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) 云南省計算機技術(shù)應(yīng)用重點實驗室，信息工程與自動化學(xué)院 計算機科學(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，通過計算機視覺技術(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。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（如淘寶、唯品會、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上的喜好，購物之前不能對商品進行試穿，會經(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，還能通過計算機為用戶進行個性化服裝推薦。

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展，研究者們也能夠通過不同方式對用戶進行服裝推薦，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)方面的巨大進步。其原理是將所有色彩按照基調(diào)的不同，進行冷暖、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)則為用戶進行個性化的服裝推薦。

本文提出的面向個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其進行判斷分類，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)用戶評分及反饋機制更新用戶偏好數(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算機視覺領(lǐng)域的推薦方法相結(jié)合，實現(xiàn)更個性化的服裝推薦。（2）基于用戶個性化的顏色特征與服裝風(fēng)格需求，建立優(yōu)化處理模型，提高了個性化服裝推薦的準(zhǔn)確性。（3）引入用戶評分反饋機制，并通過交互方式更新用戶偏好數(shù)據(jù)，滿足用戶的個性化服裝需求。

2 相關(guān)工作

本文將四季色彩理論[1-4]方法與計算視覺技術(shù)相結(jié)合，對用戶進行個人四季色彩判斷，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。該方法能自動為用戶推薦出適合該用戶個人特征的服裝，大大滿足用戶的個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，對于不同類型的服裝也有專門的分類方法。在已有的個性化推薦方法[5-7]中，能夠根據(jù)多種方法對服裝分類，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基本類型：基于內(nèi)容的推薦[12]和協(xié)同過濾推薦[13]?；趦?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)測一個用戶對于新事物的興趣。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)測用戶對于新事物的興趣。相對于內(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，這個框架利用了由實景服裝圖像來進行訓(xùn)練的貝葉斯網(wǎng)絡(luò)。通過最優(yōu)價值函數(shù)來獲得所推薦的服裝，這個價值函數(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。這個系統(tǒng)可以適用于常見的四種場合：休閑場合、運動場合、商務(wù)休閑場合和正式場合。魔法衣櫥[15]是Liu提出的一個實用的系統(tǒng)，通過一個隱支持向量機[16]（Latent Support Vector Machines，LSVM）框架學(xué)習(xí)服裝推薦模型。這個LSVM模型由四方面組成：（1）視覺特征對屬性；（2）視覺特征對場景；（3）屬性對場景；（4）屬性對屬性。前三項是屬于服裝與場景的聯(lián)系，最后一項是屬于服裝對服裝的聯(lián)系。他們將上述規(guī)則植入隱支持向量機模型中，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性化需求。

由于每個用戶喜好的差異性，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)用戶對文章做出的評價，系統(tǒng)可以為用戶下一次的使用進行新聞推送。除了顯示評分外，用戶反饋中的隱式評分則是通過監(jiān)視用戶的點擊次數(shù)、停留時間等數(shù)據(jù)評估出用戶的興趣。為了加強方法的個性化，本文采用用戶反饋中顯示評分的方式收集用戶的偏好信息，在后期為該用戶進行服裝推薦時能夠根據(jù)該用戶的個人偏好調(diào)整推薦結(jié)果，進一步滿足用戶的個性化需求。

3 基于判斷和優(yōu)化模型的個性化服裝推薦方法

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尚領(lǐng)域的熱門話題。由于個人的膚色、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)服裝的顏色和個人特征的顏色在同一顏色群時，才可以稱為是一個協(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[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，每個色彩季型圖像10張。發(fā)色顏色圖像共60張，每個色彩季型圖像15張。瞳色顏色圖像共收集28張，每個色彩季型圖像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)

本文采用一對一的支持向量機（Support Vector Machines，SVM）多類分類方法（1-vs-1 SVM）[20]對用戶色彩季節(jié)進行分類。由于需將用戶分為4種顏色類型，在面對m類分類問題時，SVM方法需要構(gòu)造k(k-1)/2個分類平面，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m類樣本中每一對構(gòu)造一個決策函數(shù)，由于 fst(x)=-fts(x)，因此一個m類問題所需要的分類平面?zhèn)€數(shù)為m(m -1)/2。預(yù)測方法采用投票機制，若有一個決策函數(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器人[21]對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個圖像數(shù)據(jù)對模型進行訓(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*計算方式如公式（8）：

在服裝圖像的低級視覺特征和高級語義之間，本文添加了中級屬性，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中的一個頂點 j∈υ表示一種屬性的一個確定值。無向圖G中的一個邊(j,k)∈ε表示一個屬性確定值aj與另一個屬性確定值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應(yīng)關(guān)系。它是一個通過視覺特征向量x預(yù)測第 j個屬性值的標(biāo)準(zhǔn)線性模型。φ(x,aj)為這個標(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屬性，而每一個屬性又有多個取值，因此需要訓(xùn)練一個多元多類分類器。若第 j個屬性為風(fēng)格，且它有6個值，則aj特征圖維度為6。向量φ(x,aj)中只有第aj個元素有一個非零值，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)計圖。的值近似于上裝或下裝中，兩個屬性間的同現(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)計圖

本文利用如下LSVM公式對模型進行學(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 用戶評分反饋

個性化服裝推薦系統(tǒng)的推薦結(jié)果其重要特征是能夠根據(jù)每個用戶的偏好而推薦不同的服裝。根據(jù)用戶的評分結(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)確地為用戶進行個性化推薦。

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

步驟1對用戶個人特征進行顏色提取，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推薦結(jié)果進行判斷（0～10分）。

步驟3-3通過用戶的評分結(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)進行，直到用戶對所推薦的結(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 實驗結(jié)果與分析

4.1 實驗數(shù)據(jù)集

實驗選用Intel Core i5 CPU@3.30 GHz，8 GB DDR Ram的硬件平臺以及MATLAB的軟件平臺。實驗中用到3個數(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)練樣本對四季判斷模型進行訓(xùn)練。其中包括對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。

第二個是服裝數(shù)據(jù)集，在服裝圖像集中存儲了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。通過土耳其機器人[21]對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。

第三個是用戶偏好數(shù)據(jù)集，目的是記錄每個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，滿足用戶的個性化需求。

4.2 實驗與結(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)上隨機搜索150張證件照作為測試樣本，并對所有測試樣本的四季色彩進行人工判斷。為保證人工判斷結(jié)果的權(quán)威性，邀請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)院時裝設(shè)計專業(yè)在校學(xué)生分別對本文的測試樣本進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測試樣本進行判斷，將得到的判斷結(jié)果與人工判斷結(jié)果進行對比，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

為了滿足用戶的進一步個性化需求，在本文方法中添加了用戶反饋。每一位用戶能夠根據(jù)自己的個人偏好對推薦結(jié)果進行評分。系統(tǒng)能夠根據(jù)評分結(jié)果對用戶偏好數(shù)據(jù)集的數(shù)據(jù)進行更新，并用于再次向該用戶進行推薦的優(yōu)化準(zhǔn)則。為了驗證用戶評價次數(shù)與用戶對推薦結(jié)果滿意度之間的關(guān)系，設(shè)定了以下實驗。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)）進行服裝推薦，每位同學(xué)對6種風(fēng)格的5個預(yù)推薦結(jié)果分別進行10輪評分(6×5×10)，并且在每一輪評分后對再次推薦的服裝進行滿意度調(diào)查。實驗所得到的用戶評價次數(shù)與每組同學(xué)對服裝推薦結(jié)果平均滿意度之間的關(guān)系如圖4所示。通過實驗表明，在用戶對推薦結(jié)果進行4次以下的評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。實驗表明，當(dāng)用戶對推薦結(jié)果進行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基于SVM的線性模型性能進行對比。第一個線性模型僅通過特征向量直接對已知的季節(jié)進行服裝推薦。第二個線性模型通過特征向量進行屬性判斷后，考慮屬性同現(xiàn)約束條件對其進行服裝推薦。通過歸一化折損累積增益（Normalized Discounted Cumulative Gain，NDCG）[22-23]評判它們的性能。NDCG定義如下：

式中，rel(j)為評分等級設(shè)定，本文將評分設(shè)為10個等級，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基于SVM的線性模型和魔法衣櫥系統(tǒng)[15]性能對比結(jié)果圖。從圖5的實驗結(jié)果圖可以看出，僅根據(jù)服裝圖像特征間對應(yīng)關(guān)系和屬性間對應(yīng)關(guān)系進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個結(jié)果時性能最佳，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季節(jié)色彩的用戶進行服裝推薦。

圖5 本文推薦方法與相關(guān)方法性能對比

為了衡量本文方法的服裝推薦結(jié)果，對圖3中4種色彩季節(jié)人臉圖像進行服裝推薦。并且，令評分組（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)院時裝設(shè)計專業(yè)在校學(xué)生）對所有推薦結(jié)果分別進行“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。每項評分分為5星。（5星為最符合，0星為最不符合）。再根據(jù)兩項得分取平均值，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)果樣例及評分。從表中可以看出，為各個季節(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性化服裝推薦的判斷優(yōu)化模型。該方法將時尚領(lǐng)域的四季色彩理論與計算機視覺技術(shù)相結(jié)合，通過輸入的人臉圖像自動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)用戶評分記錄生成用戶偏好數(shù)據(jù)集，進一步滿足用戶的個性化需求。

表2 根據(jù)不同四季色彩人群所推薦服裝結(jié)果樣例及評分

經(jīng)實驗表明，本文方法所推薦的服裝能夠與用戶顏色特征相協(xié)調(diào)，提高了推薦的個性化，并且在實際應(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)化算法效率上進行進一步研究。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)器自動進行分類后加入數(shù)據(jù)庫，方便為該用戶用已有的服飾而推薦各個場合不同的搭配。

參考文獻：

[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)計中的運用[C]//2012中國流行色協(xié)會學(xué)術(shù)年會，2012.

[4]周曉蓉.淺析個人形象設(shè)計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].計算機應(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.個性化推薦系統(tǒng)綜述[J].計算機工程與應(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，王會進.改進的基于標(biāo)簽的協(xié)同過濾算法[J].計算機工程與應(yīng)用，2016，52（8）：56-61.