王安琪，劉 驪，付曉東，劉利軍，黃青松

WANGAnqi,LIU Li,FU Xiaodong,LIU Lijun,HUANG Qingsong

昆明理工大學(xué) 云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，信息工程與自動(dòng)化學(xué)院 計(jì)算機(jī)科學(xué)系，昆明 650500

Computer Technology Application Key Lab of Yunnan Province,Department of Computer Science,Faculty of Information Engineering andAutomation,Kunming University of Science and Technology,Kunming 650500,China

1 引言

隨著服裝產(chǎn)業(yè)的迅速壯大，中國的服裝零售總額已經(jīng)從2004年的164.5億美元增長到2015年的1 132.6億美元，平均增長率為26.58%，已經(jīng)成為“全球發(fā)展最快的市場”之一。由于服裝產(chǎn)業(yè)的飛速發(fā)展，通過計(jì)算機(jī)視覺技術(shù)解決服裝領(lǐng)域相關(guān)問題已經(jīng)成為近年來的研究熱點(diǎn)。本文所研究的服裝推薦方法在電子商務(wù)等方面有廣泛應(yīng)用。例如，目前許多知名電子商務(wù)平臺(tái)（如淘寶、唯品會(huì)、京東等）能夠通過分析用戶所購買過、瀏覽過的商品，得到該用戶的偏好，并為其推薦服裝商品。但是，僅考慮用戶在電子購物平臺(tái)上的喜好，購物之前不能對(duì)商品進(jìn)行試穿，會(huì)經(jīng)常導(dǎo)致所購買的商品穿著效果與期望有較大差距。因此，如何實(shí)現(xiàn)能夠推薦最適合用戶膚色、發(fā)色、瞳色及風(fēng)格的服裝成為人們關(guān)注的問題。目前，除了通過造型師為用戶推薦服裝外，還能通過計(jì)算機(jī)為用戶進(jìn)行個(gè)性化服裝推薦。

近年來，圖像檢索、圖像分割和圖像推薦等研究工作受到大量關(guān)注，在服裝推薦方法上已取得了很大進(jìn)展，研究者們也能夠通過不同方式對(duì)用戶進(jìn)行服裝推薦，但仍存在一定的不足。第一，目前的服裝推薦方法僅能夠根據(jù)用戶所提出的場景、服裝顏色等條件向用戶進(jìn)行推薦，未考慮所推薦的服裝是否真正適合該用戶，導(dǎo)致推薦的服裝與用戶膚色、發(fā)色、瞳色、風(fēng)格等不協(xié)調(diào)的問題，在服裝的個(gè)性化推薦方面仍有所欠缺。第二，由于服裝產(chǎn)業(yè)的急速發(fā)展，服裝款式和服裝風(fēng)格的多樣性與復(fù)雜性很大程度上增加了個(gè)性化服裝推薦的難度。第三，目前所擁有的服裝推薦的準(zhǔn)確率仍有待提高。

四季色彩理論[1-4]最早是由色彩大師卡洛爾·杰克遜提出，之后由佐藤泰子引入日本，進(jìn)行修改后形成了適合亞洲人的色彩體系。1998年，該體系由“中國色彩第一人”于西蔓女士引入中國，從而開創(chuàng)了中國色彩咨詢業(yè)的先河，引爆了中國的色彩革命。目前“四季色彩理論”給世界各國女性的著裝帶來巨大的影響，同時(shí)也引發(fā)了各行各業(yè)在色彩應(yīng)用技術(shù)方面的巨大進(jìn)步。其原理是將所有色彩按照基調(diào)的不同，進(jìn)行冷暖、明度和純度的劃分，形成四組和諧的色彩群。而由于每一組色彩群恰好與大自然的四季色彩特征相吻合，因此被稱為四季色彩理論。其中“春”和“秋”為暖色系，“夏”和“冬”為冷色系。 本文所提出的服裝推薦方法受到四季色彩理論[1-4]的啟發(fā)，借鑒該理論的顏色搭配準(zhǔn)則為用戶進(jìn)行個(gè)性化的服裝推薦。

本文提出的面向個(gè)性化服裝推薦的判斷優(yōu)化模型是提取人臉圖像的顏色特征，并利用經(jīng)訓(xùn)練的四季色彩判斷模型對(duì)其進(jìn)行判斷分類，得到用戶所屬色彩季節(jié)作為后期服裝推薦依據(jù)。根據(jù)四季色彩判斷模型結(jié)果與用戶所需的不同風(fēng)格服裝數(shù)據(jù)集建立優(yōu)化處理模型，并根據(jù)四季判斷模型的分類得到預(yù)推薦結(jié)果。接著，根據(jù)用戶評(píng)分及反饋機(jī)制更新用戶偏好數(shù)據(jù)集。用戶偏好數(shù)據(jù)集中的內(nèi)容作為新的訓(xùn)練數(shù)據(jù)訓(xùn)練優(yōu)化處理模型。該方法有效地提高了服裝推薦的準(zhǔn)確度，減少了推薦服裝與用戶膚色、發(fā)色、瞳色的不協(xié)調(diào)，增加了服裝推薦的個(gè)性化需求。本文方法總體流程圖如圖1所示。

本文的創(chuàng)新之處在于：（1）將服裝搭配的四季色彩理論與計(jì)算機(jī)視覺領(lǐng)域的推薦方法相結(jié)合，實(shí)現(xiàn)更個(gè)性化的服裝推薦。（2）基于用戶個(gè)性化的顏色特征與服裝風(fēng)格需求，建立優(yōu)化處理模型，提高了個(gè)性化服裝推薦的準(zhǔn)確性。（3）引入用戶評(píng)分反饋機(jī)制，并通過交互方式更新用戶偏好數(shù)據(jù)，滿足用戶的個(gè)性化服裝需求。

2 相關(guān)工作

本文將四季色彩理論[1-4]方法與計(jì)算視覺技術(shù)相結(jié)合，對(duì)用戶進(jìn)行個(gè)人四季色彩判斷，得出該用戶所屬季節(jié)色彩類別。根據(jù)該季節(jié)的顏色群為用戶推薦適合的服裝。該方法能自動(dòng)為用戶推薦出適合該用戶個(gè)人特征的服裝，大大滿足用戶的個(gè)性化需求和推薦的準(zhǔn)確性。

此外，由于服裝的多樣性及復(fù)雜性，使得分類的方法多種多樣，對(duì)于不同類型的服裝也有專門的分類方法。在已有的個(gè)性化推薦方法[5-7]中，能夠根據(jù)多種方法對(duì)服裝分類，其中包括顏色分類、面料分類、款式分類，甚至更加具體的細(xì)粒度分類[8]。而在本文中將服裝按照風(fēng)格進(jìn)行分類，用戶不用拘于服裝的款式，而是能夠根據(jù)所需要打造的造型風(fēng)格得到所需的服裝推薦。

推薦系統(tǒng)[9-11]可以根據(jù)所推薦的方式分為兩個(gè)基本類型：基于內(nèi)容的推薦[12]和協(xié)同過濾推薦[13]。基于內(nèi)容的推薦（content-based recommendation）是通過一些形式來呈現(xiàn)（通常是文本形式），用戶的需要和物品的特征是首選。基于內(nèi)容的推薦通過這些表示去預(yù)測一個(gè)用戶對(duì)于新事物的興趣。協(xié)同過濾推薦（collaborative filtering recommendation）是推薦給用戶與他品味和喜好相似用戶曾經(jīng)喜歡的。協(xié)同推薦系統(tǒng)是基于其他相同興趣的人來預(yù)測用戶對(duì)于新事物的興趣。相對(duì)于內(nèi)容檢索和內(nèi)容分析，而協(xié)同推薦系統(tǒng)則依靠的是整個(gè)參與成員的興趣概率。

圖1 總體流程圖

通過概率框架來建模和應(yīng)用著裝準(zhǔn)則[14]是由Yu等人提出的一種服裝推薦方法，這個(gè)框架利用了由實(shí)景服裝圖像來進(jìn)行訓(xùn)練的貝葉斯網(wǎng)絡(luò)。通過最優(yōu)價(jià)值函數(shù)來獲得所推薦的服裝，這個(gè)價(jià)值函數(shù)可以引導(dǎo)服裝的選擇來最大化地匹配顏色和著裝準(zhǔn)則。這個(gè)系統(tǒng)可以適用于常見的四種場合：休閑場合、運(yùn)動(dòng)場合、商務(wù)休閑場合和正式場合。魔法衣櫥[15]是Liu提出的一個(gè)實(shí)用的系統(tǒng)，通過一個(gè)隱支持向量機(jī)[16]（Latent Support Vector Machines，LSVM）框架學(xué)習(xí)服裝推薦模型。這個(gè)LSVM模型由四方面組成：（1）視覺特征對(duì)屬性；（2）視覺特征對(duì)場景；（3）屬性對(duì)場景；（4）屬性對(duì)屬性。前三項(xiàng)是屬于服裝與場景的聯(lián)系，最后一項(xiàng)是屬于服裝對(duì)服裝的聯(lián)系。他們將上述規(guī)則植入隱支持向量機(jī)模型中，所推薦的服裝能夠保證用戶著裝適當(dāng)并且滿足大眾審美要求。然而，以上兩種服裝推薦方法只是簡單地根據(jù)場合為用戶推薦服裝，并沒有考慮到用戶的個(gè)性化需求。

由于每個(gè)用戶喜好的差異性，很多已有的推薦方法中都加入了用戶反饋的功能。Grouplen方法[17]通過用戶反饋中顯示評(píng)分的方法為因特網(wǎng)新聞提供了推薦服務(wù)。根據(jù)用戶對(duì)文章做出的評(píng)價(jià)，系統(tǒng)可以為用戶下一次的使用進(jìn)行新聞推送。除了顯示評(píng)分外，用戶反饋中的隱式評(píng)分則是通過監(jiān)視用戶的點(diǎn)擊次數(shù)、停留時(shí)間等數(shù)據(jù)評(píng)估出用戶的興趣。為了加強(qiáng)方法的個(gè)性化，本文采用用戶反饋中顯示評(píng)分的方式收集用戶的偏好信息，在后期為該用戶進(jìn)行服裝推薦時(shí)能夠根據(jù)該用戶的個(gè)人偏好調(diào)整推薦結(jié)果，進(jìn)一步滿足用戶的個(gè)性化需求。

3 基于判斷和優(yōu)化模型的個(gè)性化服裝推薦方法

3.1 四季色彩判斷模型

四季色彩理論[1-4]是近年來服裝搭配和彩妝等時(shí)尚領(lǐng)域的熱門話題。由于個(gè)人的膚色、發(fā)色和瞳色的差異，使得其所屬不同顏色群，而在服裝搭配過程中，只有當(dāng)服裝的顏色和個(gè)人特征的顏色在同一顏色群時(shí)，才可以稱為是一個(gè)協(xié)調(diào)的搭配[18-19]。

本文提出的四季色彩判斷模型能夠根據(jù)用戶所輸入的人臉圖像得到該用戶所屬不同季節(jié)的顏色，得到的判斷結(jié)果是優(yōu)化處理模型的基礎(chǔ)。本文采用HSV顏色模型[20]，它是由Hue色相、Saturation飽和度、Value明度組成。在多種顏色模型中它是最適宜表達(dá)顏色冷暖度的模型。常用的RGB模型與本文所用HSV模型轉(zhuǎn)換方法見公式（1）。其中，h為HSV中的色相，s為飽和度，v為明度。

首先基于文獻(xiàn)[2]中的自我診斷色彩季型內(nèi)容，結(jié)合色彩搭配領(lǐng)域公認(rèn)季型搭配色卡進(jìn)行歸納，建立了用戶顏色集P。其中，膚色顏色圖像共有40張，每個(gè)色彩季型圖像10張。發(fā)色顏色圖像共60張，每個(gè)色彩季型圖像15張。瞳色顏色圖像共收集28張，每個(gè)色彩季型圖像7張。用戶顏色集共歸納整理顏色圖像128張。

將用戶顏色集P中顏色分別進(jìn)行顏色特征提取，經(jīng)過顏色模型轉(zhuǎn)換得到HSV顏色模型下的顏色特征集，其形式如下：

上式中有三種取值情況，Ts、Th和Te，分別表示膚色、發(fā)色和瞳色的顏色特征。其中，Ti為包含3個(gè)元素的向量，具體的形式如下表示：

式中各分量分別表示該顏色特征H、S、V值。

用戶顏色特征集F為用戶顏色集P經(jīng)過特征提取后的數(shù)據(jù)集。將F作為訓(xùn)練樣本得到四季判斷模型A，具體定義如下：

式中T為對(duì)該用戶顏色圖像所提取的顏色特征。S為該顏色圖像所屬季節(jié)標(biāo)注結(jié)果，S={ 0,1,2,3}，數(shù)值分別代表春夏秋冬4個(gè)色彩季節(jié)。用戶顏色特征數(shù)據(jù)集中部分?jǐn)?shù)據(jù)如表1所示。

表1 用戶顏色特征數(shù)據(jù)集部分?jǐn)?shù)據(jù)

本文采用一對(duì)一的支持向量機(jī)（Support Vector Machines，SVM）多類分類方法（1-vs-1 SVM）[20]對(duì)用戶色彩季節(jié)進(jìn)行分類。由于需將用戶分為4種顏色類型，在面對(duì)m類分類問題時(shí)，SVM方法需要構(gòu)造k(k-1)/2個(gè)分類平面，其中k＞2。本文方法中m取值為4。本文從用戶顏色數(shù)據(jù)集中取出所有滿足yi=s,yi=l的數(shù)據(jù)集進(jìn)行訓(xùn)練，并通過兩類SVM算法構(gòu)造出最優(yōu)決策函數(shù)：

其中，xi為第i個(gè)樣本，yi為樣本xi所屬類別，wsl,bsl,為函數(shù)中的系數(shù)。

用同樣的方法對(duì)m類樣本中每一對(duì)構(gòu)造一個(gè)決策函數(shù)，由于 fst(x)=-fts(x)，因此一個(gè)m類問題所需要的分類平面?zhèn)€數(shù)為m(m -1)/2。預(yù)測方法采用投票機(jī)制，若有一個(gè)決策函數(shù)判定x屬于第s類，則意味著第s類獲得了一票，用所有決策函數(shù)判斷完后，最后得票數(shù)最多的類別就是最終x的所屬的類別。

3.2 優(yōu)化處理模型

優(yōu)化處理是本文方法的核心，利用已規(guī)定好的推薦原則和條件在圖像集中進(jìn)行服裝的篩選，通過一系列的優(yōu)化過程得到推薦的服裝結(jié)果。

基于建立的服裝數(shù)據(jù)集，利用隱支持向量機(jī)方法（LSVM）[16]訓(xùn)練優(yōu)化處理模型，服裝數(shù)據(jù)集表示如下：

其中，x為上下身服裝的視覺特征向量x=[xu,xl]，在本文中視覺特征為服裝顏色值。au為上裝的屬性向量，被定義為au=,]。同理，al為下裝的屬性向量，被定義為al=,。其中s∈S，S為四季判斷模型中的指定的四季類型集合。其中at、as和s分別表示在預(yù)處理過程中通過土耳其機(jī)器人[21]對(duì)圖像集中所有服裝圖像的類別、風(fēng)格與服裝所屬色彩季節(jié)的標(biāo)注。

本文通過N個(gè)圖像數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，使得優(yōu)化處理模型能夠根據(jù)四季判斷模型所得判斷結(jié)果和用戶所需風(fēng)格向用戶進(jìn)行服裝推薦，所推薦的服裝圖像來自服裝數(shù)據(jù)集W。在實(shí)際推薦過程中，作為測試樣例的推薦過程將忽略服裝數(shù)據(jù)集中已經(jīng)標(biāo)注的服裝屬性。

為了衡量所推薦服裝的優(yōu)劣，定義一個(gè)得分函數(shù)，如下：

該得分函數(shù)與服裝圖像x和指定的季節(jié)s相關(guān)，式中w為函數(shù) fw的參數(shù)。在推薦過程中，通過計(jì)算 fw的值，能夠得到推薦條件下最適合的服裝推薦結(jié)果x*，x*為滿足 fw(x ,s)取得最大值的變量，x*計(jì)算方式如公式（8）：

在服裝圖像的低級(jí)視覺特征和高級(jí)語義之間，本文添加了中級(jí)屬性，并將它作為隱變量處理。由于在該方法中，服裝得分僅與該服裝圖像中服裝的特征、上下裝屬性及所標(biāo)注季節(jié)相關(guān)，因此將基于優(yōu)化處理模型的得分函數(shù)定義如下：

其中Φ(x,au,al,s)為特征向量，取決于當(dāng)前圖像的特征向量x、上下裝屬性以及季節(jié)標(biāo)注。w為得分函數(shù)參數(shù)。則最終得分最高的服裝搭配表示如下：

為了能夠根據(jù)一定的推薦的條件向用戶推薦出適合的服裝，還需要考慮屬性和屬性之間的搭配原則(aj,ak)。在風(fēng)格屬性和服裝的類別屬性中，若用戶需要得到“通勤OL”風(fēng)格的服裝推薦，則“短褲”和“T恤”將是不符合著裝準(zhǔn)則的推薦。因此，本文采用無向圖G=(υ,ε)的方式表達(dá)服裝屬性的關(guān)聯(lián)關(guān)系。其中，無向圖G中的一個(gè)頂點(diǎn) j∈υ表示一種屬性的一個(gè)確定值。無向圖G中的一個(gè)邊(j,k)∈ε表示一個(gè)屬性確定值aj與另一個(gè)屬性確定值ak之間擁有關(guān)聯(lián)關(guān)系。

相比于其他僅根據(jù)屬性或視覺特征推薦服裝，本文方法具有更多的約束條件，綜合這些約束條件與規(guī)則能夠更加準(zhǔn)確地為用戶推薦出適合的服裝。本文方法從“魔法衣櫥”[15]受到啟發(fā)，將基于優(yōu)化處理模型的服裝推薦函數(shù)定義如下：

其中，代表從服裝圖像中的特征向量去預(yù)測服裝圖像的季節(jié)色彩。它是只基于低級(jí)特征而忽略屬性的標(biāo)準(zhǔn)線性模型。φ(x,s)為特征向量x與季節(jié)色彩s之間的特定映射。首先，忽略掉訓(xùn)練樣本中的屬性標(biāo)注，僅根據(jù)特征向量x與季節(jié)色彩s訓(xùn)練得到一個(gè)多類SVM分類器。然后通過φ(x,s)表示根據(jù)季節(jié)色彩分類視覺特征向量的分?jǐn)?shù)。若有唯一使φ(x,s)不為零的元素，該元素的值就是該季節(jié)色彩的分類分?jǐn)?shù)。描述了服裝圖像中特征向量的取值與屬性間的對(duì)應(yīng)關(guān)系。它是一個(gè)通過視覺特征向量x預(yù)測第 j個(gè)屬性值的標(biāo)準(zhǔn)線性模型。φ(x,aj)為這個(gè)標(biāo)準(zhǔn)多類線性SVM的置信度。在該推薦方法中，一張服裝圖像擁有多個(gè)屬性，而每一個(gè)屬性又有多個(gè)取值，因此需要訓(xùn)練一個(gè)多元多類分類器。若第 j個(gè)屬性為風(fēng)格，且它有6個(gè)值，則aj特征圖維度為6。向量φ(x,aj)中只有第aj個(gè)元素有一個(gè)非零值，該值為多類分類器中分配得分。

wTω)描述了圖像中上身下身服裝特征向量取值之間的關(guān)聯(lián)或排斥關(guān)系。它表示服裝圖像中上裝視覺特征向量與下裝特征向量之間的相互關(guān)系。由于在本文方法中將顏色僅分為紅、粉等進(jìn)行屬性標(biāo)注是不夠的。因此，直接通過顏色特征向量之間的相互關(guān)系進(jìn)行訓(xùn)練。ω(,)近似于上身下身顏色特征的和諧度得分。表示圖像中兩種屬性間取值的關(guān)聯(lián)關(guān)系。它用于描述屬性aj與屬性ak之間的關(guān)聯(lián)關(guān)系。圖2為本文對(duì)服裝數(shù)據(jù)集W中風(fēng)格屬性與類型屬性之間的同現(xiàn)關(guān)系統(tǒng)計(jì)圖。的值近似于上裝或下裝中，兩個(gè)屬性間的同現(xiàn)概率。在本文方法中，只考慮服裝風(fēng)格屬性與類型屬性。

圖2 屬性間（風(fēng)格與類型）的同現(xiàn)關(guān)系統(tǒng)計(jì)圖

本文利用如下LSVM公式對(duì)模型進(jìn)行學(xué)習(xí)：

式中β為權(quán)衡參數(shù)，ξ(n)為處理n次訓(xùn)練樣本軟邊緣的松弛變量。該目標(biāo)函數(shù)保證了適合于該人物季節(jié)色彩的服裝得分高于不適合的得分。Δ(s,s(n))為損失函數(shù)，其定義如下：

3.3 用戶評(píng)分反饋

個(gè)性化服裝推薦系統(tǒng)的推薦結(jié)果其重要特征是能夠根據(jù)每個(gè)用戶的偏好而推薦不同的服裝。根據(jù)用戶的評(píng)分結(jié)果組成用戶偏好數(shù)據(jù)集，將它用于優(yōu)化處理模型中，可以大幅度提高該推薦方法的準(zhǔn)確性。用戶反饋對(duì)該算法的推薦起著重要的作用。用戶的反饋結(jié)果經(jīng)過處理用于更新用戶偏好數(shù)據(jù)集的數(shù)據(jù)，使該方法的優(yōu)化能夠更準(zhǔn)確地為用戶進(jìn)行個(gè)性化推薦。

本文采用顯式評(píng)分[17]的方法，反饋功能通過如下步驟來實(shí)現(xiàn)對(duì)推薦系統(tǒng)結(jié)果的優(yōu)化。

步驟1對(duì)用戶個(gè)人特征進(jìn)行顏色提取，通過四季色彩判斷模型得到用戶色彩季節(jié)。

步驟2通過優(yōu)化處理模型為用戶推薦服裝。

步驟3-1系統(tǒng)根據(jù)步驟1判斷結(jié)果為用戶推薦初始化服裝。

步驟3-2通過交互的方式讓用戶對(duì)推薦結(jié)果進(jìn)行判斷（0～10分）。

步驟3-3通過用戶的評(píng)分結(jié)果提取用戶偏好的服裝特征、屬性并獲取用戶基本信息。

步驟3-4通過已有的用戶反饋機(jī)制算法學(xué)習(xí)用戶反饋，得到新的推薦結(jié)果，轉(zhuǎn)到步驟3-2。步驟3-2至步驟3-4循環(huán)進(jìn)行，直到用戶對(duì)所推薦的結(jié)果滿意，結(jié)束循環(huán)。

步驟4將以上數(shù)據(jù)信息更新（添加）到用戶偏好數(shù)據(jù)集中，為下一次為該用戶推薦提供依據(jù)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)選用Intel Core i5 CPU@3.30 GHz，8 GB DDR Ram的硬件平臺(tái)以及MATLAB的軟件平臺(tái)。實(shí)驗(yàn)中用到3個(gè)數(shù)據(jù)集，其中包括用戶顏色特征數(shù)據(jù)集、服裝數(shù)據(jù)集和用戶偏好數(shù)據(jù)集。第一個(gè)是用戶顏色特征集，為用戶顏色集經(jīng)過特征提取后的數(shù)據(jù)集合。它作為訓(xùn)練樣本對(duì)四季判斷模型進(jìn)行訓(xùn)練。其中包括對(duì)用戶顏色圖像所提取的顏色特征和所屬季節(jié)標(biāo)注。用戶特征集數(shù)據(jù)組數(shù)與用戶顏色集數(shù)量相同，為128組。

第二個(gè)是服裝數(shù)據(jù)集，在服裝圖像集中存儲(chǔ)了18 600張服裝圖像，包括6種服裝風(fēng)格，每種風(fēng)格的服裝圖像各3 100張，每張服裝圖像規(guī)格為190×290。通過土耳其機(jī)器人[21]對(duì)服裝圖像集中的服裝圖像添加釋文，包括風(fēng)格、服裝類型和季節(jié)色彩。最終由圖像地址、圖像基本信息和圖像釋文得到服裝數(shù)據(jù)集。

第三個(gè)是用戶偏好數(shù)據(jù)集，目的是記錄每個(gè)用戶的用戶基本信息、偏好的服裝類型和屬性，用于優(yōu)化推薦過程，滿足用戶的個(gè)性化需求。

4.2 實(shí)驗(yàn)與結(jié)果分析

4.2.1 用戶顏色特征判斷結(jié)果分析

為檢驗(yàn)本文方法中四季色彩判斷模型的準(zhǔn)確率，在網(wǎng)絡(luò)上隨機(jī)搜索150張證件照作為測試樣本，并對(duì)所有測試樣本的四季色彩進(jìn)行人工判斷。為保證人工判斷結(jié)果的權(quán)威性，邀請(qǐng)15位北京服裝學(xué)院服裝藝術(shù)與工程學(xué)院在校學(xué)生與25位中央美術(shù)學(xué)院時(shí)裝設(shè)計(jì)專業(yè)在校學(xué)生分別對(duì)本文的測試樣本進(jìn)行四季色彩人工判斷。去除有爭議的樣本后，剩余127張經(jīng)過人工判斷后的證件照片作為四季色彩判斷模型的測試樣本。通過本文方法的四季色彩判斷模型對(duì)測試樣本進(jìn)行判斷，將得到的判斷結(jié)果與人工判斷結(jié)果進(jìn)行對(duì)比，正確率達(dá)到81.1%，基本能夠滿足大部分用戶的四季色彩判斷需求。圖3為部分四季色彩判斷模型的判斷結(jié)果。

4.2.2 用戶顏色特征判斷結(jié)果分析

圖3 部分四季色彩判斷模型判斷結(jié)果

為了滿足用戶的進(jìn)一步個(gè)性化需求，在本文方法中添加了用戶反饋。每一位用戶能夠根據(jù)自己的個(gè)人偏好對(duì)推薦結(jié)果進(jìn)行評(píng)分。系統(tǒng)能夠根據(jù)評(píng)分結(jié)果對(duì)用戶偏好數(shù)據(jù)集的數(shù)據(jù)進(jìn)行更新，并用于再次向該用戶進(jìn)行推薦的優(yōu)化準(zhǔn)則。為了驗(yàn)證用戶評(píng)價(jià)次數(shù)與用戶對(duì)推薦結(jié)果滿意度之間的關(guān)系，設(shè)定了以下實(shí)驗(yàn)。通過該推薦方法為組名分別為A、B、C的3組同學(xué)（每組100名同學(xué)）進(jìn)行服裝推薦，每位同學(xué)對(duì)6種風(fēng)格的5個(gè)預(yù)推薦結(jié)果分別進(jìn)行10輪評(píng)分(6×5×10)，并且在每一輪評(píng)分后對(duì)再次推薦的服裝進(jìn)行滿意度調(diào)查。實(shí)驗(yàn)所得到的用戶評(píng)價(jià)次數(shù)與每組同學(xué)對(duì)服裝推薦結(jié)果平均滿意度之間的關(guān)系如圖4所示。通過實(shí)驗(yàn)表明，在用戶對(duì)推薦結(jié)果進(jìn)行4次以下的評(píng)分反饋后得到的服裝推薦結(jié)果滿意度有大幅度提高，之后隨著反饋次數(shù)的增加，用戶滿意度逐漸收斂。實(shí)驗(yàn)表明，當(dāng)用戶對(duì)推薦結(jié)果進(jìn)行2～3輪的交互反饋后，在用戶偏好數(shù)據(jù)集數(shù)據(jù)更新作用下，該用戶能夠?qū)ο到y(tǒng)的服裝推薦結(jié)果具有較高滿意度，并滿足該用戶個(gè)性化需求。

圖4 用戶反饋次數(shù)與用戶滿意度之間關(guān)系圖

4.2.3 推薦結(jié)果與性能分析

本文方法利用訓(xùn)練過的優(yōu)化處理模型向用戶推薦與用戶個(gè)人顏色相協(xié)調(diào)的服裝，該模型推薦函數(shù)如公式（11）所示。為測試公式中各影響因子對(duì)于該模型整體推薦正確率的影響，將文中的推薦方法與兩個(gè)基于SVM的線性模型性能進(jìn)行對(duì)比。第一個(gè)線性模型僅通過特征向量直接對(duì)已知的季節(jié)進(jìn)行服裝推薦。第二個(gè)線性模型通過特征向量進(jìn)行屬性判斷后，考慮屬性同現(xiàn)約束條件對(duì)其進(jìn)行服裝推薦。通過歸一化折損累積增益（Normalized Discounted Cumulative Gain，NDCG）[22-23]評(píng)判它們的性能。NDCG定義如下：

式中，rel(j)為評(píng)分等級(jí)設(shè)定，本文將評(píng)分設(shè)為10個(gè)等級(jí)，其中10為用戶最滿意的服裝推薦，0為用戶最不滿意的服裝推薦。

圖5為本文推薦方法分別與兩個(gè)基于SVM的線性模型和魔法衣櫥系統(tǒng)[15]性能對(duì)比結(jié)果圖。從圖5的實(shí)驗(yàn)結(jié)果圖可以看出，僅根據(jù)服裝圖像特征間對(duì)應(yīng)關(guān)系和屬性間對(duì)應(yīng)關(guān)系進(jìn)行服裝推薦有一定的準(zhǔn)確率，但較本文提出的優(yōu)化處理模型仍具有一定的差距。本文方法在返回5個(gè)結(jié)果時(shí)性能最佳，但隨著返回結(jié)果的增加，性能逐漸降低。該結(jié)果表明了本文對(duì)于服裝圖像特征、屬性、季節(jié)之間相互作用的匹配原則分析較為準(zhǔn)確，并且，所建立的服裝推薦優(yōu)化處理模型能夠較好地為各個(gè)季節(jié)色彩的用戶進(jìn)行服裝推薦。

圖5 本文推薦方法與相關(guān)方法性能對(duì)比

為了衡量本文方法的服裝推薦結(jié)果，對(duì)圖3中4種色彩季節(jié)人臉圖像進(jìn)行服裝推薦。并且，令評(píng)分組（30位北京服裝學(xué)院服裝藝術(shù)與工程學(xué)院在校學(xué)生與30位中央美術(shù)學(xué)院時(shí)裝設(shè)計(jì)專業(yè)在校學(xué)生）對(duì)所有推薦結(jié)果分別進(jìn)行“顏色符合度”與“風(fēng)格符合度”打分?！邦伾隙取睘楸疚姆b推薦結(jié)果與該季型人群膚色、發(fā)色、瞳色匹配程度?！帮L(fēng)格符合度”為該服裝推薦結(jié)果與所屬風(fēng)格類型的匹配程度。每項(xiàng)評(píng)分分為5星。（5星為最符合，0星為最不符合）。再根據(jù)兩項(xiàng)得分取平均值，作為本文方法總體服裝推薦結(jié)果匹配程度，為89.7%。表2為根據(jù)不同四季色彩人群所推薦服裝結(jié)果樣例及評(píng)分。從表中可以看出，為各個(gè)季節(jié)色彩用戶所推薦的服裝色調(diào)有顯著差異，其中為春季、秋季人群所推薦服裝顏色基色為暖色調(diào)，而夏季、冬季人群所推薦服裝為冷色調(diào)。并且春季與夏季人群較為適合淺色系服裝，而秋冬季人群更適合深色系服裝。另外，從推薦結(jié)果匹配程度可以看出，使用該方法為用戶所推薦的服裝基本符合用戶個(gè)性化需求，能夠根據(jù)用戶所屬季節(jié)為其推薦所需風(fēng)格的服裝。

5 結(jié)束語

本文提出了一種面向個(gè)性化服裝推薦的判斷優(yōu)化模型。該方法將時(shí)尚領(lǐng)域的四季色彩理論與計(jì)算機(jī)視覺技術(shù)相結(jié)合，通過輸入的人臉圖像自動(dòng)為用戶劃分色彩季節(jié)類型，并為用戶推薦適合用戶顏色特征的服裝。此外，還加入了用戶反饋，可根據(jù)用戶評(píng)分記錄生成用戶偏好數(shù)據(jù)集，進(jìn)一步滿足用戶的個(gè)性化需求。

表2 根據(jù)不同四季色彩人群所推薦服裝結(jié)果樣例及評(píng)分

經(jīng)實(shí)驗(yàn)表明，本文方法所推薦的服裝能夠與用戶顏色特征相協(xié)調(diào)，提高了推薦的個(gè)性化，并且在實(shí)際應(yīng)用中具有較高的準(zhǔn)確率，但是在推薦效率上有待提高。在今后工作中，可以在優(yōu)化算法效率上進(jìn)行進(jìn)一步研究。另外，還可考慮允許用戶將自己所擁有的服飾圖像上傳到服務(wù)器，由服務(wù)器自動(dòng)進(jìn)行分類后加入數(shù)據(jù)庫，方便為該用戶用已有的服飾而推薦各個(gè)場合不同的搭配。

參考文獻(xiàn)：

[1]Jackson C.Color me beautiful：Discover your natural beauty through the colors that make you look great&feel fabulous![M].New York：Ballantine Books，1985：15-21.

[2]于西蔓.女性個(gè)人色彩診斷[M].廣州：花城出版社，2006.

[3]劉琳.“色彩診斷”在日常自我形象設(shè)計(jì)中的運(yùn)用[C]//2012中國流行色協(xié)會(huì)學(xué)術(shù)年會(huì)，2012.

[4]周曉蓉.淺析個(gè)人形象設(shè)計(jì)中色彩季型的重要意義與診斷方法[J].美術(shù)教育研究，2016（10）.

[5]Shen E，Lieberman H，Lam F.What am i gonna wear?：Scenario-oriented recommendation[C]//Int Conf on Intelligent User Interfaces，2007.

[6]Cheng C，Chung M，Yu M，et al.Chromirror：A real-time interactive mirror for chromatic and color-harmonic dressing[C]//Chi 08.Extended Abstracts on Human Factors in Computing Systems，2008.

[7]Iwata T，Wanatabe S，Sawada H.Fashion coordinates recommender system using photographs from fashion magazines[C]//Int Joint Conf on Ijcai，2011.

[8]Di W，Wah C，Bhardwaj A，et al.Style finder：Fine-grained clothing style detection and retrieval[C]//Computer Vision and Pattern Recognition Workshops，2013：8-13.

[9]楊武，唐瑞，盧玲.基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J].計(jì)算機(jī)應(yīng)用，2016，36（2）：414-418.

[10]Liu Z，Luo P，Qiu S，et al.DeepFashion：Powering robust clothes recognition and retrieval with rich annotations[C]//IEEE Conference on Computer Vision and Pattern Recognition，2016：1096-1104.

[11]Aimé X，George S，Hornung J.VetiVoc：A modular ontology for the fashion，textile and clothing domain[J].Applied Ontology，2016，11（1）：1-28.

[12]王國霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）：66-76.

[13]Pazzani M，Billsus D.Learning and revising user profiles：The identification of interesting Web sites[J].Machine Learning，1997，27（3）：313-331.

[14]Yu L F，Yeung S K，Terzopoulos D，et al.DressUp!：Outfit synthesis through automatic optimization[J].ACM Transactions on Graphics，2012，31（6）：1-14.

[15]Liu S，F(xiàn)eng J，Song Z，et al.Hi，magic closet，tell me what to wear![C]//ACM International Conference on Multimedia，2012：619-628.

[16]Wang Y，Mori G.A discriminative latent model of object classes and attributes[C]//European Conference on Computer Vision，2010：155-168.

[17]Resnick P，Iacovou N，Suchak M，et al.GroupLens：An open architecture for collaborative filtering of netnews[C]//ACM Conference on Computer Supported Cooperative Work，1994：175-186.

[18]劉元杰.論形象設(shè)計(jì)中色彩的搭配[J].藝術(shù)百家，2010，26（A02）：207-209.

[19] 陳慧.服裝色彩搭配研究[J].染整技術(shù)，2016，38（6）：7-9.

[20]陶晨，段亞峰，印梅芬.基于HSV的服裝色彩特征數(shù)量化方法研究[J].絲綢，2015，52（6）：22-26.

[21]Lee Y S.Evaluating Amazon’s mechanical turk workers for making profit-maximizing decisions with decision support[M].[S.l.]：Social Science Electronic Publishing，2016.

[22]Siddiquie B，F(xiàn)eris R S，Davis L S.Image ranking and retrieval based on multi-attribute queries[C]//IEEE Conference on Computer Vision and Pattern Recognition，2011：801-808.

[23]郭彩云，王會(huì)進(jìn).改進(jìn)的基于標(biāo)簽的協(xié)同過濾算法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（8）：56-61.