一种基于用户情感需求的服装智能推荐方法及系统

1.本发明涉及服装推荐技术领域，具体涉及到一种基于用户情感需求的服装智能推荐方法及系统。


背景技术：

2.如今现代消费已进入“精神消费”时代，服装作为彰显个性、体现身份的重要媒介，消费者对服装的需求不再仅是基本的穿着功能，而是期望在服装中能获得更高价值的审美体验和情感实现。然而服装款式及品类繁多，消费者往往需要花费大量的时间精力去搜寻符合自己情感需求和审美体验的服装产品，没有得到专业、快速、准确推荐服装产品的服务，而严重影响了对服装产品消费的体验。
3.对于服装推荐问题现有技术提供了相关解决方案，例如发明专利cn109284666a公开了一种基于图像识别和大数据的服饰推荐方案、发明专利cn112508114a公开了一种智能服装推荐系统及方法、发明专利cn106649300a公开了一种基于云平台的智能服饰搭配推荐方法及系统等，结合图像识别、大数据、平台等技术实现发明，但现有发明中未有从用户情感需求角度出发的服装推荐技术实现。
4.因此，针对上述问题，本发明提供了一种基于用户情感需求的服装智能推荐方法及系统，为用户更好地解决服装推荐问题。


技术实现要素：

5.为了克服上述现有技术中的缺陷，本发明提供了一种基于用户情感需求的服装智能推荐方法及系统，能使推荐的服装更加符合用户的情感需求，提高服装推荐的准确性、专业性，从而提高用户的消费体验。
6.一种基于用户情感需求的服装智能推荐方法，包括以下步骤：
7.步骤一：获取服装样本图片建立样本库，并提取服装属性要素，获取用户对服装的感性需求；
8.步骤二：根据kano模型分类所述服装属性要素并构建服装属性要素空间，根据获取的感性意象词汇构建用户感性语意空间；
9.步骤三：将所述用户感性语意空间及所述服装属性要素空间进行合成，建立感性意象与服装产品属性的映射关系；
10.步骤四：采用决策树算法构建服装产品分类与回归树模型，并根据所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合。
11.进一步的，步骤二中的所述根据获取的感性意象词汇构建用户感性语意空间：通过爬虫技术从杂志、相关文献、广告、相关论坛、手册、有经验的用户、用户期望、新闻媒体、社交媒体和官方网站等渠道获取消费者对服装的情感需求相关词汇，经过筛选整理，剔除重复、无关等无效词汇，形成感性词汇库，构建感性语意空间。
12.进一步的，步骤一中的所述服装属性要素为服装造型、服装材质、服装色彩、服装
工艺、细节结构、服装图案等，提取所述服装属性要素的方法为收集网上多种服装图片，经筛选整理，形成所述样本库，通过服装解构与合并，提取主要的服装属性要素。
13.进一步的，步骤二中的所述根据kano模型分类所述服装属性要素并构建服装属性要素空间：采用kano模型通过问卷调查，将所述服装属性要素按照服装满意度和用户情感需求指标具备程度的高低进行分类，分为魅力属性a、期望属性o、无差异属性i、基本属性m、反向属性r，并计算better-worse系数，得到各属性的优先级排序，构建服装属性要素空间，计算公式如下：
[0014][0015][0016]
其中：better为满意度系数；worse为不满意度系数；a、o、m、i分别表示魅力属性、期望属性、无差异属性、基本属性的指数频数。
[0017]
进一步的，步骤三中的将所述用户感性语意空间及所述服装属性要素空间进行合成：基于感性工学理论，采用语义差异sd法建立7级语义评价量表，将用户的感受量化为具体的数据，借助spss数据分析软件，通过因子分析、主成分分析，得到感性因子，合成感性意象空间服装属性空间，为把服装属性要素与服装的感性评价相对应，将各服装感性评价中绝对值最大的形容词，即样本最主要的感性特征与感性意象空间分布图匹配，建立服装属性要素与感性意象的映射关系。
[0018]
进一步的，步骤四中的根据所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合：采用决策树算法技术构建服装分类与回归树模型，将与感性需求相对应的感性词作为决策树模型的目标变量，服装属性作为输入变量，使用所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合。
[0019]
进一步的，步骤四中的所述决策树是运用于分类以及回归的一种树结构，所述决策树由节点和有向边组成，一般一棵所述决策树包含一个根节点、若干内部节点和若干叶节点，所述决策树的决策过程需要从所述根节点开始，待测数据与所述决策树中的特征节点进行比较，并按照比较结果选择选择下一比较分支，直到叶子节点作为最终的决策结果。
[0020]
进一步的，所述决策树的具体算法步骤如下：
[0021]
(1)定义训练数据集为d，属性集为b，按照类标签对训练数据集d的属性集b进行划分，得到信息熵：
[0022][0023]
其中，m表示某次划分是总共分支个数，pi表示划分后的某样本，p(vi)表示该样本数量占父节点数据量的比例；
[0024]
(2)按照属性集b中每个属性进行划分，得到一组信息熵，计算公式如下：
[0025][0026]
(3)构建数据集划分评估指标增益率(gainratio)，来指导划分规则挑选，
gainratio最大的属性作为最佳分裂属性，即属性集b对训练数据集d的信息增益gr(d,b)定义为其信息增益g(d,b)与训练数据集d关于属性集b的值的熵hb(d)之比，计算公式如下：
[0027][0028]
其中，n是属性集b取值的个数。
[0029]
信息量依据上述公式分类计算，将具有最大信息增益率的属性设置为决策树根节点；
[0030]
将与感性需求相对应的感性词作为决策树模型的目标变量(有三个值：3＝满意，2＝一般，1＝不满意)，服装属性作为输入变量，样本数据分为两个部分，一个部分用于创建模型的训练数据集，一个用于模型性能的测试数据集；根据决策树描述用户重要感性词汇和服装属性之间关系的相应规则；
[0031]
建立回归树，一个回归树对应着输入空间(即特征空间)的一个划分以及在划分单元上的输出值，最小二乘回归树的生成方法如下：
[0032]
(1)选择最优的切分变量j和最优的切分点s，计算下式：
[0033][0034]
遍历所有特征，对固定的特征扫描所有取值，找到使上式达到最小值的对(j,s)；
[0035]
(2)用选定的对(j,s)划分区域，并确定该区域的预测值；
[0036]
(3)继续对两个字区域调用上述步骤，直至满足用户感性条件；
[0037]
(4)生成回归树，输出推荐符合用户情感需求的服装及组合。
[0038]
采用决策树算法生成服装分类与回归树模型，可依据用户的感性需求，智能推荐输出服装产品及组合。
[0039]
一种基于用户情感需求的服装智能推荐系统，包括：
[0040]
获取模块，用于获取服装样本图片建立服装样本库，提取服装属性要素，以及获取用户对服装的感性需求；
[0041]
构建模块，用于根据kano模型分类所述服装属性要素构建服装属性要素空间，根据获取的感性意象词汇构建用户感性语意空间；
[0042]
评价模块，用于将所述用户感性语意空间及所述服装属性要素空间进行合成，通过感性评价，建立感性意象与服装产品属性的映射关系；
[0043]
推荐模块，用于构建服装产品分类与回归树模型，并根据所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合。
[0044]
有益效果
[0045]
本发明与现有技术相比，具有以下有益效果：能使推荐的服装更加符合用户的情感需求，提高服装推荐的准确性、专业性，从而提高用户的消费体验。
附图说明
[0046]
图1为本发明的流程示意图；
[0047]
图2为本发明的服装属性kano模型分类示意图；
[0048]
图3为本发明的决策树部分结构示意图；
[0049]
图4为本发明的推荐系统实施流程图。
具体实施方式
[0050]
更好地说明阐述本发明内容，下面结合附图和实施实例进行展开说明：
[0051]
有图1-图4所示，本发明公开了一种基于用户情感需求的服装智能推荐方法，包括以下步骤：
[0052]
步骤一：获取服装样本图片建立样本库，并提取服装属性要素，获取用户对服装的感性需求；
[0053]
步骤二：根据kano模型分类所述服装属性要素并构建服装属性要素空间，根据获取的感性意象词汇构建用户感性语意空间；
[0054]
步骤三：将所述用户感性语意空间及所述服装属性要素空间进行合成，建立感性意象与服装产品属性的映射关系；
[0055]
步骤四：采用决策树算法构建服装产品分类与回归树模型，并根据所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合。
[0056]
进一步的，步骤二中的所述根据获取的感性意象词汇构建用户感性语意空间：通过爬虫技术从杂志、相关文献、广告、相关论坛、手册、有经验的用户、用户期望、新闻媒体、社交媒体和官方网站等渠道获取消费者对服装的情感需求相关词汇，经过筛选整理，剔除重复、无关等无效词汇，形成感性词汇库，构建感性语意空间。
[0057]
进一步的，步骤一中的所述服装属性要素为服装造型、服装材质、服装色彩、服装工艺、细节结构、服装图案等，提取所述服装属性要素的方法为收集网上多种服装图片，经筛选整理，形成所述样本库，通过服装解构与合并，提取主要的服装属性要素。
[0058]
进一步的，步骤二中的所述根据kano模型分类所述服装属性要素并构建服装属性要素空间：采用kano模型通过问卷调查，将所述服装属性要素按照服装满意度和用户情感需求指标具备程度的高低进行分类，分为魅力属性a、期望属性o、无差异属性i、基本属性m、反向属性r，并计算better-worse系数，得到各属性的优先级排序，构建服装属性要素空间，计算公式如下：
[0059][0060][0061]
其中：better为满意度系数；worse为不满意度系数；a、o、m、i分别表示魅力属性、期望属性、无差异属性、基本属性的指数频数。
[0062]
进一步的，步骤三中的将所述用户感性语意空间及所述服装属性要素空间进行合成：基于感性工学理论，采用语义差异sd法建立7级语义评价量表，将用户的感受量化为具体的数据，借助spss数据分析软件，通过因子分析、主成分分析，得到感性因子，合成感性意象空间服装属性空间，为把服装属性要素与服装的感性评价相对应，将各服装感性评价中绝对值最大的形容词，即样本最主要的感性特征与感性意象空间分布图匹配，建立服装属
性要素与感性意象的映射关系。
[0063]
进一步的，步骤四中的根据所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合：采用决策树算法技术构建服装分类与回归树模型，将与感性需求相对应的感性词作为决策树模型的目标变量，服装属性作为输入变量，使用所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合。
[0064]
进一步的，步骤四中的所述决策树是运用于分类以及回归的一种树结构，所述决策树由节点和有向边组成，一般一棵所述决策树包含一个根节点、若干内部节点和若干叶节点，所述决策树的决策过程需要从所述根节点开始，待测数据与所述决策树中的特征节点进行比较，并按照比较结果选择选择下一比较分支，直到叶子节点作为最终的决策结果。
[0065]
进一步的，所述决策树的具体算法步骤如下：
[0066]
(1)定义训练数据集为d，属性集为b，按照类标签对训练数据集d的属性集b进行划分，得到信息熵：
[0067][0068]
其中，m表示某次划分是总共分支个数，pi表示划分后的某样本，p(vi)表示该样本数量占父节点数据量的比例；
[0069]
(2)按照属性集b中每个属性进行划分，得到一组信息熵，计算公式如下：
[0070][0071]
(3)构建数据集划分评估指标增益率(gainratio)，来指导划分规则挑选，gainratio最大的属性作为最佳分裂属性，即属性集b对训练数据集d的信息增益gr(d,b)定义为其信息增益g(d,b)与训练数据集d关于属性集b的值的熵hb(d)之比，计算公式如下：
[0072][0073]
其中，n是属性集b取值的个数。
[0074]
信息量依据上述公式分类计算，将具有最大信息增益率的属性设置为决策树根节点；
[0075]
将与感性需求相对应的感性词作为决策树模型的目标变量(有三个值：3＝满意，2＝一般，1＝不满意)，服装属性作为输入变量，样本数据分为两个部分，一个部分用于创建模型的训练数据集，一个用于模型性能的测试数据集；根据决策树描述用户重要感性词汇和服装属性之间关系的相应规则；
[0076]
建立回归树，一个回归树对应着输入空间(即特征空间)的一个划分以及在划分单元上的输出值，最小二乘回归树的生成方法如下：
[0077]
(5)选择最优的切分变量j和最优的切分点s，计算下式：
[0078][0079]
遍历所有特征，对固定的特征扫描所有取值，找到使上式达到最小值的对(j,s)；
[0080]
(6)用选定的对(j,s)划分区域，并确定该区域的预测值；
[0081]
(7)继续对两个字区域调用上述步骤，直至满足用户感性条件；
[0082]
(8)生成回归树，输出推荐符合用户情感需求的服装及组合。
[0083]
采用决策树算法生成服装分类与回归树模型，可依据用户的感性需求，智能推荐输出服装产品及组合。
[0084]
一种基于用户情感需求的服装智能推荐系统，包括：
[0085]
获取模块，用于获取服装样本图片建立服装样本库，提取服装属性要素，以及获取用户对服装的感性需求；
[0086]
构建模块，用于根据kano模型分类所述服装属性要素构建服装属性要素空间，根据获取的感性意象词汇构建用户感性语意空间；
[0087]
评价模块，用于将所述用户感性语意空间及所述服装属性要素空间进行合成，通过感性评价，建立感性意象与服装产品属性的映射关系；
[0088]
推荐模块，用于构建服装产品分类与回归树模型，并根据所述服装产品分类与回归树模型输出推荐符合用户感性需求的服装产品及组合。
[0089]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明技术方案进行了详细的说明，本领域的技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行同等替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神与范围。