[发明专利]一种面向差异化场景的服饰推荐系统及方法

说明书

一种面向差异化场景的服饰推荐系统及方法，该系统包括基于深度学习的第一层神经网络结构和第二层神经网络结构，通过所述第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过所述第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前；其中，所述第一层神经网络结构和第二层神经网络结构经过深度学习，根据所输入的用户所处场景、用户风格偏好以及服饰舒适度，为用户精准推荐适合该场景下的服饰商品。该系统大大减少了需要处理的数据量，可以处理大量的用户推荐，同时可以为每个用户提供符合场景的个性化的服饰推荐服务。

技术领域

本发明涉及一种面向差异化场景的服饰推荐系统及方法。

背景技术

现有的工程技术中，个性化服饰推荐系统常常根据用户浏览的商品信息进行相关种类的服饰进行推荐，而对用户所处不同场景下推荐的服饰需求产生一定的偏差，存在一定的缺陷。

新的研究成果中主要由两种方法来个性化推荐服饰：

1)通过人工智能技术与大数据分析获取用户在服饰方面的偏好信息，为用户提供个性化穿搭推荐，但是未考虑服饰本身舒适度和流行度信息，且数据量大。

2)根据用户浏览的商品信息进行相关种类的服饰进行推荐，从内容和服务上来说显得过于简单，不满足人们对现有服饰搭配与推荐的需求。

例如，专利文献CN110059247A公开了一种基于人工智能技术的个性化穿搭推荐系统，通过人工智能技术与大数据分析能够获取用户在服饰方面的偏好信息，为用户提供个性化穿搭推荐，不仅数据量大，也难以有效满足人们对现有服饰搭配与推荐的需求。

如何减少需要处理的数据量，不仅可以处理大量的用户推荐，而且可以为每个用户提供个性化的推荐服务，是上述技术面临的问题。

发明内容

本发明的主要目的在于上述技术缺陷中的至少一种，提供一种面向差异化场景的服饰推荐系统及方法。

为实现上述目的，本发明采用以下技术方案：

一种面向差异化场景的服饰推荐系统，包括基于深度学习的第一层神经网络结构和第二层神经网络结构，通过所述第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过所述第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前；其中，所述第一层神经网络结构和第二层神经网络结构经过深度学习，根据所输入的用户所处场景、用户风格偏好以及服饰舒适度，为用户精准推荐适合该场景下的服饰商品。

进一步地：

在所述第二层神经网络结构还获取其他渠道推荐过来的候选推荐集，和所述第一层神经网络结构的候选推荐集融合起来进行排序。

根据用户所处场景的不同，所推荐的服饰商品的风格和舒适度权重占比不同。

通过DNN和激活函数来进行用户选择的风格与舒适度的融合，以向用户推荐适合该场景下的服饰商品。

基于所述用户所处场景和用户偏好信息，与符合当季潮流穿搭的流行度信息相结合，为用户推荐适合用户所处场景和偏好且当季流行的潮流搭配。

所述第一层神经网络结构包括多层全连接的DNN和ReLU激活函数，其中，将商品id的嵌入、搜索的关键词的嵌入、以及场景的嵌入、地理信息、商品的生命周期信息作为特征送入第一层神经网络中，在训练阶段，网络最后一层的输出经过softmax之后得到最有可能购买的商品预测值，与用户实际上购买的下一件商品进行比较，并求损失，在线上推荐服务阶段，直接使用softmax之前的特征向量作为该用户的隐向量，使用近似最近邻的方法，找出与该隐向量最接近的若干条隐向量代表的商品，作为所述候选集。