CRAFT：使用对抗特征 Transformer 的互补推荐

传统的互补商品推荐方法依赖于行为和非视觉数据，例如客户的共同浏览或共同购买。然而，某些领域（如时尚领域）主要是视觉的。我们提出了一个框架，以无监督方式利用视觉线索来学习真实世界图像中共现互补物品的分布。我们的模型学习了源和目标互补物品类别（例如服装中的上装和下装）两个流形之间的非线性变换。给定一个包含共现物体类别实例的大型图像数据集，我们通过将其转化为对抗优化问题，直接在特征表示空间上训练生成式 Transformer 网络。这种条件生成模型可以为给定的查询物品产生多个新颖的互补物品样本（在特征空间中）。最终的推荐是从最接近合成互补特征的真实世界示例中选出的。我们将我们的框架应用于为给定的下装衣物推荐互补上装的任务。我们的系统做出的推荐具有多样性，并且比基线方法更受人类专家的青睐。