本发明涉及大数据分析技术领域，具体而言，涉及一种基于大数据的试衣推荐方法。
背景技术：
当前，网购平台越来越多，大多数用户倾向于在网上购物平台上购置衣服，但是网上购物平台并不像实体店一样可以试穿衣服，从而使得很多购物者网购到的衣服并不适合自己的体型，服装的颜色也不适合自己的肤色，造成退货频繁，给平台商家及消费者都带来了不好的购物体验和经济损失。
技术实现要素：
本发明为了解决上述技术问题，提供了可以让消费者根据自己体型和肤色网购到合适衣服的一种基于大数据的试衣推荐方法。
为达到上述技术目的，本发明采取的技术方案是：一种基于大数据的试衣推荐方法，包括以下步骤：
步骤1，采集不同体型的模特数据，将模特的体型按照国家标准体型分类进行划分，得到模特体型分类；
步骤2，采集每一个模特体型分类下模特的肤色；将模特的肤色按照欣资(hintze)肤色表再次进行分类划分，得到模特体型-肤色分类；
步骤3，根据模特体型-肤色分类匹配与每个模特体型-肤色分类下的模特样式及颜色相协调的至少十件具有不同服装特征的推荐服装；采集模特体型-肤色分类的模特试穿每件推荐服装的视频数据；
步骤4，将试衣人的体型按照国家标准体型分类进行划分，得到试衣人的体型分类；将试衣人的肤色按照欣资(hintze)肤色表进行划分，得到试衣人的肤色分类；根据试衣人的体型分类及肤色分类，得到试衣人体型-肤色分类；
步骤5，根据服装特征和试衣人体型-肤色分类通过bdeu方法建立一个以上的推荐决策树；
步骤6，根据步骤4得到的试衣人体型-肤色分类找到步骤2中与其对应的模特体型-肤色分类；根据找到的模特体型-肤色分类找到对应的模特，根据对应的模特找到步骤3中对应的模特穿过的推荐服装；
步骤7，将步骤6找到的对应的模特穿过的推荐服装和通过步骤4建立的各个推荐决策树进行衣服推荐，然后对各个推荐决策树推荐的衣服进行优化，将优化得到的衣服向试衣人推荐。
进一步地，所述步骤3及步骤5中的服装特征包括服装品牌、式样、类型、规格、尺寸、颜色、织物材质、样本图片、销售价格。
进一步地，所述步骤4中还包括采集所述试衣人的基本信息的步骤，所述基本信息包括用户年龄、职业、地区、喜好、收入。
进一步地，所述步骤5是根据服装特征、试衣人体型-肤色分类及试衣人的基本信息通过bdeu方法建立一个以上的推荐决策树。
与现有技术相比，本发明的有益效果是：
使用本发明的方法，网购用户能在家中通过互联网访问系统，不仅可以像一般的网购那样查看网店内的衣服，同时可以根据自己的体型和肤色获取最优的推荐结果，从推荐结果中选出适合自己体型和肤色的衣服，帮助用户网购到合适的衣服，降低经济损失风险，提升购物体验。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，以下列举该发明的具体实施例，对本申请作进一步地详细说明，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
本实施例的一种基于大数据的试衣推荐方法，具体包括以下步骤：
步骤1，采集不同体型的模特数据，将模特的体型按照国家标准体型分类进行划分，得到模特体型分类。
步骤2，采集每一个模特体型分类下模特的肤色；将模特的肤色按照欣资(hintze)肤色表再次进行分类划分，得到模特体型-肤色分类。
步骤3，根据模特体型-肤色分类匹配与每个模特体型-肤色分类下的模特样式及颜色相协调的至少十件具有不同服装特征的推荐服装；采集模特体型-肤色分类的模特试穿每件推荐服装的视频数据。
步骤4，将试衣人的体型按照国家标准体型分类进行划分，得到试衣人的体型分类；将试衣人的肤色按照欣资(hintze)肤色表进行划分，得到试衣人的肤色分类；根据试衣人的体型分类及肤色分类，得到试衣人体型-肤色分类；
步骤5，根据服装特征和试衣人体型-肤色分类通过bdeu方法建立一个以上的推荐决策树。
步骤6，根据步骤4得到的试衣人体型-肤色分类找到步骤2中与其对应的模特体型-肤色分类；根据找到的模特体型-肤色分类找到对应的模特，根据对应的模特找到步骤3中对应的模特穿过的推荐服装。
步骤7，将步骤6找到的对应的模特穿过的推荐服装和通过步骤4建立的各个推荐决策树进行衣服推荐，然后对各个推荐决策树推荐的衣服进行优化，将优化得到的衣服向试衣人推荐。
其中，在步骤3及步骤5中的服装特征包括服装品牌、式样、类型、规格、尺寸、颜色、织物材质、样本图片、销售价格。
其中，在步骤4中还包括采集所述试衣人的基本信息的步骤，所述基本信息包括用户年龄、职业、地区、喜好、收入。
其中，所述步骤5是根据服装特征、试衣人体型-肤色分类及试衣人的基本信息通过bdeu方法建立一个以上的推荐决策树。
本实施例中，bdeu算法根据贝叶斯定和全概率公式，来评估属性结构的优劣。贝叶斯公理如下：假设h[1],h[2]…,h[n]互斥且构成一个完全事件，已知它们的概率p(h[i]),i＝1,2,…,n，现观察到某事件a与h[,1],h[,2]…,h[,n]相伴随机出现，且已知条件概率p(a/h[,i])，则：
p(h[,i]/a)＝p(h[i])*p(a│h[i])/{p(h[1])*p(a│h[1])
+p(h[2])*p(a│h[2])+…+p(h[n])*p(a│h[n])}
bdeu算法使用了贝叶斯参数先验分布方法中的共轭分布，采用ch分数(由cooper和herskovits根据贝叶斯公式和先验分布推导出)，评价分叉后树形的优劣，得到最优树，ch分数越大，表示得到的决策树结构越好。计算ch公式如下:
其中，d代表数据集，e代表先验数据，bs代表树结构，i代表变量标号(如职业，年龄，收入等变量的分布标号)，k代表变量取值(如职业，年龄，收入等变量的值)，mijk表示在先验信息中，先验数据的分布参数。njk表示在现有数据中，当前结点为i父节点为j当前节点取值为k的事例项个数。
举例单个决策树建立过程如下：
1)，取待推荐服装款式为根，分别输入年龄、职业、收入等，得到两层决策树结构。
2)，计算服装款式ch分数，取使ch分数最大的变量分叉。
3)，分别取叶节点为当前结点，如果当前结点事例项的支持个数小于设定的限制，则不进行分叉，取下一叶节点，如大于则分别用未用来分叉的输入变量对当前节点进行分叉，得到新的树结构组，如果没有能够分叉的叶节点，则决策树完成。
4)，根据树结构分别计算新的树结构组里每个树结构的ch分数，采用树结构组中ch分数最大的那个树，继续执行(3)。
5)，随后可以建立决策树。
6)，以上决策树是按照服装款式为根进行建树，系统随后会按照服装的其他特征，如服装面料、服装颜色色系等参数为根建立多个决策树。
本实施例叙述的较为具体和详细，也给出了实施例的一些优选措施，但是，该实施例和优选措施并不能作为对本发明的限制，本领域的技术人员看到该方案时，做出的其他变形和等同手段的替换，均应在本发明的保护范围之内。