博碩士論文 105552018 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:18 、訪客IP:3.94.196.192
姓名 柳炘妤(Sin-Yu Liu)  查詢紙本館藏   畢業系所 資訊工程學系在職專班
論文名稱 基於風格向量空間之個性化協同過濾服裝推薦系統
(Clothing Recommendation System Based on Personalized Collaborative Filtering and Style Vector Space)
相關論文
★ Single and Multi-Label Environmental Sound Recognition with Gaussian Process★ 波束形成與音訊前處理之嵌入式系統實現
★ 語音合成及語者轉換之應用與設計★ 基於語意之輿情分析系統
★ 高品質口述系統之設計與應用★ 深度學習及加速強健特徵之CT影像跟骨骨折辨識及偵測
★ 應用於旋積盲訊號源分離之BIC基礎式訊號源數目估測及相位補償技術★ 基於非均勻尺度-頻率圖之環境聲音辨識
★ 應用於非監督式音訊轉換偵測之新型方法及特徵參數★ 旋積盲訊號源分離之超大型積體電路架構設計
★ 使用位元率失真之群聚現象與多階層分類機制實現H.264/AVC之快速模式選擇★ 應用樣型識別與群體智慧技術於H.264/AVC之快速模式選擇
★ 結合時頻遮罩與壓縮感測之盲訊號源分離方法★ 基於壓縮感測之語音增強
★ 基於資訊最大化及時頻聚類之盲訊號源分離超大型積體電路架構設計★ 基於稀疏表示之語者辨識之研究
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   至系統瀏覽論文 ( 永不開放)
摘要(中) 近年來,透過網路能隨時讓消費者在網路上直接購買各種服飾商品,所帶來的便利性使得網路購物成為人們的主要消費模式,而後續又衍生出穿衣搭配推薦的熱潮。本文針對穿衣搭配目前現有的推薦技術進行了研究,並提出了一種能夠使用在網路購物平台上的符合用戶個性化風格的搭配推薦方法。
本研究使用深度學習技術與框架,實作一套以風格向量空間為基礎的個人化推薦系統,本系統使用公開的 50 萬張服飾圖片資料集、34 萬筆專家提供的搭配集數據及 1000 萬用戶歷史購買數據,本文的主要內容包括以下幾個方面:首先使用資料庫中多張服飾單品之圖片集合轉換為「特徵向量空間」,再使用此特徵向量空間加上專家推薦集數據訓練出「風格向量空間」,最後一個階段使用餘弦相似度演算法,在訓練後的模型實做個性化推薦系統,在風格向量空間內去找出與用戶風格相近的其他使用者,利用關連使用者的歷史購買紀錄來做個性化的服裝推薦,在最後實驗中,約有 70% 的使用者滿意本系統推薦的結果。茲證明本推薦系統在基於風格的推薦上有一定的成效。
摘要(英) In recent years, customers can buy all kinds of fashion products online at any time. Fashion online shopping becomes more and more popular due to it′s convenience. Therefore, the clothing recommendation system has become more important for those online shopping web- sites as well. We study the exciting fashion recommendation system and proposes a clothing recommendation system based on personalized collaborative filtering and style vector space.
In this study, we uses deep learning techniques to implement a personalized recommendation system based on style vector space. This system totally uses 500,000 clothing pictures, 340,000 clothing matching data provided by experts and 10 million online shopping history. First, we train the "Feature Vector Space" by multiple clothing pictures. Second, we extend the "Feature Vector Space" to the "Style Vector Space" by using fashion match sets. After that, we can find the users who have similar shopping preference by using cosine similarity in the style vector space. Finally, we can recommend user shopping item based on his/her related users and their shopping history. In our experiment, we find about 70% users are satisfied with our recommendation system.
關鍵字(中) ★ 深度學習
★ 卷積神經網路
★ 推薦系統
★ 服裝風格推薦
關鍵字(英) ★ Deep Learning
★ Convolutional Neural Networks
★ Fashion Recommendation System
論文目次 中文摘要 I
ABSTRACT II
目錄 III
圖目錄 IV
表目錄 V
一、 緒論 1
 1.1 研究動機 1
 1.2 研究目的 1
 1.3 研究架構 2
二、 相關文獻 4
 2.1 類神經網路模型 4
 2.2 深度學習 5
 2.3 卷積神經網路 8
  2.3.1 VGG-16 卷積神經網路 12
 2.4 自然語言處理 13
  2.4.1 Word2Vec 詞向量 14
  2.4.2 CBOW 與 Skip-gram 模型 16
  2.4.3 Hierarchical Softmax 與 Negative Sampling 抽樣率 17
 2.5 推薦技術概述 18
  2.5.1 基於人口統計學的推薦(Demographic-based Recommendation) 19
  2.5.2 基於內容化推薦(Content-based) 20
  2.5.3 基於協同過濾推薦(Collaborative filtering) 21
 2.6 KNN 分類演算法(K-nearest Neighbors Algorithm) 23
三、 系統需求分析與設計 26
 3.1 名詞定義 26
 3.2 需求分析 27
 3.3 訓練數據描述 30
四、 實驗 32
 4.1 實驗的開發環境 32
 4.2 實驗流程及步驟 32
  4.2.1 基於 CNN 的特徵向量空間的模型訓練 33
  4.2.2 基於 Word2Vec 的風格向量空間的模型訓練 37
  4.2.3 模型測試 - 餘弦相似度 40
  4.2.4 基於風格向量空間的個性化協同過濾服裝推薦系統 44
五、 實驗結果與結論 48
 5.1 實驗結果 48
 5.2 結論及未來展望 51
六、 參考文獻 52
附錄 54
參考文獻 [1] Hanbit Lee, Jinseok Seol, Sang-goo Lee,“Style2Vec: Representation Learning for Fashion Items from Style Sets”, ARXIV, eprint arXiv:1708.04014, 08/2017.
[2] Yang Hu, Xi Yi, Larry S. Davis, “Collaborative Fashion Recommendation: A Functional Tensor Factorization Approach”, ACM, Brisbane, New York, NY, USA, Pages 129-138, 10/2015.
[3] Yong-Siang Shih, Kai-Yueh Chang, Hsuan-Tien Lin, Min Sun, “Compatibility Family Learning for Item Recommendation and Generation”, ARXIV, eprint arXiv:1712.01262, 12/2017.
[4] Qiang Liu, Shu Wu, Liang Wang, “DeepStyle: Learning User Preferences for Visual Recommendation”, ACM, Shinjuku, New York, NY, USA, Pages 841-844, 11/2017.
[5] Karen Simonyan, Andrew Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition”, ARXIV, eprint arXiv:1409.1556, 09/2014.
[6] Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean,“Efficient Estimation of Word Representations in Vector Space”, ARXIV, eprint arXiv:1301.3781, 01/2013.
[7] Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado, Jeffrey Dean, “Distributed Representations of Words and Phrases and their Compositionality”,ARXIV, eprint arXiv:1310.4546, 10/2013.
[8] Yoav Goldberg, Omer Levy, “word2vec Explained: deriving Mikolov et al.′snegative-sampling word-embedding method”, ARXIV, eprint arXiv:1402.3722, 02/2014.
[9] Xin Rong, “word2vec Parameter Learning Explained”, ARXIV, eprint arXiv:1411.2738, 11/2014.
[10] Laurens van der Maaten, GeoffreyHinton, “VisualizingDatausingt-SNE”, Journel of machine learning research, 9(Nov):2579--2605, 2008.
[11] Cosine_Similarity, 取自http://mlwiki.org/index.php/Cosine_Similarity#Cosine_Similarity
[12] Machine Learning :: Cosine Similarity for Vector Space Models, 取自 http://blog.christianperone.com/2013/09/machine-learning-cosine-similarity-for-vector-space-models-part-iii/
[13] Python for Data Analysis Part 28: Logistic Regression, 取自 http://hamelg.blogspot.com/2015/11/python-for-data-analysis-part-28.html
[14] Activation function, 取自 https://en.wikipedia.org/wiki/Activation_function
[15] Activation Functions: Neural Networks, 取自 https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6
[16] CS231n Convolutional Neural Networks for Visual Recognitio, 取自 http://cs231n.github.io/neural-networks-1/
[17] An Intuitive Explanation of Convolutional Neural Networks, 取自 https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/
[18] sklearn.manifold.TSNE, 取自 http://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html
[19] Deep Convolutional Neural Networks with transfer learning for computer vision-baseddata-driven pavement distress detection, 取自 https://www.researchgate.net/figure/A-s chematic-of-the-VGG-16-Deep-Convolutional-Neural-Network-DCNN-architecture-tr ained_fig2_319952138
[20] 機器學習(4) 類神經網路 Neural network, 取自 http://mropengate.blogspot.com/2015 /06/ch15-4-neural-network.html
[21] Neural Network 的概念探討, 取自 https://ithelp.ithome.com.tw/articles/10191528?sc =iThelpR
[22] 資料分析&機器學習:卷積神經網絡介紹(Convolutional Neural Network), 取自 https://medium.com/@yehjames/
[23] 計算機視覺與卷積神經網路, 取自 https://www.readhouse.net/articles/160795770/
[24] 激活函數, 取自https://feisky.xyz/machine-learning/neural-networks/active.html
[25] T-SNE 完整筆記, 取自 http://www.datakit.cn/blog/2017/02/05/t_sne_full.html
[26] [Machine Learning] kNN分類演算法 , 取自 https://medium.com/@NorthBei/machine-learning-knn%E5%88%86%E9%A1%9E%E6%BC%94%E7%AE%97%E6%B3%9 5-b3e9b5aea8df
指導教授 王家慶 審核日期 2018-10-15
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明