[发明专利]一种基于用户偏好的服装推荐方法

权利要求书

1.一种基于用户偏好的服装推荐方法，其特征在于，包括如下步骤：

步骤（1），获取用户输入的服装图像信息；

步骤（2），通过服装风格识别模型对用户输入的服装图像进行风格识别，并获得风格标签；

所述步骤（2）中的服装风格识别模型包括卷积神经网络与分类器，其中的卷积神经网络分为7个阶段，第一个阶段经过3×3的卷积操作，BN层和Swish激活函数处理，并作为第二阶段的输入；第二阶段到第六阶段是重复堆叠的残差结构，残差结构分为左右两个分支，左分支首先是1×1的卷积层起到升维作用，再利用一个5×5的深度可分离卷积层进行卷积操作，最后使用一个1×1的卷积层起到降维作用，右分支直接与左分支的结果进行相加，得到最后的输出，卷积层包含BN层和Swish激活函数；第七阶段由一个1×1的卷积层、BN层、Swish激活函数、平均池化层和全连接层所组成；

步骤（3），通过获得的风格标签在服装数据集中筛选出与风格标签一致的K件服装；

步骤（4），通过服装属性识别模型获取用户输入的服装图像的特征向量，获取所述K件服装的特征向量；

步骤（5），根据相似度公式计算用户输入的服装图像与所述K件服装的相似度值，推荐给用户相似度最高的服装。

2.根据权利要求1所述的一种基于用户偏好的服装推荐方法，其特征在于：所述步骤（2）中的服装风格识别模型采用分权分类损失函数来实现服装分类，并以分类的结果为依据在服装数据集中筛选出服装图像；

分权分类损失函数分为两部分，其中需要输入三个样本构成三元组，分别是参考样本，正样本和负样本，分权分类损失函数的目标是使参考样本和正样本之间的距离最小，而和负样本之间的距离最大，而经过计算可以得出对应服装所属元素信息的概率，整个网络的损失函数表示如下：

式中，β表示比例，m表示参考样本图像，n⁺表示正样本图像，n^-表示负样本图像，p (m，n⁺)表示参考样本和正样本之间的欧式距离，p(m，n^-)表示参考样本和负样本之间的欧式距离，L表示特定阈值，Z_i表示卷积神经网络中最后一个全连接层第i个节点的输出值，n为输出的节点数量，即分类的类别个数。

3.根据权利要求1所述的一种基于用户偏好的服装推荐方法，其特征在于：所述步骤（4）的服装属性识别模型分为8个子模型，包括裙长属性识别模型、裤长属性识别模型、衣长属性识别模型、袖长属性识别模型、领型属性识别模型、领深属性识别模型、颈线属性识别模型和脖颈属性识别模型。