(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210745757.8 (22)申请日 2022.06.29 (65)同一申请的已公布的文献号 申请公布号 CN 114821202 A (43)申请公布日 2022.07.29 (73)专利权人 武汉纺织大 学 地址 430073 湖北省武汉市洪山区纺织路1 号 (72)发明人 刘军　姜明华　刘姝晴　王画　 朱佳龙　余锋　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 王琪 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 16/9535(2019.01) (56)对比文件 CN 111967930 A,2020.1 1.20 CN 110413823 A,2019.1 1.05 CN 1081715 69 A,2018.0 6.15 CN 111723737 A,2020.09.2 9 CN 110110181 A,2019.08.09 US 10824942 B1,2020.1 1.03 US 2007168357 A1,20 07.07.19 US 201931 1223 A1,2019.10.10 周静等.基 于用户属性偏好与时间因子的服 装推荐研究. 《软件导刊》 .2020,(第0 6期),1-7. Congying Guan等.Apparel-based de ep learning system design for ap parel style recommendation. 《Internati onal Journal of Clothing Science and Tec hnology》 .2019,第 376-389页. 审查员 贾云杰 (54)发明名称 一种基于用户偏好的服装推荐方法 (57)摘要 本发明公开了一种基于用户偏好的服装推 荐方法， 涉及服装推荐技术领域， 本系统包括如 下步骤： （1） 获取用户输入的服装图像信息。 （2） 通过服装风格识别模型对用户输入的服装图像 进行风格识别， 并获得风格标签。 （3） 通过 获得的 风格标签在服装数据集中筛选出与风格标签一 致的K件服装。 （4） 通过服装属性识别模型获取用 户输入的服装 图像的特征向量， 获取所述K件服 装的特征向量。 （5） 根据相似度公式计算用户输 入的服装图像与所述K件服装的相似度值， 推荐 给用户相似度最高的服装。 解决了基于浅层次特 征的服装相似度计算没有很好提取到服装风格 特征的问题， 能将与用户输入图片的服装风格最 相似的服装推荐给用户。 权利要求书2页 说明书6页 附图2页 CN 114821202 B 2022.10.04 CN 114821202 B 1.一种基于用户偏好的服装推荐方法， 其特 征在于， 包括如下步骤： 步骤 （1） ， 获取用户输入的服装图像信息； 步骤 （2） ， 通过服装风格识别 模型对用户输入的服装图像进行风格识别， 并获得风格标 签； 所述步骤 （2） 中的服装风格识别模型包括卷积神经网络与分类器， 其中的卷积神经网 络分为7个阶段， 第一个阶段经过3 ×3的卷积操作， BN层和Swish激活函数处理， 并作为第二 阶段的输入； 第二阶段到第六阶段是重复堆叠的残差结构， 残差结构分为左右两个 分支， 左 分支首先是1 ×1的卷积层起到升维作用， 再利用一个5 ×5的深度可分离卷积层 进行卷积操 作， 最后使用一个1 ×1的卷积层起到降维作用， 右分支 直接与左分支的结果进 行相加， 得到 最后的输出， 卷积层包含BN层和Swish激活函数； 第七阶段由一个1 ×1的卷积层、 BN层、 Swish激活函数、 平均池化层和全连接层所组成； 步骤 （3） ， 通过获得的风格标签在服装数据集中筛 选出与风格标签一 致的K件服装； 步骤 （4） ， 通过服装属性识别模型获取用户输入的服装图像的特征向量， 获取所述K件 服装的特 征向量； 步骤 （5） ， 根据相似度公式计算用户输入的服装图像与所述K件服装的相似度值， 推荐 给用户相似度最高的服装。 2.根据权利要求1所述的一种基于用户偏好的服装推荐方法， 其特征在于： 所述步骤 （2） 中的服装风格识别模型采用分权分类损失函数来实现服装分类， 并以分类的结果为依 据在服装数据集中筛 选出服装图像； 分权分类损失函数分为两部分， 其中 需要 输入三个样本构成三元组， 分别是参考样本， 正样本和负样本， 分权 分类损失函数的目标是 使参考样本和正样本之间的距离最小， 而和负样本之间的距离最大， 而 经过计算 可以得出对应服装所属元 素信息的概 率， 整个网络的损失函数表示如下： 式中， β 表示比例， m表示参考样本图像， n+表示正样本图像， n‑表示负样本图像， p  (m， n +)表示参考样本和正样本之间的欧式距离， p(m， n‑)表示参考样本和负样本之间的欧式距 离， L表示特定阈值， Zi表示卷积神经网络中最后一个全连接层第 i个节点的输出值， n为输 出的节点数量， 即 分类的类别个数。 3.根据权利要求1所述的一种基于用户偏好的服装推荐方法， 其特征在于： 所述步骤 （4） 的服装属性识别模 型分为8个子模 型， 包括裙长属性识别模型、 裤长属性识别模型、 衣长 属性识别模型、 袖长属性识别模型、 领型属性识别模型、 领深属性识别模型、 颈线属 性识别 模型和脖 颈属性识别模型。 4.根据权利要求1所述的一种基于用户偏好的服装推荐方法， 其特征在于： 所述步骤 （4） 的服装属性识别模型分为5个阶段； 在第一阶段中， 先经过1 ×1卷积， 再经过Relu激活函数处理， 最后进行最大池化操作作 为下一阶段的输入； 在第二阶段中， 由三个多深度融合残差块所构成， 第一个多深度融合残差块分为三条权　利　要　求　书 1/2 页 2 CN 114821202 B 2支路， 左边路径由1 ×1卷积和BN层构成， 1 ×1卷积是起到匹配输入与输出维度差异的作用， 中间路径由1 ×1卷积、 LN层、 3 ×3卷积、 GELU层、 1 ×1卷积、 关键点注 意力模块和通道注 意力 模块所构成， 1 ×1卷积的作用分别是减少通道数和恢复通道数， 使得它们中间的3 ×3卷积 层的输入和输出的通道数都较小， 右边路径由两个3 ×3卷积、 LN层、 3 ×3卷积、 GELU层和一 个1×1卷积构成， 1 ×1卷积用于控制通道数量， 最后将三条支路进 行联合输出； 而第二个多 深度融合残差块与第三个多深度融合残差块是一样的， 与第一个多深度 残差块的区别是左 边路径不需要经 过1×1卷积， 而是直接进行跳跃 连接； 在第三阶段中， 由三个多深度融合残差块构成， 第一个多深度融合残差块与第二阶段 中的第一个多深度融合残差块相同， 第二个和 第三个多深度融合残差块与第二阶段中的第 二个多深度融合残差块相同； 在第四阶段中， 由九个多深度融合残差块所构成， 第一个多深度融合残差块与第三阶 段中的第一个多深度融合残差块相同， 第二个到第九个多深度融合残差块与第三阶段中的 第二个多深度融合残差块相同； 在第五阶段中， 由三个多深度融合残差块和全连接层所构成， 第一个多深度融合残差 块与第四 阶段中的第一个多深度融合残差块相同， 第二个和 第三个多深度融合残差块与第 三阶段中的第二个多深度融合残差块相同， 最后通过全连接层输出 特征向量； 其中所述关键点注意力模块， 使用卷积和反卷积的组合提取特征和恢复特征图， 关键 点注意力模块分为3个阶段， 每个阶段由3 ×3的卷积层和4 ×4的反卷积层组成， 为扩大感受 野， 获得不同关键点之间的联系， 在第一阶段后加入非局部均值 算法； 其中所述通道注意力模块， 先使用最大池化强调特征中响应更强烈的部分， 即强调服 装的整体轮廓， 再使用全局平均池化保留了特征图的整体特征； 此外， 全局平均池化是把二 维的特征图用一个数表示， 也相当于获得了全局感受野， 使用尺寸为7 ×7的卷积核进行卷 积， 然后加入两个全连接层， 最后用sigmoid函数获得0～1之间的权重， 这个权重值可看作 是经过特征选择后的每个通道的重要程度， 将获得 的权重与特征图相乘， 就得到了基于通 道注意力的最终的特 征图。 5.根据权利要求1所述的一种基于用户偏好的服装推荐方法， 其特征在于： 所述步骤 （5） 中的相似度计算公式为： 其中， ω1表示特征数量相似度权重系数， ω2表示特征相似性大小决定的相似度权重系 数， 服装M中属性的数量为  m， 服装N中属性的数量为n  ， 服装M、 N间相似属性的数量为k， 属 性包括裙长属性、 裤长属性、 衣长属性、 袖长属性、 领型属性、 领深属性、 颈线属性和 脖颈属 性；αi表示各相似特征的权重系数， i=1， 2， ..， k； 其中 ，Mj和Nj分别代表 服装M、 N中属性对应的特 征向量中的第j个元 素，p表示特征向量中元 素的个数。 6.根据权利要求1所述的一种基于用户偏好的服装推荐方法， 其特征在于： 所述步骤 （5） 中， 采用选择排序法按相似度值大小推荐与