張騫 陜西醫(yī)藥控股集團(tuán)派昂醫(yī)藥有限責(zé)任公司

1 深度學(xué)習(xí)算法的服裝推薦模型構(gòu)建

1.1 相似長(zhǎng)短期記憶網(wǎng)絡(luò)

基于深度學(xué)習(xí)算法基礎(chǔ)上，構(gòu)建服裝推薦系統(tǒng)，首先需要對(duì)相似長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行模擬構(gòu)建。長(zhǎng)短期記憶網(wǎng)絡(luò)是通過(guò)對(duì)用戶日常服裝瀏覽信息記憶評(píng)估。根據(jù)網(wǎng)絡(luò)瀏覽中的數(shù)據(jù)進(jìn)行長(zhǎng)期與短期評(píng)估，并根據(jù)數(shù)據(jù)之間的相似度對(duì)記憶信息進(jìn)行歸類，從而評(píng)估判斷用戶對(duì)服裝的喜好類型。長(zhǎng)短期記憶網(wǎng)絡(luò)是基于循環(huán)神經(jīng)網(wǎng)絡(luò)系統(tǒng)技術(shù)上，構(gòu)建的瀏覽信息自動(dòng)保存與國(guó)內(nèi)網(wǎng)絡(luò)，處于網(wǎng)絡(luò)環(huán)境中，用戶在瀏覽信息時(shí)所輸出的文本信息能夠通過(guò)相互關(guān)聯(lián)產(chǎn)生整體系統(tǒng)，并根據(jù)輸入門(mén)與輸出出門(mén)分類，形成長(zhǎng)期與短期內(nèi)的記憶模型。在分析運(yùn)算過(guò)程中，會(huì)根據(jù)信息出現(xiàn)頻率選擇自動(dòng)隱藏，對(duì)于出現(xiàn)頻率較高達(dá)到預(yù)期推薦標(biāo)準(zhǔn)的數(shù)據(jù)，同樣會(huì)形成短期記憶，并增大相關(guān)服裝信息的推薦頻率。在長(zhǎng)短期記憶網(wǎng)絡(luò)信息分類過(guò)程中，需要對(duì)輸入與輸出信息進(jìn)行歸類，判斷函數(shù)運(yùn)算過(guò)程中的激活方法，并根據(jù)最終所得到的結(jié)果，實(shí)現(xiàn)相乘序列構(gòu)建。

1.2 基于長(zhǎng)短期記憶的文本建模

服裝推薦系統(tǒng)構(gòu)建，還需要繼續(xù)長(zhǎng)短期記憶進(jìn)行文本建模。在程序匯編過(guò)程中，對(duì)于長(zhǎng)短期記憶網(wǎng)絡(luò)的運(yùn)用需要對(duì)其進(jìn)行界定，將其視為一個(gè)整體函數(shù)集合，并對(duì)每一個(gè)標(biāo)題進(jìn)行句子定義，實(shí)現(xiàn)向低維向量空間特征中的轉(zhuǎn)換。對(duì)函數(shù)的參數(shù)進(jìn)行定量求解，并通過(guò)嵌入理想特征，完善對(duì)不同服裝文本的搭配。在查詢服裝信息過(guò)程中，僅僅通過(guò)輸入標(biāo)題或者相關(guān)詞，便能夠啟動(dòng)長(zhǎng)短期記憶網(wǎng)絡(luò)系統(tǒng)。基于長(zhǎng)短期記憶基礎(chǔ)上的文本建模，需要對(duì)函數(shù)集合進(jìn)行準(zhǔn)確判斷，并在分析過(guò)程中明確經(jīng)典長(zhǎng)短期記憶網(wǎng)絡(luò)的特征。輸入輸出階段根據(jù)所得到的最終分析結(jié)果，對(duì)商品標(biāo)題進(jìn)行空間界定。這樣用戶在日常網(wǎng)絡(luò)信息瀏覽中，便能夠根據(jù)服裝信息出現(xiàn)幾率判斷用戶個(gè)人喜好，從而完成服裝推薦任務(wù)。

1.3 基于瀏覽信息記憶挖掘的服裝搭配推薦

基于長(zhǎng)短期記憶基礎(chǔ)上的文本建模，需要對(duì)函數(shù)集合進(jìn)行準(zhǔn)確判斷，并在分析過(guò)程中明確經(jīng)典長(zhǎng)短期記憶網(wǎng)絡(luò)的特征。輸入輸出階段根據(jù)所得到的最終分析結(jié)果，對(duì)商品標(biāo)題進(jìn)行空間界定，這樣用戶在日常網(wǎng)絡(luò)信息瀏覽中，便能夠根據(jù)服裝信息出現(xiàn)幾率判斷用戶個(gè)人喜好，從而完成服裝推薦任務(wù)?；跒g覽信息基礎(chǔ)上需要對(duì)瀏覽信息進(jìn)行自動(dòng)評(píng)估分類，并在挖掘過(guò)程中判斷接下來(lái)的搭配形式，通過(guò)服裝搭配推薦，對(duì)最終的服裝瀏覽類型進(jìn)行判斷。同時(shí)也需要根據(jù)瀏覽信息挖掘，對(duì)用戶的服裝類型喜好特征進(jìn)行深層次評(píng)估，對(duì)最終得到的瀏覽信息與挖掘信息相互整合。對(duì)于瀏覽信息繼續(xù)發(fā)掘中的服裝搭配推薦，還需要進(jìn)行服裝信息之間相似度評(píng)比。根據(jù)損失函數(shù)運(yùn)算，判斷服裝搭配過(guò)程中標(biāo)題語(yǔ)句的相似程度，根據(jù)標(biāo)題語(yǔ)句映射構(gòu)建，逐漸向低維向量空間進(jìn)行信息滲透。

2 基于圖像與文本信息挖掘的服裝推薦系統(tǒng)構(gòu)建

2.1 圖像與文本信息特征捕捉

基于圖像與文本信息挖掘基礎(chǔ)上進(jìn)行服裝推薦系統(tǒng)構(gòu)建，首先需要對(duì)圖像與文本信息的特征進(jìn)行捕捉，并進(jìn)行特征之間的相互對(duì)比。通過(guò)圖像與文本信息之間的特征融合，對(duì)于圖像文本信息的特征捕捉，還需要考慮信息之間的相似度是否在函數(shù)運(yùn)算集合范圍內(nèi)，并根據(jù)服裝推薦系統(tǒng)的構(gòu)建需求，對(duì)各類相似度進(jìn)行比較，進(jìn)行最終的預(yù)算范圍判斷。通過(guò)標(biāo)題語(yǔ)句，嵌入式方法對(duì)語(yǔ)句之間的相似度進(jìn)行深層次比較，并通過(guò)運(yùn)算公式確定函數(shù)集合的包含信息范圍，進(jìn)行各類數(shù)據(jù)之間的相互評(píng)比，從而構(gòu)建形成服裝推薦文本信息樣本。服裝樣本推薦過(guò)程中對(duì)于不同損失函數(shù)集合確定需要根據(jù)距離進(jìn)行判斷，副樣本之間的距離越高，表示最終的損失函數(shù)越小，如果副樣本之間的距離逐漸減小，將會(huì)出現(xiàn)服裝推薦信息集合范圍過(guò)于狹窄的問(wèn)題。

2.2 圖像與文本信息特征融合

基于圖像與文本信息之間的各種融合，通過(guò)交互換數(shù)據(jù)挖掘，實(shí)現(xiàn)對(duì)最終服裝推薦系統(tǒng)的整體構(gòu)建，對(duì)于圖像與樣本信息的特征融合，首先需要進(jìn)行嵌入空間特征提取，并針對(duì)嵌入空間中的距離進(jìn)行運(yùn)算。服裝搭配過(guò)程中的相容性問(wèn)題分析，更需要在嵌入過(guò)程中對(duì)比不同服裝數(shù)據(jù)之間的相似度相似度越高，表示最終的融合程度越高，可以進(jìn)入到接下來(lái)的服裝推薦中，如果相似度低于1。在推薦過(guò)程中表示，數(shù)據(jù)并沒(méi)有達(dá)到最佳效果，不可以進(jìn)行接下來(lái)的特征融合，還需要判斷特征之間的非線性融合關(guān)系，將服裝中的圖像與文本信息進(jìn)行特征非線性比較。觀察所得到的比較結(jié)果，并進(jìn)行下一步的交叉熵?fù)p失函數(shù)分析運(yùn)算。構(gòu)建形成全新的矩陣，在矩陣中針對(duì)圖像與文本信息明確分類。根據(jù)特征分類后進(jìn)行最終的信息融合，從而構(gòu)建形成服裝推薦系統(tǒng)中的信息數(shù)據(jù)庫(kù)，在信息數(shù)據(jù)庫(kù)支持作用下，網(wǎng)絡(luò)環(huán)境中對(duì)某一特征進(jìn)行提取后，可以直接啟動(dòng)數(shù)據(jù)庫(kù)中的對(duì)應(yīng)信息，完成推薦任務(wù)。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)建模

最后是推薦過(guò)程中，基于卷積神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模系統(tǒng)建模，是實(shí)現(xiàn)推薦功能的最終環(huán)節(jié)?？梢詫?biāo)題語(yǔ)句表達(dá)構(gòu)建成30×300的矩陣，并在其中輸入長(zhǎng)期與短期的記憶語(yǔ)句。在記憶語(yǔ)句中對(duì)神經(jīng)元網(wǎng)絡(luò)模型進(jìn)行構(gòu)建考慮，最終是否能夠再集合范圍內(nèi)確定服裝推薦系統(tǒng)的功能范圍，并對(duì)隱藏的數(shù)據(jù)信息單元層進(jìn)行平均提取，構(gòu)建形成項(xiàng)鏈之間的關(guān)聯(lián)關(guān)系得到的標(biāo)題語(yǔ)句。進(jìn)行多種模擬神經(jīng)元網(wǎng)絡(luò)的分級(jí)處理，并確定最終的參數(shù)權(quán)重，在參數(shù)權(quán)重范圍內(nèi)進(jìn)行實(shí)驗(yàn)，確定最終的集合損失，當(dāng)即和損失，在服裝推薦系統(tǒng)允許范圍內(nèi)可以停止實(shí)驗(yàn)，完成功能設(shè)計(jì)。卷積神經(jīng)網(wǎng)絡(luò)建模，對(duì)于數(shù)據(jù)信息的捕捉更加精準(zhǔn)，同基于網(wǎng)絡(luò)環(huán)境中也能夠同時(shí)處理不同來(lái)源范圍的矩陣信息。但在構(gòu)建過(guò)程中，需要對(duì)所述的服裝標(biāo)題，語(yǔ)句進(jìn)行圖像與以及文本信息分類。確定其中的特征向量在此基礎(chǔ)上才能對(duì)歷史服裝瀏覽數(shù)據(jù)信息進(jìn)行自動(dòng)捕捉與保存，進(jìn)行更為合理的服裝信息推薦。

3 結(jié)語(yǔ)

衣服推薦在個(gè)人日常穿搭和電商平臺(tái)的衣服推薦等各種應(yīng)用場(chǎng)景中都具有重要的指導(dǎo)意義?；谏疃葘W(xué)習(xí)的衣服搭配算法研究正是在這樣的背景下產(chǎn)生的。本文的主要研究?jī)?nèi)容就是利用深度神經(jīng)網(wǎng)絡(luò)中計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理的相關(guān)技術(shù)實(shí)現(xiàn)基于圖像和文本的衣服搭配推薦。利用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)衣服標(biāo)題進(jìn)行建模，同時(shí)結(jié)合相容矩陣學(xué)習(xí)兩個(gè)輸入之間的搭配關(guān)系，提出了基于長(zhǎng)短期記憶網(wǎng)絡(luò)和相容矩陣的衣服搭配推薦模型。在此基礎(chǔ)上把圖像特征和文本特征相融合，提出了基于圖像和文本信息融合的衣服搭配推薦模型。未來(lái)可以可以嘗試將長(zhǎng)短期記憶網(wǎng)絡(luò)應(yīng)用于圖像建模，使用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)得到的多個(gè)特征圖進(jìn)行融合；可以嘗試將用戶對(duì)衣服的評(píng)價(jià)作為衣服的屬性進(jìn)行學(xué)習(xí)。