服饰搭配论文【精选5篇】

　【第一篇】　论文题目:  基于大数据的服饰搭配推荐模式研究

　　摘要:本文立足云端积累的用户基本信息数据库、用户偏好分析数据库以及服饰搭配图片库, 提出基于大数据的用户个性化服饰搭配模型, 依次进行了人体体型分析、用户兴趣模型构建以及粗糙计提搭配决策规则界定, 并对其应用步骤进行了介绍和阐释, 完成个性化推荐服务.

　　关键词:服饰搭配; 用户兴趣模型; 粗糙计提搭配决策规则;

　　一、引言

　　古语有云:人靠衣装, 佛靠金装.可见服饰搭配对自我形象的塑造有着十分重要的意义和影响.然而在现实生活中, 人们很难把握自己身材特点和穿衣风格, 且有关服装搭配的服务较为缺失, 尤其表现为精准的个性化搭配.目前的服装推荐主要以图像检索为主, 存在以下不足:第一, 服饰推荐仅局限于颜色等条件而未考虑个性化程度;第二, 服饰款式和风格的多样性与复杂性增加了个性化推荐的难度;第三, 目前的服饰推荐准确率较低, 搭配样式选择较少.因此本文在图像检索的基础上, 基于用户大数据进行服饰搭配推荐模式的研究.

　　二、数据收集与分析

　　服饰搭配的推荐模式想要更加精准化和个性化, 就必须以大量的数据积累为基础, 而在众多数据中, 以下三类数据的积累最为必要也最为重要, 依次是用户基本信息数据库、用户偏好分析数据库以及服饰搭配图片库.

　　1. 用户基本信息数据库

　　用户基本信息数据库收集的是, 有关用户身高、体重、年龄、BMI值、体型、偏好等所有有关服饰搭配元素的基本信息, 主要通过显性和隐性两种方式收集.显性收集方式即主动收集用户信息的方式, 一般是系统在用户首次注册、访问或购买时主动引导用户填写或勾选的内容;隐性收集方式是一种被动的收集方式, 主要是对用户的搜索、查询及访问等行为进行的兴趣提取和数据挖掘.

　　2. 用户偏好分析数据库

　　用户偏好信息数据库是在用户基本信息的基础上, 通过用户在平台的浏览记录与使用特点, 通过数据综合分析用户的偏好, 此处的偏好分析较之于用户基本信息获取时更加客观, 从理性分析角度弥补了部分用户在填写和勾选基本信息以及搜索时随意和误选等出现的分析误差, 一定程度上更为合理, 主要通过隐性方式挖掘.

　　此处的数据挖掘规则主要包括以下四个方面: (1) 系统为用户提供结果显示界面, 然后记录用户对显示的结果的链接的点击行为; (2) 系统计算用户在某一页面或某个服饰链接的停留时间, 浏览的时间越长, 该页面或服饰链接的相关度就越高; (3) 记录用户对服饰链接的操作, 如对某一部分的复制, 通过对这些部分进行分析; (4) 记录用户的保存和下载等行为.

　　3. 服饰搭配图片库

　　服饰搭配图片库是独立于用户基本信息数据库、用户偏好分析数据库而存在的数据库, 这一数据库的数据积累主要来源于两方面;一方来自于用户提供的"个人服饰图片库", 另一方则来自于平台本身存储的海量"优质搭配图片库".

　　其一, "个人服饰图片库", 此处主要是将用户的线下衣柜, 以图片的形式存储在后台.用户只需将自己的衣服拍照上传至平台, 平台即可形成线下衣柜对应的"云端衣柜", 当不知如何搭配或做购买决策时, 去线上的衣柜看一下自己的"云端衣柜", 便可减少不必要的重复购买, 同时提供更多的搭配选择;同时该数据库的原始数据用户可随时删除、更新等.

　　其二, "优质搭配图片库", 此处主要是平台根据各类搭配达人、网红等积累的海量优质搭配图片库, 用户可根据个人偏好和选择对自己喜欢的搭配方案进行点赞或收藏, 形成符合自己穿衣风格的个性化衣柜展现, 进一步节约各种场合服饰搭配时间;同时该数据库的海量数据平台会推出各年代的潮流搭配, 并根据潮流不断更新.

　　三、基于大数据的服饰搭配推荐模型

　　利用大数据进行分析需要解决的首要问题是将用户多样化信息进行量化并归纳总结, 本文基于服装搭配的构想提出搭配模型, 首先对用户模型的方法进行定义, 第二步基于层次分析和粗糙理论的算法, 对用户基本信息、用户偏好分析和服饰搭配三大数据库进行分析, 提出人体体型分析的方法、基于用户偏好的用户模型分析, 进而为服装搭配提供决策依据.

　　1. 人体体型分析方法

　　体型是每个人都具有的标签, 主要指人的外形比例以及高度、胖瘦之间的差异, 其中三维数据是体型的重要识别特征, 不仅影响服装颜色款式的选择而且在布料的选择上存在较大的差异.本文采用特征参数法进行体型分析, 并按照国家公布的统一标准对体型进行分类.

　　体型大致可以分为四种, 其中X型可以适合几乎所有类型的服装;H型曲线感较弱, 可以增加胸部和臀部的饱满度来提升搭配的层次感;A型具有上身胖下身瘦的特点, 而V型则与A型身材特征相反.

　　2. 基于用户习惯和偏好的用户兴趣模型

　　用户的喜好信息还体现在用户的浏览行为, 本文选用用户浏览页面的时间, 用户加入购物车、收藏、点赞数量, 定义用户浏览行为为一个集合M={浏览时间t, 加入购物车s, 收藏c, 点赞p}.定义兴趣值f M (pj) , 以量化的具体数值来表示用户的兴趣值, 兴趣值的关系函数式为:

　　w1~w4代表的是用户浏览集合各维度的权重, s、c、p均为绝对数可以直接计算, 而t需用相对数表示.其计算方法为ti/T, ti是用户在某页面浏览的时间长度, T是用户一次完整的访问时间的总和.

　　3. 基于用户搭配图片数据库的粗糙搭配系统

　　服装搭配除了可观测的体型偏好等变量之外, 还存在大量不可观测或不可量化的影响因素.消费者偏好各不相同, 所以通过一个简单的模型得出的用户搭配规则不具有广泛的适用性.粗糙搭配系统的优势在于, 不仅分析服装搭配的数据集合, 而且将服装搭配规则与专家建议相结合, 通过相关分析研究搭配的规律, 最终生成综合的搭配规则.

　　四、模型的应用

　　基于以上分析, 本文提出了基于用户特征的个性化的服装搭配模型, 具体步骤如下.

　　首先, 根据属性数据, 建立专家决策表.对能够直接体现服装特征的众多属性进行分类描述, 如体现服装风格的款式、类型、年龄等;体现服装质地的材质、色调、图案等;体现服装细节的领型、袖型、腰型等;对以上属性, 进行数据化处理, 同时根据专家意见标注对应的数值, 从而建立初步的专家决策表.然后对初步建立的决策表进行检测, 删除数值重复率较高的服装示例 (表明服装类似) , 得到最终的专家决策表.

　　其次, 结合用户特征, 抽取搭配规则.最终的专家决策表的每一条数据值对应着一条简化的搭配规则, 此时可根据用户选择的基本数值进行匹配, 同时结合用户在平台的购买和浏览行为, 抽取历史数据中出现频率较高的信息或浏览时间较长的界面所涉及的数值, 此处的数值也对应着相应的搭配规则, 结合以上, 得出完整的搭配规则.

　　最后, 导出搭配结果, 提供搭配决策.将以上得出的搭配规则导出, 转化为简要的文字, 同时进一步对用户偏好数据库中的浏览记录与使用特点进行综合分析与精确推理, 从而对导出的搭配结果进行补充和完善, 得出最终的搭配决策.

　　参考文献

　　[1]王安琪, 刘骊, 付晓东, 等.面向个性化服饰推荐的判断优化模型[J].计算机工程与应用, 2016.
　　[2]Cameron J.Clothing Poverty:The Hidden World of Fast Fashion and Second-Hand Clothes[J].Australian Feminist Studies, 2015 (85) .
　　[3]R adziewsky L V.Scarfy:Augmenting Human Fashion Behaviour with Self-Actuated Clothes[C]//International Conference on Tangible, Embedded, and Embodied Interaction.ACM, 2015:313-316.
　　[4]肖慧.色彩在服饰搭配教学中的内涵与应用[J].艺术品鉴, 2015 (9) :236-237.
　　[5]赵野军, 奚荣华.服饰色彩搭配量子搜索模型[J].纺织学报, 2012, 33 (4) :136-141.
　　[6]李依蔓.服饰设计虚拟搭配系统的设计与实现[D].电子科技大学, 2016.