[发明专利]一种基于图像理解的纺织面料个性化推荐方法

权利要求书

1.一种基于图像理解的纺织面料个性化推荐的方法，其特征在于，包括以下步骤：

步骤1：对面料文本进行描述，考虑纹理、颜色分布以及图案形状三个方面；

从多元异构数据中，提取包括产品类别、属性、颜色、纹理周期及纹理复杂度面料图像的信息，对面料图像的纹理和颜色进行全局、综合表征；

步骤2：对已有数据集中的面料图像进行表征，使用面料风格、图案、组织结构及图案成型方式等视角的标注信息对织物进行表征；

步骤3：对多源异构数据提取的文本特征、图像手工特征和深度网络神经特征进行压缩，减少处理速度；

通过多源异构数据提取的文本特征、图像手工特征和深度神经网络特征，采用哈希编码、乘积量化等方法和图像特征进行压缩，从而减少处理速度；采用堆叠RBM的DBF进行特征融合与抽象，提取抽象的高层语义特征；

步骤4：采用关系型异构数据库完成对用户数据的采集，实现和发挥用户画像技术，完成对面料推荐系统用户标签体系的构建；

以网络日志的形式将用户在系统中的行为数据存储，对数据进行整理，获取完整数据，并将数据分割为使用数据分析的特征字段，对数据特征字段进行数据清洗，排除无用数据；

使用流失主动学习动态地对用户的行为特征进行量化，如公式：

使用可能性C-均值聚类PCM完成对面料推荐系统用户标签体系的构建，采用模糊聚类的目标函数：

步骤5：使用多层次的用户画像模型，完成对用户的群体细分；

步骤6：挖掘数据库中丰富的转换型特征以及生成准确的潜在用户向量表示；

步骤7：将探索循环神经网络挖掘会话上下文的序列关系，动态的融入推进系统；

步骤8：通过交互手段捕获用户对推荐系统的显示或者隐式评价，完成对推荐系统的持续优化。

2.根据权利要求1所述的基于图像理解的纺织面料个性化推荐的方法，其特征在于，所述的步骤8具体方式如下：

使用混合式异构自适应反馈优化机制，用户的隐式反馈数据为辅助域、显示反馈的数据为目标域，迁移辅助域中的知识到目标域中，实现推荐系统更好的优化，使得推荐结果的可控性增强；采用迁移方法的目标函数为：

构建的融合用户主动决策和隐式反馈的满意度模型，能够实现量化。

3.根据权利要求1或2所述的基于图像理解的纺织面料个性化推荐的方法，其特征在于，所述的步骤2中，采用颜色矩、灰度共生矩阵、ORB特征描述子、小波描述子、LBP特征描述子，对面料图像进行手工特征描述；基于低层特征的面料描述，针对不同颜色的纱线一般呈周期性排列从而形成不同的花纹和图案，把握面料图像的主色，联合颜色矩和主色用于表征面料图像的颜色特征；

使用多视角引导模型学习面料图像表征，用面料风格、图案、组织结构及图案成型方式等视角的标注信息引导模型进行织物表征，面料不同视角之间会有损失，使用公式对其进行加权求和：

4.根据权利要求1或2所述的基于图像理解的纺织面料个性化推荐的方法，其特征在于，所述的步骤6中，从多个视角和维度分析用户与系统的会话上下文并融入推荐系统机制，搭配RNN更好的挖掘数据库中丰富的转换型特征，以及生成准确的潜在用户向量表示。

5.根据权利要求1或2所述的基于图像理解的纺织面料个性化推荐的方法，其特征在于，所述的步骤7中，采用attention机制，有机的结合深度强化学习和迁移学习，对新用户进行个性化推荐时，若新用户属于已有类别，则按照已有类别对应的模型进行计算，若新用户属于新类别，则启动迁移学习机制，采用以下公式：

6.根据权利要求3所述的基于图像理解的纺织面料个性化推荐的方法，其特征在于，所述的步骤7中，采用attention机制，有机的结合深度强化学习和迁移学习，对新用户进行个性化推荐时，若新用户属于已有类别，则按照已有类别对应的模型进行计算，若新用户属于新类别，则启动迁移学习机制，采用以下公式：

7.根据权利要求4所述的基于图像理解的纺织面料个性化推荐的方法，其特征在于，所述的步骤7中，采用attention机制，有机的结合深度强化学习和迁移学习，对新用户进行个性化推荐时，若新用户属于已有类别，则按照已有类别对应的模型进行计算，若新用户属于新类别，则启动迁移学习机制，采用以下公式：