利用时尚生成的协同监督改进服装推荐
信息检索
2019-08-27 v1 计算机视觉与模式识别
摘要
时尚推荐任务包含两个主要挑战：视觉理解与视觉匹配。视觉理解旨在提取有效的视觉特征；视觉匹配旨在建模人类对兼容性的认知以计算时尚物品之间的匹配度。以往多数研究仅依靠推荐损失来指导视觉理解与匹配。尽管这些方法捕获的特征描述了输入物品的基本特性（如颜色、纹理、形状），但它们与待推荐输出物品的视觉信号并无直接关联。这存在问题，因为可直接用以推断输出物品的审美特性（如风格、设计）有所缺失。特征仅在推荐损失下学习，其监督信号仅为给定两物品是否匹配。为解决这个问题，我们提出一种称为时尚推荐机（FAshion Recommendation Machine, FARM）的神经协同监督学习框架。FARM 通过引入生成损失的监督来改进视觉理解，我们假定其能更好地编码审美信息。FARM 通过引入一种新颖的层到层匹配机制来增强视觉匹配，以更有效地融合审美信息，同时避免过分关注生成质量而忽略推荐性能。在两个公开数据集上的大量实验表明，FARM 在服装推荐上以 AUC 和 MRR 指标优于 SOTA 模型。对生成与推荐物品的详细分析表明，FARM 能编码更好的特征并生成高质量图像作为参考以提升推荐性能。
引用
@article{arxiv.1908.09104,
title = {Improving Outfit Recommendation with Co-supervision of Fashion Generation},
author = {Yujie Lin and Pengjie Ren and Zhumin Chen and Zhaochun Ren and Jun Ma and Maarten de Rijke},
journal= {arXiv preprint arXiv:1908.09104},
year = {2019}
}