刘振娟,谷 林,郭佳玥,韩豪杰

(西安工程大学 计算机科学学院,陕西 西安 710048)

0 引 言

近年来,随着电子商务的快速发展,服装线上销售越来越流行。但是,用户购买服装时,在众多的服装销售页面中挑选到适合自己的服装非常费时费力。一方面是因为服装推送信息杂乱,另一方面是因为用户缺乏专业的服装搭配知识和把握流行趋势的能力,缺少专业指导,所以选择具有一定的盲目性。

目前,推荐系统已经广泛应用于电影、图书、音乐、新闻、服装等商业领域[1],可以帮助用户快速找到感兴趣的相关信息[2]。迄今为止,实际商业网站运行的推荐系统中主要包括基于内容过滤、协同过滤及混合推荐等3种算法[3]。协同过滤[4]是目前应用最广泛和成功的推荐技术,核心思想是找到具有相同兴趣的用户,然后把用户感兴趣的相似内容推荐给目标用户。在服装推荐领域,Zhao等[5]设计了一个基于用户信息的服装推荐系统,该系统只考虑季节类别。LIU等[6]开发了一个名为“magic clost”面向场合的服装搭配系统,根据用户指定的出席场合自动推荐出商场里最适合的服装。此系统从现实的角度考虑用户穿着的合适性和审美原则,但并未考虑用户自身的体貌特点。Liu等[7]提出了一种面向天气的实用服装自动推荐系统,根据天气信息智能地从用户的个人相册中推荐出最适合用户的服装,但是只考虑了天气因素。Kalanti dis[8]提出了一种可扩展的自动推荐相关服装的产品,主要解决跨领域的服装检索问题。Lin等[9]提出改进贝叶斯网络的个性化服装推荐系统,根据用户的个人喜好、历史购买记录和历史建议评价进行服装推荐,提出一种用户反馈的选择机制,但也只考虑了用户的行为和以往购买、浏览记录,并未考虑到用户当前的实际需求。

从以往服装推荐系统的研究可以看出,大多数的服装推荐系统都倾向于根据用户的购物、浏览记录及外界条件进行分析推送。传统的协同过滤推荐算法粗略地利用用户-项目评级矩阵来寻找相似的用户,注重基于海量历史数据预测用户的商品偏好,而忽视了用户自身的体貌特点和服装属性的语义知识,例如肤色和衣服颜色的搭配效果,在实际应用中存在冷启动和数据稀疏的问题[10]。当新用户进入系统时,由于系统没有新用户的行为数据,所以推荐的效果并不理想。另外,目前的服装推荐系统智能化程度较低,如当前购物平台最畅销的衣服由于肤色、身型等互相不匹配,可能并不是最适合消费者的服装。对用户的指导性只局限在用户本身的审美和习惯中,缺乏专业化的建议和指导。服装推荐需要考虑到消费者自身的体貌特征信息和出席场合,而不是只盲目根据历史信息和用户偏好来进行推荐。

针对目前服装推荐中存在的问题,本文提出一种基于专家知识的智能服装推荐方法。专家系统(ES)[11-12]是目前人工智能领域最活跃和最有成效的研究之一,是一种利用专业知识和推理能力解决特定领域问题的计算机程序设计系统[13]。将专家系统技术应用到服装推荐系统,从专业人士的角度,依据专家知识规则实现服装销售的智能推荐是服装行业的发展趋势。本文所述的服装推荐系统中存储了丰富的基于服装领域专家的服装搭配专业知识,结合用户的体貌特征信息和服装语义信息,构建服装知识库,以产生式表达方法进行知识表达,并采用正向链接推理方法进行智能推理,生成推荐结果，帮助用户在丰富的服装产品中选择最适合自己的服装。

1 服装推荐系统结构

基于专家知识的服装推荐系统框架如图1所示,包括人机界面、知识库、数据库等。首先,通过人机交互界面获取用户的体貌特征信息,生成用户个人信息元素(脸型、肤色、肩型、体型等)。设计服装知识库存储服装知识并对输入数据进行解释,知识库是在数据库的基础上添加了推理机制,用CLIPS语言编写用户体貌特征与服装属性信息之间的搭配规则,与数据库存储的用户信息和服装信息映射。动态数据库用来存储系统推理的中间结果,构建完备的服装推荐知识库,最后通过人机界面展示推荐结果。

2 服装推荐方法

知识库是从知识存储的角度出发,描述知识存储和管理的方法[14]。知识库和传统数据库的区别在于它不但包含了大量的简单事实,而且还包含了规则和过程性知识。

2.1 服装推荐知识库

对500名20～30岁女性做服装购买影响因素的问卷调查，回收有效问卷共332份，数据显示：脸型、肤色、肩型、体型和穿着场合对自身穿搭的影响占比最高,所以选取这5种用户特征构建知识库。服装推荐系统的知识库是知识存储结构,用来收集服装专家经验,以产生式的规则形式表达知识,包括事实库和规则库。事实库包含用户个人信息(见表1)和服装属性信息(见表2)2部分。

表 1 用户个人信息Tab.1 User′s information

表 2 服装属性信息Tab.2 Clothing attribute information

该推荐系统主要研究的是用户的体貌特征、穿着场合与服装属性信息之间的关系。首先使用决策树对服装匹配知识进行建模,然后将该树映射到一组IF-THEN语句中以开发规则库。产生式规则[15]采用“IF precoditons THEN action”的形式来表示规则,其中precoditons和action用三元组表示。当包含一组待满足条件的precoditons时,如果结果为真,则包含要执行的动作或者产生新知识[16]。本系统知识库设计主要分为user-apperance(体貌特征表),facts(输入事实表),rules(规则表),conclusion(服装推荐结论表)和explain(推荐解释表)等5部分,关系图如图2所示。

2.2 推理机制

推理机制[17]是推荐系统的核心,其作用是模拟领域专家的思维过程,完成对领域知识的求解。采用正向链接规则匹配算法[18-19]实现推理,并考虑所有的事实和规则,从而得出结论。其次是深度优先搜索引擎[20]的方法,从根节点的深度向下按顺序搜索。

依据正向链接规则匹配算法和深度优先搜索引擎方法,构建用户体貌特征、穿着场合和服装属性的关系决策树。对获取的用户体貌信息与服装属性进行匹配,得到推荐列表,服装推荐决策树如图3所示。

从匹配关系决策树可以看出,用户的体貌特征、穿着场合等信息都可以与服装属性进行匹配,从而在服装数据库中筛选出符合条件的服装推荐列表。过程如下:

1) 采集用户特征:肤色、脸型、肩型、体型和穿着场合;

2)从服装数据库中得到分别满足以上用户特征的服装数据量,分别记为S1、S2、S3、S4、S5,以满足用户条件数目最少的服装属性作为根节点,进行深度搜索,确定优先级顺序。假设S1

3) 按照2)的顺序依次搜索出符合用户条件的服装颜色、领型、款式和风格,确定目标服装并推送给用户。

3 实 验

采用CLIPS6.3(C语言集成产生式系统)[21]作为专家系统工具,利用在线爬虫技术随机选取500条某知名服装网站的服装作为实验数据,包括服装名称、类型、领型、颜色、款式、价格、风格等，并对其进行处理。

首先利用主动形状模型(active shape model,ASM)提取用户面部的30个特征点,使用K近邻算法实现用户脸型的自动分类；然后提取具有代表性的面部区域,构造肤色类别索引,将肤色区域块图像的RGB值转换到YCbCr颜色空间中,建立肤色模型，实现用户肤色的自动分类；系统根据用户提交的信息进行服装知识匹配,得到推荐结果。

为了验证本文基于专家知识服装推荐方法的有效性,将推荐结果和传统的协同过滤算法进行比较,使用准确率和召回率为评价指标来衡量服装推荐效果。

召回率是指系统推荐的商品集合与用户实际历史商品消费偏好的比例。召回率越大,推荐系统越准确。准确率是指用户在推荐集中选择的项目占整个推荐集的比例,准确率越高,推荐系统越好。在推荐系统过程中,设T(u)为训练集中目标用户生成的服装推荐集,C(u)为目标用户在测试集中实际选择的服装项目。由式(1)、(2)计算实验中2种方法的准确率(P)和召回率(R)。

(1)

(2)

本文随机抽取不同的服装数据进行6次实验,分别比较基于专家知识的推荐方法和基于协同过滤推荐方法的准确率和召回率，如图4所示。

从图4可以看出,基于专家知识的服装推荐方法在精确率和召回率方面都优于传统的协同过滤推荐方法,具有更好地服装推荐效果。为了更好地验证本文方法的实用性,从实验数据中随机选取200条数据，对3个不同体貌特征的用户进行服装推荐,比较本文搜索方法与传统搜索方法的实用性,如表3所示。

从表3可以看出本系统的推荐方法能在一定程度上提高搜索效率。以用户编号为3的特征组为例进行运算,其用户特征为肤色粉嫩、圆脸、窄肩、苹果型体型、居家场合；适合的服装颜色为白色、黑色、粉色、蓝色、棕色、绿色、灰色、酒红、橙色等颜色;适合的服装领型为V领、高领、立领、翻折领;适合的服装风格是韩版、清新、英伦、甜美、淑女、性感、休闲等；适合的款式是修身。得到的服装推荐列表如图5所示,可以看出,推荐结果与搭配规则一致,符合大众的审美效果。

表 3 搜索时间对比Tab.3 Search time comparison

4 结 语

本文提出一种基于专家知识的智能服装推荐方法,通过建立规则库,根据用户的体貌特征和穿着场合,利用正向规则推理机制建立决策树,并从服装专家角度为用户提供专业化的着装建议。结果显示,本文方法推荐效率高,推荐的服装符合大众的审美,提高了用户的满意度。但是本系统只能给用户推荐合适的上装,并不能推荐出搭配的套装,所以如何进行上下装的搭配是进一步深入研究的课题。