TransNFCM：基于平移的神经网络时尚兼容性建模

识别时尚单品之间的搭配关系是时尚电子商务推荐系统中的一项紧迫任务。它将显著提升用户体验与满意度。然而，由于难以在大规模时尚单品电商语料中推断出丰富而复杂的兼容性模式集合，该任务仍鲜有探索。受多关系知识表示学习与深度神经网络近期进展的启发，本文提出一种新颖的基于平移的神经网络时尚兼容性建模 (TransNFCM) 框架，其通过端到端学习方式在统一空间中联合优化时尚单品嵌入与类别特定的互补关系。TransNFCM 将单品置于统一嵌入空间中，其中类别特定关系（类别-互补-类别）被建模为作用于来自相应类别的兼容单品嵌入上的向量平移。借此，我们不仅捕捉了以特定互补类别对为条件的兼容性具体概念，还保留了兼容性的全局概念。我们还设计了一个深度时尚单品编码器，利用视觉与文本特征的互补特性来表示时尚商品。据我们所知，这是首项使用类别特定互补关系在基于平移的嵌入空间中建模单品间类别感知兼容性的工作。大量实验在两个真实世界数据集上证明了 TransNFCM 相对于当前最优方法的的有效性。