鄭文靖

(西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安710048)

當(dāng)前時(shí)代下，隨著消費(fèi)者對(duì)個(gè)性化穿著以及對(duì)服裝尺寸適宜度要求的擴(kuò)大，服裝定制模式漸漸在國(guó)內(nèi)占據(jù)了重要的市場(chǎng)份額。定制化是能夠滿足消費(fèi)者對(duì)個(gè)性化追求的重要途徑，在“互聯(lián)網(wǎng)+”時(shí)代中，定制行為模式正發(fā)生著重要的變革[1-2]。

隨著消費(fèi)者需求的擴(kuò)大，傳統(tǒng)的定制模式可能對(duì)于眾多的消費(fèi)者來(lái)說(shuō)，無(wú)法及時(shí)滿足所有消費(fèi)者的需求，因此實(shí)現(xiàn)服裝定制推薦是當(dāng)前服裝定制市場(chǎng)的一種趨勢(shì)。針對(duì)服裝定制領(lǐng)域，目前國(guó)內(nèi)主要聚焦于三維人體建模參與定制，并且多數(shù)強(qiáng)調(diào)的是款式、面料、部件樣式的選擇，忽略了消費(fèi)者歷史數(shù)據(jù)中有用的信息，因此，目前國(guó)內(nèi)外服裝定制推薦領(lǐng)域研究較少。文獻(xiàn)[3]通過(guò)交互日志挖掘，采用有限狀態(tài)機(jī)技術(shù)描述客戶需求的會(huì)話交互行為模型，并運(yùn)用約束滿足理論和多屬性效用理論，開(kāi)發(fā)了一種基于約束滿足和情感效用的個(gè)性化西服定制推薦系統(tǒng);文獻(xiàn)[4]基于Kinect描述了一種人體及服裝重構(gòu)的方法，由多個(gè)Kinect捕獲人體模型，對(duì)服裝進(jìn)行3D建模，將其變形以適合人體，然后應(yīng)用縫合將這些模式縫合在一起;文獻(xiàn)[5]設(shè)計(jì)和開(kāi)發(fā)了基于專家知識(shí)的個(gè)性化服裝搭配系統(tǒng)，提供了個(gè)性化的服裝搭配服務(wù);文獻(xiàn)[6]采用BDEU決策樹(shù)算法，構(gòu)筑了用戶類別偏好模型，向用戶提供了個(gè)性化的推薦服務(wù)。以上研究對(duì)于服裝定制推薦領(lǐng)域的涉及有限，因此，本文致力于研究服裝定制領(lǐng)域中的量體數(shù)據(jù)與服裝版型。

在大數(shù)據(jù)時(shí)代下，為方便消費(fèi)者快速選擇適合自己的定制服裝版型以及面料繡花搭配，通過(guò)SV M分類算法對(duì)眾多量體數(shù)據(jù)進(jìn)行挖掘分析，根據(jù)用戶自身的量體數(shù)據(jù)進(jìn)行計(jì)算后推薦給用戶適合的版型，從而根據(jù)版型進(jìn)一步實(shí)現(xiàn)用戶的個(gè)性化定制搭配推薦。個(gè)性化的定制推薦與傳統(tǒng)的定制選擇相結(jié)合，才能為用戶提供更好的定制服務(wù)。

1 量體特征值與版型類型的SV M數(shù)據(jù)模型

1.1 量體數(shù)據(jù)特征參數(shù)集初始化

設(shè)量體數(shù)據(jù)為輸入樣本X，以上衣量體數(shù)據(jù)為例，x1、x2、x3、…、xn分別為代表不同部位的量體特征值，如衣長(zhǎng)、胸圍、下擺、中腰、肩寬、袖長(zhǎng)等部位，輸入n個(gè)特征值作為樣本值X(Xi)

建立量體數(shù)據(jù)參數(shù)集X={x1，x2，x3，…，xn}

由于量體特征值之間存在較大差異，如胸圍與肩寬之間的差異。需對(duì)量體數(shù)據(jù)集進(jìn)行歸一化處理，使得參數(shù)空間在各維度分布均勻，模型具有較優(yōu)的迭代速度和分類預(yù)測(cè)效果。歸一化方法為：

1.2 構(gòu)造最優(yōu)超平面

以上衣為例，設(shè)X={YC，X W，ZY，XB，JK，XC}，YC、X W、ZY、XB、JK、XC分別代表衣長(zhǎng)、胸圍、中腰、下擺、肩寬、袖長(zhǎng)，設(shè)Y=版型分類值，X與Y可表示為：

{(x1，y1)，(x2，y2)，…，(xn，yn)，xt∈Rd，yt∈ {y1，y2，…，yn}}

此關(guān)系模式下必然存在n-1個(gè)超平面，將這些樣本分別兩兩區(qū)分，最終實(shí)現(xiàn)分類效果，超平面可表示為：

式中，w∈Rd為該平面的權(quán)值法向量，b∈R為偏置量。

則樣本到超平面的分類間隔為：2/‖w‖，由于原始樣本空間數(shù)據(jù)的線性不可分性，因此，引入懲罰參數(shù)C來(lái)調(diào)整支持向量機(jī)對(duì)已知訓(xùn)練樣本構(gòu)建最優(yōu)分類超平面時(shí)分類錯(cuò)誤容忍程度[7]。所以要建立最優(yōu)超平面的問(wèn)題變成在有約束的條件下求：

1.3 計(jì)算最優(yōu)解

為了解決構(gòu)造最優(yōu)超平面的問(wèn)題，引入Lagrange函數(shù)[8]：

式中，ai≥0，i=1，2，…，n為拉格朗日乘子，為了求得w和b的最小值，對(duì)w和b求偏導(dǎo)數(shù)，并使得它們的偏導(dǎo)數(shù)為零，即：

對(duì)于已知訓(xùn)練樣本 (xi，yi)，求使得L(w，b，a)取得最大值時(shí)的ai，將二次規(guī)劃問(wèn)題轉(zhuǎn)化為相應(yīng)的對(duì)偶問(wèn)題，根據(jù)Lagrange對(duì)偶性原理，將問(wèn)題中的參數(shù)全部轉(zhuǎn)變?yōu)閮H以Lagrange乘子作為參數(shù)變量的目標(biāo)式[9-10]：

解得最優(yōu)解a*=(a1*，a2*，…，an*)'。最優(yōu)法向量w和最優(yōu)偏置量b分別為：

根據(jù)最優(yōu)值，從而求得最優(yōu)分類超平面(w*·x)+b*=0，則其對(duì)應(yīng)的最優(yōu)分類函數(shù)為：

為實(shí)現(xiàn)樣本空間從線性分劃到非線性分劃的過(guò)渡，引入徑向基(RBF)核函數(shù)，將樣本空間從低維映射到高維[11-12]。徑向基核函數(shù)表達(dá)式為：

則最優(yōu)分類函數(shù)為

2 基于優(yōu)化Grid Search的SV M分類模型

2.1 Grid Search-SV M原理

懲罰參數(shù)C和核函數(shù)參數(shù)g是影響SV M分類器性能的關(guān)鍵參數(shù)[13]，其中C表示模型對(duì)誤差的容忍度。C值太大容易導(dǎo)致過(guò)擬合的現(xiàn)象，使得測(cè)試集的數(shù)據(jù)分類效果不佳;C值太小容易導(dǎo)致欠擬合，模型不能有效捕捉樣本的數(shù)據(jù)特征，泛化能力變差。g是選擇RBF函數(shù)作為kernel后，該函數(shù)自帶的一個(gè)參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，g越大，支持向量越少，g值越小，支持向量越多。g值過(guò)大過(guò)小，表明原始樣本被映射至并不適用的高維空間，無(wú)法建立較優(yōu)的分類模型[14-15]。

Grid Search是用在Libsv m中的參數(shù)搜索方法[16]，在C和g組成的二維參數(shù)矩陣中，依次遍歷網(wǎng)格內(nèi)所有的點(diǎn)進(jìn)行取值，對(duì)于取定的C和g利用K-CV方法得到在此組C和g下訓(xùn)練集驗(yàn)證分類準(zhǔn)確率，最終取使得訓(xùn)練集驗(yàn)證分類準(zhǔn)確率最高的那組C和g作為最佳參數(shù)。使用Grid Search算法可以得到全局最優(yōu)，且C、g相互獨(dú)立，便于并行化進(jìn)行[17-18]。

基于Grid Search-SV M算法的服裝版型分類識(shí)別，具體操作是在MATLAB軟件中利用LIBSV M3.14工具包中的SV Mcg For Class.m函數(shù)，使用meshgrid方法構(gòu)建網(wǎng)格，尋找最佳C和g參數(shù)，實(shí)現(xiàn)用Grid Search優(yōu)化SV M參數(shù)和服裝版型識(shí)別，算法如表1所示。

2.2 Grid Search-SV M模型建立

在版型分類預(yù)測(cè)的過(guò)程中，提取量體數(shù)據(jù)特征值，并進(jìn)行歸一化處理后，引入RBF核函數(shù)，將樣本數(shù)據(jù)映射到高維空間，再進(jìn)行SV M模型訓(xùn)練、參數(shù)尋優(yōu)以及模型驗(yàn)證，整個(gè)版型的預(yù)測(cè)模型如圖1所示。

表1 Grid Search-SV M算法流程

圖1 Grid Search-SV M版型預(yù)測(cè)模型

(1)選定訓(xùn)練集與測(cè)試集，對(duì)數(shù)據(jù)集進(jìn)行劃分。

(2)樣本數(shù)據(jù)預(yù)處理：為了避免各個(gè)樣本因子之間量級(jí)的差異，減少樣本之間的相互影響，同時(shí)保證程序運(yùn)行收斂加快，需要對(duì)樣本因子進(jìn)行歸一化處理[19-20]，在MATLAB中用map min max函數(shù)實(shí)現(xiàn)其歸一化。

式中，x、min(x)、max(x)分別是原始樣本數(shù)據(jù)及其最小值、最大值;min(y)、max(y)分別代表歸一化后樣本的最大值、最小值。

(3)引入徑向基核函數(shù)(RBF)，通過(guò)調(diào)整g參數(shù)實(shí)現(xiàn)樣本從低維空間到高維空間的映射，從而實(shí)現(xiàn)線性可分。

(4)使用二度Grid Search算法進(jìn)行SV M模型訓(xùn)練及C&g參數(shù)尋優(yōu)。

粗略搜索階段 定義初始網(wǎng)格，設(shè)置大步距，獲得局部最優(yōu)參數(shù)區(qū)間;

精確搜索階段 以最優(yōu)參數(shù)組為搜索中心，設(shè)置小步距，不斷擴(kuò)大搜索范圍，逐步跳出局部最優(yōu)，獲得全局最優(yōu)解，從而實(shí)現(xiàn)分類效果最優(yōu)。

3 試驗(yàn)結(jié)果與分析

(1)試驗(yàn)數(shù)據(jù)來(lái)自于某大型服裝企業(yè)平臺(tái)，試驗(yàn)共采用169組量體數(shù)據(jù)與版型之間的對(duì)應(yīng)數(shù)據(jù)，隨機(jī)選取131個(gè)樣本作為訓(xùn)練集，38個(gè)樣本作為測(cè)試集，見(jiàn)表2。

表2 量體數(shù)據(jù)版型數(shù)據(jù)集(上衣部分示例)

(2)首先設(shè)定所要搜索的(C，g)參數(shù)的初始網(wǎng)格搜索范圍及初始步長(zhǎng)，其中，C&g的初始網(wǎng)格搜索范圍為[2-10，210]，初始步長(zhǎng)為4.5，通過(guò)交叉驗(yàn)證方法獲得局部最優(yōu)參數(shù)組;

(3)在其附近進(jìn)行小范圍的精確網(wǎng)格搜索，其C的網(wǎng)格搜索范圍為[2-2，24]，g的網(wǎng)格搜索范圍為[2-4，24]，其搜索步長(zhǎng)為0.05;

(4)將最終得到的參數(shù)(C，g)重新傳入到支持向量機(jī)的和函數(shù)中，建立基于二度網(wǎng)格搜索的支持向量機(jī)模型。

試驗(yàn)結(jié)果如圖2所示。

從試驗(yàn)結(jié)果看出，將Grid Search-SVM算法運(yùn)用于服裝版型的預(yù)測(cè)分類研究中，有良好的分類效果，且將Grid Search網(wǎng)格搜索算法分步搜索，可大大縮短參數(shù)尋優(yōu)時(shí)間，本次試驗(yàn)運(yùn)行時(shí)間為4.47 s，最佳C參數(shù)為36.7，g參數(shù)為1.3，最終試驗(yàn)的版型分類準(zhǔn)確率在90%以上，收斂情況好時(shí)可達(dá)到100%。

4 結(jié)語(yǔ)

為挖掘量體數(shù)據(jù)與服裝版型的關(guān)系，構(gòu)造出量體數(shù)據(jù)及服裝版型之間的SV M數(shù)據(jù)模型，并通過(guò)Matlab進(jìn)行仿真試驗(yàn)，使用SV M算法進(jìn)行模型訓(xùn)練及模型驗(yàn)證，實(shí)現(xiàn)分類效果，并通過(guò)Grid Search二度網(wǎng)格搜索算法進(jìn)行參數(shù)尋優(yōu)，使準(zhǔn)確率達(dá)到理想狀態(tài)。量體數(shù)據(jù)及版型的預(yù)測(cè)研究實(shí)現(xiàn)了在服裝定制推薦過(guò)程中根據(jù)量體數(shù)據(jù)進(jìn)行版型推薦的過(guò)程，使得服裝定制推薦的過(guò)程向前推進(jìn)，逐步實(shí)現(xiàn)服裝定制元素的推薦。針對(duì)量體數(shù)據(jù)及版型的研究對(duì)服裝定制推薦有重要的理論與實(shí)踐意義。

圖2 試驗(yàn)結(jié)果