面向条件式服装推荐的学习元组兼容性
计算机视觉与模式识别
2020-08-20 v1
摘要
服装推荐需要回答一些具有挑战性的服装兼容性问题，例如“哪双靴子和哪个书包与我的牛仔裤和毛衣相配？”。它比传统的相似度搜索更为复杂，不仅需要考虑视觉美感，还需考虑时尚物品固有的细粒度与多类别特性。现有的一些方法通过序列模型或学习物品间的成对距离来解决该问题。然而，它们大多在定义时尚兼容性时仅考虑粗粒度类别信息，而忽略了实际应用中常需要的细粒度类别信息。为了更好地定义时尚兼容性并更灵活地满足不同需求，我们提出了一种新颖的问题：学习多个元组（每个元组由一个物品与类别对组成）之间的兼容性，并依据客户所选类别推荐时尚物品。我们的贡献包括：1）设计了一种混合类别注意力网络（MCAN），该网络将细粒度与粗粒度类别信息均整合进推荐中，并学习时尚元组间的兼容性。MCAN能够基于需求显式且有效地生成多样化、可控的推荐。2）贡献了一个遵循东方文化、可用于检验推荐系统泛化能力的新数据集 IQON。我们在参考数据集 Polyvore 和我们的数据集 IQON 上开展的广泛实验表明，我们的方法显著优于当前最先进的推荐方法。
引用
@article{arxiv.2008.08189,
title = {Learning Tuple Compatibility for Conditional OutfitRecommendation},
author = {Xuewen Yang and Dongliang Xie and Xin Wang and Jiangbo Yuan and Wanying Ding and Pengyun Yan},
journal= {arXiv preprint arXiv:2008.08189},
year = {2020}
}