久久久精品中文,一级片免费的,久久青视频,九热在线视频,色播丁香,成人AV影视在线,天天舔天天舔,好大好湿好硬顶到了爽视频

上一篇：《ACI，一種全新的人工智能藝術(shù)與時尚創(chuàng)意視角》

推薦系統(tǒng)近年來被應(yīng)用于各行各業(yè)，非常流行。推薦的對象包括：電影、短視頻、音樂、新聞、書籍、學(xué)術(shù)論文、搜索查詢。從讓你掏空錢包還透支花唄的某寶，到讓你刷到無法自拔的某音，眼看著“520節(jié)（ying）日（xiao）” 剛過， “618” 又開始提前預(yù)熱了。

錢包一次次被掏空，如今的軟件是怎么做到越來越 “懂” 用戶的呢？軟件背后極強大的推薦系統(tǒng)，究竟又是怎么做到的？

推薦系統(tǒng)是什么？

推薦系統(tǒng)是指一種信息過濾系統(tǒng)，用于預(yù)測用戶對物品的 “評分” 或 “偏好”。（維基百科）

推薦系統(tǒng)背后的原理

推薦系統(tǒng)產(chǎn)生推薦信息時，通常會考慮上下文和用戶畫像。

上下文

指的是推薦系統(tǒng)會在給你推薦商品時，將會考慮你所在的地理（城市、地區(qū)）、時間（季節(jié)氣候、節(jié)假日）等因素。如梅雨天干燥劑比平時好賣，夏天空調(diào)需求比較高等等。

用戶畫像

指年齡、性別等用戶屬性都可以被作為標(biāo)簽。如 18 歲的用戶一般不會 (低概率) 購買紙尿褲一類的嬰幼兒產(chǎn)品等等。

有了上下文和用戶畫像，推薦系統(tǒng)就能通過算法進行個性化推薦，而目前最廣泛應(yīng)用的推薦算法是協(xié)同過濾算法。

協(xié)同過濾主要分為兩種：

1 基于用戶的協(xié)同過濾；

2 基于物品的協(xié)同過濾。

基于用戶的協(xié)同過濾方法是指找到與用戶 A 有相同品味的用戶 B，然后將相似用戶 B 過去喜歡的物品推薦給用戶 A。而基于物品的協(xié)同過濾方法是通過計算物品之間的相似性來代替用戶之間的相似性。

這兩種方法也經(jīng)?；ハ嘟Y(jié)合，即混合推薦系統(tǒng)。

時尚推薦系統(tǒng)

時尚推薦系統(tǒng)主要涵蓋了服裝與配飾產(chǎn)品推薦、服飾搭配、發(fā)型和彩妝建議等等。

chanel的口紅色號推薦

如果你曾針對服裝時尚領(lǐng)域的任務(wù)運用深度學(xué)習(xí)算法的話，你會發(fā)現(xiàn)時尚感這件事是非常微妙和復(fù)雜的，這需要特定領(lǐng)域的專業(yè)知識。

例如，如果你想為某個特定的風(fēng)格搭配一套衣服，我們所需要做的是創(chuàng)造性地平衡顏色和融合不同的風(fēng)格單品。一方面，時尚這個概念通常是主觀且微妙的，雖然一般消費者不是時尚專家，但了解消費者共識也是很有價值的。另一方面，提取時尚圖像的特征可能需要大量的屬性標(biāo)簽。

以下內(nèi)容將介紹 6 種具有代表性的時尚推薦系統(tǒng)。

1 端到端的深度學(xué)習(xí)

深度學(xué)習(xí)領(lǐng)域的論文常常會提到 End-to-end（常譯為“端到端”）的神經(jīng)網(wǎng)絡(luò)，這里可以簡單理解為 “從輸入端到輸出端” 。這樣做的好處是可以確保最后的輸出結(jié)果達到最優(yōu)，壞處就是讓中間網(wǎng)絡(luò)部分越來越像一個黑箱（Black Box），可解釋性越來越差。

獲得具有詳盡標(biāo)簽的數(shù)據(jù)集是非常困難的，因此，現(xiàn)有的大多數(shù)研究都局限于一個簡單的場景，即檢索類似的衣服或為一個特定的活動選擇單獨的衣服。而 Yuncheng Li 等人提出了用一種數(shù)據(jù)驅(qū)動的方法，來訓(xùn)練一個可以自動組成合適的時尚服裝的模型。提出這種方法的動機是由于 Pinterest 和 YouTube 等線上平臺中的時尚趨勢激增，以及當(dāng)今青少年熱衷于這些網(wǎng)站上創(chuàng)造的各類新穎的時尚文化趨勢。

該任務(wù)的兩個難點：

難點 1 時尚圖像中視覺內(nèi)容的復(fù)雜性。對于時尚圖像，其屬性種類復(fù)雜，包括但不限于顏色、紋理、類別和風(fēng)格等等。

難點 2 時尚服裝搭配中豐富的上下文信息。例如，一個人的服裝搭配可以反映當(dāng)前的個性和興趣，甚至是特定的群體歸屬或文化歸屬。

服飾搭配與相應(yīng)的朋克亞文化群體

針對難點 1，他們提出了一個通過深度卷積網(wǎng)絡(luò)來編碼視覺特征的端到端系統(tǒng)，它把時尚服裝圖像作為輸入并處理它，然后預(yù)測用戶的喜愛水平。針對難點 2，提出了一個多模式深度學(xué)習(xí)框架，它利用了來自圖像本身的上下文信息，實驗表明多模態(tài)方法的性能顯著優(yōu)于單個模型。

時尚服裝評分模型

該模型主要是對整體搭配的質(zhì)量進行綜合評分，其中的關(guān)鍵步驟為時尚單品的表征（灰色虛線框的部分，即對粉色實線框中 Fashion Item Embedding 的進一步解釋）。這個步驟是多模態(tài)的，不僅對時尚單品的圖像進行特征提取，還對該單品對應(yīng)的類別、單品名進行特征提取，過程中使用了多種深度學(xué)習(xí)模型，如 CNN、Word2vec。

2 基于隱式反饋的方法

時尚領(lǐng)域有一些有趣的特性，例如季節(jié)、流行趨勢、價格的變化等，這使得對時尚產(chǎn)品的個性化推薦比在傳統(tǒng)領(lǐng)域更加困難。為了避免在使用顯式用戶評級時出現(xiàn)潛在的偏差。Hai Thanh Nguyen 等人的研究通過分析處理來自應(yīng)用程序中用戶的隱式反饋來產(chǎn)生時尚推薦。

這些隱式反饋包括了：用戶的實際行為，如點擊、收藏、加購和購買等，這些反饋被用來推斷用戶對與其交互過的產(chǎn)品的隱含偏好分?jǐn)?shù)。然后將此分?jǐn)?shù)與商品的價格和受歡迎程度以及用戶操作結(jié)果的近期性信息混合?；谶@些隱式偏好分?jǐn)?shù)，并通過應(yīng)用不同的推薦算法來推斷用戶對其他時尚項目的排名。

實驗結(jié)果表明，該方法的性能優(yōu)于最流行的基線方法，從而證明了它的有效性和可行性。

3 基于弱外觀特征時尚評價方法

眾所周知，網(wǎng)上購物的相關(guān)技術(shù)發(fā)展迅速，虛擬試衣和其他相關(guān)的智能設(shè)備也已經(jīng)被引入到時尚行業(yè)。許多不同的高級算法被提出，例如 Yan Zhang 等人所提出的基于弱外觀特征時尚評價方法。

首先在該研究中，弱外觀特征主要有三種，即妝容、配飾和頭發(fā)顏色。

本研究基本上認(rèn)為弱外觀特征是影響時尚水平的重要指標(biāo)。所以有很多與個人時尚水平相關(guān)的弱外觀特征，即上述提到的三類，這些進一步細(xì)分可能包括腮紅、唇色、眉毛顏色、帽子、手上和脖子上的任何配件等。通過支持向量機（Support Vector Machine，SVM）算法對這些特征進行分類，并對其時尚水平進行評估。

研究先建立了圖像數(shù)據(jù)庫，并提出了外觀弱特征的三個方面來描述時尚水平。此外，根據(jù)人物的面部特征定位方法提取了外觀弱特征。最后，可以通過支持向量機對消費者的時尚水平進行分類，并用層次分析方法進行驗證。

對弱外觀特征的評估引入了主觀的評價標(biāo)準(zhǔn)，即時尚水平，這通常需要通過專家對圖像人物進行主觀的評價。因此，這在一定程度上受限于專家的知識背景和心理動機。

時尚水平

描述分類

第一級

第二級

第三級

第四級

Wonderful

Great

Good

Common

通過化妝、配飾、發(fā)色等弱外觀特征來確定消費者的時尚水平，這樣，就可以將其應(yīng)用于智能服裝推薦系統(tǒng)中，對時尚推薦系統(tǒng)具有一定意義。

4 基于語義屬性區(qū)域引導(dǎo)的方法

在時尚推薦系統(tǒng)中，每個產(chǎn)品通常由多個語義屬性（例如，袖子、衣領(lǐng)等）組成。在做購買決策時，用戶通常會展現(xiàn)出對不同語義屬性的偏好 (例如有的用戶喜歡帶 V 領(lǐng)的衣服)。

以往的傳統(tǒng)時尚推薦模型都理解具有全局內(nèi)容表征的服裝圖像，但對用戶的更加細(xì)粒度的語義偏好缺乏詳細(xì)的理解，這通常會導(dǎo)致推薦的效率低下。為了彌補這一點，Min Hou等人提出了一種新的語義屬性可解釋推薦系統(tǒng)。

更具體地說，首先引入了一個細(xì)粒度的可解釋語義空間。然后，研究人員開發(fā)了一個語義提取網(wǎng)絡(luò)和細(xì)粒度偏好注意模塊，分別將用戶和時尚產(chǎn)品投影到這個空間中。使用該方法，不僅能夠為用戶提供服飾產(chǎn)品推薦，還能夠通過直觀的視覺屬性語義突出的個性化方式解釋推薦原因。

5 基于對抗性特征轉(zhuǎn)換器的補充推薦

傳統(tǒng)的補充產(chǎn)品推薦的方法依賴于行為和非視覺數(shù)據(jù)，如用戶共同瀏覽或共同購買。然而，時尚領(lǐng)域的產(chǎn)品主要都是視覺上的。Cong Phuoc Huynh 等人提出了一個框架，以一種無監(jiān)督的方式利用視覺線索，來產(chǎn)生這些作為補充同時出現(xiàn)在一個屏幕中的時尚產(chǎn)品圖像。

某寶中的時尚產(chǎn)品補充推薦

這里是配飾+上衣+涼鞋等不同品類的補充推薦

該模型學(xué)習(xí)了原單品和目標(biāo)單品的兩個類別（如服裝中的上衣和下裝）之間的非線性變換。根據(jù)一個包含了同時出現(xiàn)的產(chǎn)品類別和實例的大量圖像數(shù)據(jù)集，通過將其轉(zhuǎn)換為對抗性優(yōu)化問題，在特征表示空間上直接訓(xùn)練轉(zhuǎn)換器網(wǎng)絡(luò)。這樣的條件式生成模型可以根據(jù)給定的查詢指令，在特征空間中生成多個新的補充推薦單品。

根據(jù)輸入的褲子圖像（Query）

輸出相應(yīng)的上衣推薦

最后的推薦是從最接近生成的互補特征的真實樣例中選擇的，該框架應(yīng)用于為給定的下裝服裝產(chǎn)品推薦上衣產(chǎn)品的搭配任務(wù)，并且推薦結(jié)果是多樣化的。

6 神經(jīng)網(wǎng)絡(luò)造型師：服裝搭配的兼容性建模

服裝作為一種 “擁抱美” 產(chǎn)品，在人類的生活中起著重要的作用。事實上，一套合適的服裝的關(guān)鍵通常在于和諧的服裝搭配。然而，并不是每個人都擅長服裝搭配。幸運的是，新興的在線社區(qū)讓時尚領(lǐng)域的 KOL/KOC（關(guān)鍵意見領(lǐng)袖/消費者）們通過展示他們的服裝搭配來公開分享他們的搭配技巧和心得，其中每個時尚單品（如上衣或下裝) 通常都有一個圖像和上下文元數(shù)據(jù) (如標(biāo)題和類別）。如此豐富的時尚數(shù)據(jù)為我們提供了一個研究服裝搭配的新機會。

各類充斥著時尚搭配的內(nèi)容平臺

挑戰(zhàn)與機遇共存。挑戰(zhàn)：

1 影響時尚物品匹配性的復(fù)雜因素，如顏色、材料和形狀。

2 由于每個時尚單品都涉及到多種模態(tài)的數(shù)據(jù)（圖像和文本），如何處理異構(gòu)的多模態(tài)數(shù)據(jù)也是一個很大的挑戰(zhàn)。

每件單品都包含圖像以及文本數(shù)據(jù)

3 不同類別時尚單品之間的搭配關(guān)系相當(dāng)稀疏。

Xuemeng Song 等人提出了一種基于貝葉斯個性化排序 (BPR) 框架來建立時尚單品之間的搭配性。該方案能夠聯(lián)合建立時尚單品的多模態(tài)與用戶潛在匹配偏好之間的相關(guān)關(guān)系。

該推薦系統(tǒng)的一些實驗結(jié)果

相信你對時尚推薦系統(tǒng)有了一些新的理解和看法，如果這篇文章對你有幫助的話請記得點贊、點在看并星標(biāo)我們哦！

插播：比賽隊友招募

基于AI 對話系統(tǒng)的服裝設(shè)計

（誠招DeeCamp隊友）

賽題詳情：某集團旗下的 “犀牛智造” 是一家從服裝業(yè)切入的制造企業(yè)，為服裝行業(yè)帶來一場 “數(shù)字” 制衣的革命，在制造端已經(jīng)具備了 5 分鐘生產(chǎn) 2000 件不同衣服的能力。這時，如何將消費者對服裝定制化設(shè)計的需求，高效轉(zhuǎn)化為產(chǎn)品設(shè)計，就成為了下一個亟待解決的問題。

我們能否通過設(shè)計一個 AI 對話系統(tǒng)來達到目的呢？

人：“我想要一個某明星在某綜藝的同款”；

機：“那套我知道的，我已經(jīng)根據(jù)你的身形進行了尺寸調(diào)整，請看效果圖”；

人：“袖子有點長，可以短一些么？領(lǐng)口也可以再收一些；”

機：“沒問題，這就進行剪裁，請看調(diào)整后的效果圖”；

人：“還不錯，轉(zhuǎn)到背面也看一下？哦，還有，搭配我紅色的那雙鞋會不會更合適？”

…

2021 DeeCamp人工智能訓(xùn)練營-賽題 3.3

博士、碩士優(yōu)先

需要 NLP、CV 背景；若干名！

已經(jīng)通過面試的，可掃專欄二維碼聯(lián)系專欄作者

-END-