[发明专利]一种基于多层神经网络的服装号型推荐系统

权利要求书

1.一种基于多层神经网络的服装号型推荐系统，其特征在于，采用一个六层的神经网络，包括一个数据输入层、四个隐藏层和一个输出层；所述数据输入层用于输入人体尺寸信息、服装号型数据和服装类型；所述四个隐藏层中，有两个是特征提取层，通过局部连接提取人体尺寸信息和服装号型特征信息，另外两个为匹配层，通过全连接的方式得到人体尺寸信息和对应类型服装号型之间的特征匹配情况；所述输出层用于输出各服装类型的各号型的匹配度大小，其中输出结果越大表示匹配程度越高；所述两个特征提取层中第一个特征提取层的总节点数为Hn1，包括：人体特征提取变换层为Hn1₁个节点，服装号型特征提取变换层为Hn1₂个节点；第一个特征提取层相应的权值和偏置矩阵为：其中，weights1₁的大小为Hn1₁×9，weights1₂的大小为Hn1₂×33，biases1₁为Hn1₁的维向量，biases1₂为Hn1₂的维向量；第一个特征提取层的激活函数为线性整流器，得到第一个隐藏层的输出为：其中，x₁为9维向量，表示输入的8个人体尺寸数据信息和1个服装类型信息，x₂为33维向量，表示输入的1个服装类型信息和32个号型数据信息；第二个特征提取层的总节点数为Hn2，包括：人体特征提取变换层为Hn2₁个节点，服装号型特征提取变换层为Hn2₂个节点；第二个特征提取层相应的权值和偏置矩阵为：其中，weights2₁的大小为Hn2₁×Hn1₁，weights2₂的大小为Hn2₂×Hn1₂，biases2₁为Hn2₁的维向量，biases2₂为Hn2₂的维向量；第二个特征提取层的激活函数为线性整流器，得到第二个隐藏层的输出为：

2.根据权利要求1所述的基于多层神经网络的服装号型推荐系统，其特征在于，所述的六层神经网络通过深度学习框架tensorflow建立，采用梯度下降法结合反向传播算法调整参数，且用交叉熵代价函数作为损失函数度量训练样本的输出损失，所述六层神经网络通过各个输入数据样本的训练，不断调整每层神经网络的权值和偏置参数，来减少输出损失，直到找到一个最优值；各隐藏层的特征节点数量利用经验公式确定，其中，m为隐藏层的节点数，n为输入节点数，l为输出节点数，α为不定数，范围是1～10。

3.根据权利要求1所述的基于多层神经网络的服装号型推荐系统，其特征在于，所述数据输入层输入8个人体尺寸数据，32个服装号型数据和1个服装类型数据；所述8个人体尺寸数据分别为身高、臂长、背长、胸围、颈围、肩宽、腰围和臀围。

4.根据权利要求1所述的基于多层神经网络的服装号型推荐系统，其特征在于，所述两个匹配层中第一个匹配层的总节点数为Hn3，权值和偏置矩阵分别为：Hn3×Hn2大小的矩阵weights3和Hn3维向量biases3，则该第一个匹配层的输出为：a³＝ReLU(weights3*a²+biases3)；第二个匹配层的总节点数为Hn4，权值和偏置矩阵分别为：Hn4×Hn3大小的矩阵weights4和Hn4维向量biases4，则该第二个匹配层的输出为：a⁴＝ReLU(weights4*a³+biases4)。

5.根据权利要求1所述的基于多层神经网络的服装号型推荐系统，其特征在于，所述输出层的节点有四个，分别表示服装的四个号型S、M、L、XL，对输出层线性变换结果进行softmax处理，得到因变量号型推荐结果，输出结果越大表示匹配程度越高。