IEEE， 2023： 1-5.

［24］王淼， 李大為. 基于內(nèi)容與協(xié)同過濾的混合推薦算法在數(shù)字科技館中的應(yīng)用［J］. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用， 2023（8）： 37-39.

WANG Miao， LI Dawei. Application of hybrid recommen-dation algorithm based on content and collaborative filte-ring in digital science museum ［J］. Network Security Technology amp; Application， 2023（8）： 37-39.

［25］許海玲， 吳瀟， 李曉東， 等. 互聯(lián)網(wǎng)推薦系統(tǒng)比較研究［J］. 軟件學(xué)報(bào)， 2009， 20（2）： 350-362.

XU Hailing， WU Xiao， LI Xiaodong， et al. Comparison study of internet recommendation system［J］. Journal of Software， 2009， 20（2）： 350-362.

［26］馬宏偉， 張光衛(wèi)， 李鵬. 協(xié)同過濾推薦算法綜述［J］. 小型微型計(jì)算機(jī)系統(tǒng)， 2009， 30（7）： 1282-1288.

MA Hongwei， ZHANG Guangwei， LI Peng. Survey of collaborative filtering algorithms［J］. Journal of Chinese Computer Systems， 2009， 30（7）： 1282-1288.

［27］LIU Y， NIE J， XU L， et al. Clothing Recommendation System Based on Advanced User-Based Collaborative Filt-ering Algorithm［M］. Lecture Notes in Electrical Engin-eering. Singapore： Springer Singapore， 2017： 436-443.

［28］趙子花， 任若彤， 劉爽等. 融合氣象數(shù)據(jù)的協(xié)同過濾推薦服裝智慧穿搭A(yù)PP設(shè)計(jì)［J］. 廊坊師范學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2020， 20（3）： 16-20.

ZHAO Zihua， REN Ruotong， LIU Shuang， et al. Design of collaborative filtering recommendation of the intelligent dressing APP based on meteorological Data［J］. Journal of Langfang Normal University（Natural Science Edition）， 2020， 20（3）： 16-20.

［29］CHENG Z， LIU F， MEI S， et al. Feature-level attentive ICF for recommendation［EB/OL］. 2021： 2102.10745.http：//arxiv.org/abs/2102.10745v2.

［30］HWANGBO H， KIM Y S， CHA K J. Recommendation system development for fashion retail e-commerce［J］. Electronic Commerce Research and Applications， 2018， 28： 94-101.

［31］LING X， JIN Z， HONG Y， et al. Development of novel fashion design knowledge base by integrating conflict rule processing mechanism and its application in personalized fashion recommendations. ［J］ Textile Research Journal. 2023;93（5-6）： 1069-1089.

［32］HONG Y， ZENG X， BRUNIAUX P， et al. Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support［J］. Textile Research Journal， 2018， 88（23）： 2682-2698.

［33］DONG M， ZENG X， KOEHL L， et al. An interactive knowledge-based recommender system for fashion product design in the big data environment［J］. Information Scien-ces， 2020， 540： 469-488.

［34］ZHANG J， ZENG X， DONG M， et al. Garment recommendation in an e-shopping environment by using a Markov Chain and Complex Network integrated method［J］. Textile Research Journal， 2021， 91（23/24）： 2950-2961.

［35］LING X， HONG Y， PAN Z. Development of a dress design knowledge base （DDKB） based on sensory evaluation and fuzzy logic［J］. International Journal of Clothing Science and Technology， 2020， 33（1）： 137-149.

［36］余凱， 賈磊， 陳雨強(qiáng)， 等. 深度學(xué)習(xí)的昨天、今天和明天［J］. 計(jì)算機(jī)研究與發(fā)展， 2013， 50（9）： 1799-1804.

YU Kai， JIA Lei， CHEN Yuqiang， et al. Deep learning： Yesterday， today and tomorrow ［J］. Journal of Computer Research and Development， 2013， 50（9）： 1799-1804.

［37］HAN Y， NANDA G， MOGHADDAM M. Attribute-sentiment-guided summarization of user opinions from online reviews［J］. Journal of Mechanical Design， 2023， 145（4）： 041402.

［38］LEE G H， KIM S， PARK C K. Development of fashion recommendation system using collaborative deep learning［J］. International Journal of Clothing Science and Technology， 2022.

［39］NAHAM A Z， WANG J， RAEED A S. Multi-task learning and gender-aware fashion recommendation system using deep learning［J］. Electronics， 2023， 12（16）： 3396.

［40］鄭雨婷，王成群，陳亮亮，等.基于卷積神經(jīng)網(wǎng)絡(luò)的織物圖像識(shí)別方法研究進(jìn)展［J］.現(xiàn)代紡織技術(shù)，2022，30（5）：1-11.

ZHENG Yuting， WANG Chengqun， CHEN Liangliang， et al. Research progress of fabric image processing methods based on convolutional neural network［J］. Advanced Textile Technology， 2022， 30（5）： 1-11.

［41］KHALID M， MAO K， HUSSAIN T. Design and implementation of clothing fashion style recommendation system using deep learning［J］. Romanian Journal of Information Technology amp; Automatic Control， 2023， 31（4）：20.

［42］周曉彥， 王珂， 李凌燕. 基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述［J］. 電子測量技術(shù)， 2017， 40（11）： 89-93.

ZHOU Xiaoyan， WANG Ke， LI Lingyan. Review of object detection based on deep learning［J］. Electronic Measurement Technology， 2017， 40（11）： 89-93.

［43］LIU Z， LUO P， QIU S， et al. Deep fashion： Powering robust clothes recognition and retrieval with rich anno-tations［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， NV， USA. IEEE， 2016： 1096-1104.

［44］MORELLI D， CORNIA M， CUCCHIARA R. Fashion search++： Improving consumer-to-shop clothes retrieval with hard negatives［C］//Italian Information Retrieval Workshop. Bari， Italy. 2021：2947.

［45］KUMAR SHARMA A， BAJPAI B， ADHVARYU R，， et al. An efficient approach of product recommendation system using NLP technique［J］. Materials Today： Proceedings， 2023， 80： 3730-3743.

［46］徐開心，戴寧，汝欣，等.基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的織機(jī)了機(jī)預(yù)測［J］. 現(xiàn)代紡織技術(shù)，2023，31（3）：70-80.

XU Kaixin， DAI Ning， RU Xin， et al. Prediction of loomwarp-out time based on LSTM recurrent neural network［J］. Advanced Textile Technology， 2023， 31（3）： 70-80.

［47］JIANG Y， XU Q， CAO X， et al. Who to ask： An intelligent fashion consultant［C］//Proceedings of the International Conference on Multimedia Retrieval. Yokohama Japan. ACM， 2018： 525-528.

［48］施倩，羅戎蕾.基于生成對(duì)抗網(wǎng)絡(luò)的服裝圖像生成研究進(jìn)展［J］.現(xiàn)代紡織技術(shù)，2023，31（2）：36-46.

SHI Qian， LUO Ronglei. Research progress of clothing image generation based on Generative Adversarial Networks［J］. Advanced Textile Technology， 2023， 31（2）： 36-46.

［49］CUI Y R， LIU Q， GAO C Y， et al. Fashion GAN： display your fashion design using conditional generative adversarial nets［C］//Computer Graphics Forum. 2018， 37（7）： 109-119.

［50］汪晨， 曾凡玉， 郭九霞. 記憶增強(qiáng)型深度強(qiáng)化學(xué)習(xí)研究綜述［J］. 小型微型計(jì)算機(jī)系統(tǒng)， 2021， 42（3）： 454-461.

WANG Chen， ZENG Fanyu， GUO Jiuxia. Survey on memory-augmented deep reinforcement learning［J］. Journal of Chinese Computer Systems， 2021， 42（3）： 454-461.

［51］DE DIVITIIS L， BECATTINI F， BAECCHI C， et al. Disentangling features for fashion recommendation［J］. ACM Transactions on Multimedia Computing， Communi-cations and Applications， 2023， 19（1s）： 39.

［52］郭續(xù)， 買日旦·吾守爾， 古蘭拜爾·吐爾洪. 基于多模態(tài)融合的情感分析算法研究綜述［J］. 計(jì)算機(jī)工程與應(yīng)用， 2024， 60（2）： 1-18.

GUO Xu， MAIRIDAN Wushouer， GULANBAIER Tuerhong. Survey of Sentiment Analysis Algorithms Based on Multimodal Fusion ［J］. Computer Engineering and Applications， 2024， 60（2）： 1-18.

［53］劉軍平， 張伏紅， 胡新榮，等. 基于多模態(tài)融合的個(gè)性化服裝搭配推薦［J］. 紡織學(xué)報(bào)， 2023， 44（3）： 176-186.

LIU Junping， ZHANG Fuhong， HU Xinrong， et al. Personalized clothing matching recommendation based on multi-modal fusion［J］. Journal of Textile Research， 2023， 44（3）： 176-186.

［54］YANG X， HE X， WANG X， et al. Interpretable fashion matching with rich attributes［C］//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. Paris， France. ACM， 2019： 775-784.

［55］SARKAR R， BODLA N， VASILEVA M， et al. Outfit Transformer： Outfit representations for fashion recommen-dation［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans， LA， USA. IEEE， 2022： 2263-2267.

［56］林瑞冰，賈靜，徐平華，等.融合視覺感知機(jī)制的品牌女裝設(shè)色解析［J］.服裝學(xué)報(bào)，2023，8（6）：546-553.

LIN Ruibing， JIA Jing， XU Pinghua， et al. Color parsing of female brand costume based on visual perception mechanism［J］. Journal of Clothing Research， 2023， 8（6）： 546-553.

［57］李圓，王孝東，于淼.以穿衣搭配數(shù)據(jù)為基礎(chǔ)的協(xié)同過濾算法改進(jìn)［J］.紡織高校基礎(chǔ)科學(xué)學(xué)報(bào)，2023，36（2）：93-100.

LI Yuan， WANG Xiaodong， YU Miao. Improvement of collaborative filtering algorithm based on clothing matching data［J］. Basic Sciences Journal of Textile Universities， 2023， 36（2）： 93-100.

［58］陳柯. 基于多屬性融合的服裝搭配推薦［D］. 杭州： 浙江大學(xué)， 2018.

CHEN Ke. Clothing Collocation Recommendation Based on Multi-Attribute Fusion［D］. Hangzhou： Zhejiang University， 2018.

［59］馬佳敏，吳晶，周旭東，等.新零售業(yè)態(tài)下皮具品牌營銷策略分析［J］.皮革科學(xué)與工程，2022，32（5）：89-94.

MA Jiamin， WU Jing， ZHOU Xudong， et al. Analysis of leather brand marketing strategy under the new retail format［J］. Leather Science and Engineering， 2022， 32（5）： 89-94.

Research progress on key technologies of clothing recommendation systems

L Furong，" SHI" Yunlong，" JING "Xiaoning，" ZENG" Qianyi，" ZHU" Xuewei，" LEI" Haiyang

（School of Textile Science and Engineering， Tiangong University， Tianjin 300387， China）

Abstract：

As the scale of e-commerce continues to expand， the number and variety of products are rapidly increasing， requiring customers to spend a considerable amount of time to find the products they need. This process of browsing through large amounts of irrelevant information and products undoubtedly leads consumers to be drown in an overload of information. To address this issue， recommendation systems have emerged. Recommendation systems are advanced business intelligence platforms built on massive data mining foundations， designed to provide e-commerce websites with personalized decision support and information services tailored to their customers. The emergence and development of the Internet have triggered a digital storm， gradually applying recommendation technology to various fields such as e-commerce， news delivery， social networking， and music entertainment. Clothing， as an important component of the fashion industry， benefits from the integration of the Internet and the fashion industry， bringing new possibilities for clothing design， production， and consumption. Clothing recommendation， as a significant research direction in the computer fashion field， has garnered widespread attention from fields like computer vision， multimedia， and information retrieval. Compared to traditional offline shopping， online purchase of clothing and accessories is more convenient. A typical recommendation system predicts user interest in a particular item based on given information about the product and the user， as well as interaction history， thereby providing personalized products or services to the user. Clothing recommendation can be seen as a specific application of recommendation systems in the field of e-commerce， but it possesses uniqueness in many aspects. People's demands for personalized clothing quality， styles， and matching are constantly growing， making digital transformation crucial for the clothing industry. Faced with massive clothing data， clothing recommendation systems play a crucial role as a key link， including personalized recommendations， enhancing user experience， and increasing revenue， bringing numerous practical benefits to both users and businesses， and simultaneously driving the industry towards intelligent and efficient development. This article combines the key aspects of clothing recommendation systems and summarizes the general process and related technologies for creating clothing recommendation systems， including data collection and preprocessing， feature engineering， and model construction. It provides a detailed overview of key technologies in both traditional recommendation techniques and deep learning applied in the field of clothing recommendations， analyzing the application and expansion of various algorithms. In terms of application， clothing recommendation systems are widely used in e-commerce platforms and clothing styling recommendation apps， offering users convenient shopping and styling suggestions. Finally， based on the application areas and development trends of clothing recommendation systems， it explores the pressing issues that clothing recommendation systems need to address and future innovative directions.

Keywords：

recommendation system; recommendation algorithm; clothing matching; clothing recommendation; algorithm research; deep learning