一种用于时尚电商中尺码与合身预测的深度学习系统

个性化的尺码与合身推荐对任何时尚电商平台都至关重要。预测正确的合身度可提升客户满意度，并通过减少因尺码相关退货产生的成本而使业务受益。传统的协同过滤算法试图基于客户的历史订单建模其偏好。此类方法的一个典型挑战源于客户—商品订单的极度稀疏性。为缓解该问题，我们提出了一种基于深度学习的内容—协同方法，用于个性化尺码与合身推荐。我们提出的方法可摄入任意客户与商品数据，并能对单一账户背后的多个个体或意图建模。该方法优化一组全局参数，以从观测到的客户—商品交互中学习尺码与合身相关信息的群体级抽象。它进一步采用客户与商品特定的嵌入变量来学习其属性。结合学习到的实体嵌入，该方法将额外的客户与商品属性映射至潜空间以得出个性化推荐。将我们的方法应用于两个公开可用数据集，展示了对已发表 SOTA 结果的改进。在两个专有数据集上——一个包含来自时尚专家的合身反馈，另一个涉及客户购买——我们进一步超越了可比较的方法，包括一种近期用于尺码推荐的贝叶斯方法。