基于风格匹配模型的在线购物推荐系统

《基于风格匹配模型的在线购物推荐系统》由会员分享，可在线阅读，更多相关《基于风格匹配模型的在线购物推荐系统（9页珍藏版）》请在金锄头文库上搜索。

1、.基于风格匹配模型的在线购物推荐系统基于风格匹配模型的在线购物推荐系统摘要：摘要：为了丰富电子商务推荐功能和优化在线购物的用户体验,提出了一个新的 基于模型的风格匹配电子商务的推荐方法。基于内容的图像检索(CBIR)技术被 用来提取图像特征的颜色，纹理和产品的形状，计算商品集群，有类似的图像 内容的特征，然后应用风格匹配模型,按照用户喜欢的风格推荐给用户。基于模 型的风格匹配推荐引擎得到了发展，集成到电子商务推荐系统来帮助用户完成 认知风格和指导在线购物。最后，一个鞋子的购买推荐系统的发展验证了该理 论。 关键词关键词:电子商务,图像检索,推荐系统，风格匹配模型1 1 引言引言近年来,随着电子

2、商务的快速发展,网上购物市场爆炸增长。随着商品的大量 的网络数据的增加，尤其是大量图片来自于对商品的描述，如何优化指导用户 用减删内容来完成购物的过程的问题已经变得很急迫。为了更好的指导用户在 线购物，电子商务推荐系统的研究与应用变得越来越重要。作为一个传统的推 荐系统补充，研究人员已经开始重视个性化推荐系统通过商品风格的购物习惯 来满足用户潜在的需求。目前,电子商务系统主要提供两个方法来帮助用户找到他们需要的产品。一 个是基于语义搜索引擎。由于语义层本质的限制，它不能满足用户模糊的需求 和情感购物心理。特别是,当用户不能按照商品的确定的描述决定什么是他们需 要，这样的矛盾更为突出。例如,当用

3、户浏览一个帽子,希望查询类似风格的标 签,这个过程不可以通过这样的现有的搜索引擎来完成。在这样的情况下，大量 的电子商务系统已经开发了推荐系统来引导用户更容易的找到他们最喜欢的产 品,通常通过客户的浏览记录获得客户的最喜欢的产品信息,然后通过使用信息 推荐商品给需要的客户。然而,这样的推荐系统在没有收集到足够多的用户操作 记录之前帮助客户的决策是有限的，它不能找到客户潜在的需求。此外,对于用 户的模糊需求, 系统也不能工作好。在本文中，随着基于文本的图像检索技术的应用，一个商品风格匹配模型被 建立并应用在电子商务推荐统为了实现在线购物新体验。最后，一个典型的在 线购物电子商务网站被开发来验证该

4、论文。.2 2 系统架构和模型系统架构和模型2.12.1 架构架构 推荐系统的架构基于风格匹配模型如图 1 所示:图 l 基于风格匹配模型的推荐系统架构2.1.12.1.1 数据表示层数据表示层数据表示层由 WEB 页面释放，数据源由输入的用户提供，系统在用户界面 返回反馈的匹配结果。2.1.22.1.2 业务逻辑层业务逻辑层这一层是由风格匹配模型分析引擎组成，特征信息检索引擎，反馈引擎和 其他组件。风格匹配模型分析引擎将首先分析来自数据层的数据,通过此建立商品的 标志性风格，原始数据的粗糙的特点将被进行特征匹配。 特征信息检索引擎是在核心模型和算法层中最重要的模块。由图像的预处 理,提取图像

5、特征,建立特征数据库。2.1.32.1.3 数据访问层数据访问层 在这个系统中,风格匹配模型的主要数据源来自于基于内容的图像检索系统 和特征匹配数据库。图像特征数据库将对风格匹配模型提供原特征匹配数据和 图像数据的分析引擎。2.22.2 风格特征提取方法风格特征提取方法通过分析购物鞋的特点，我们发现鞋的形状、纹理和品牌是采购注意的焦点。 互联网用户将更多的注意力在是否合适我们的鞋子的形状特征上。与其他类型 相比，例如书、3C 产品，他们发更多的注意力在外形、显示的设计和在线图片 的展示上。对鞋子而言，图片的质量已经成为该用户在线交易最关注的信息。 然而，这些产品的外形风格很难用合适的语义来描述

6、，这使得用户的选择很难 和鞋子的风格一致。当存储时，产品的风格的信息可以被编辑，但是在手工操.作中有许多的困难；另一方面，分拆的风格是缺乏可信度,因为操作符的主观判 断。目前,网络产品的图片数据更加丰富,相应的数据库和图像库提供了一个更 好的格式特征数据。基于内容的图像检索技术，结合产品的固有的语义信息， 我们可以分析鞋子的图像风格,这将帮助用户在购物时从大量的产品信息中比较 和分析他们最喜欢的鞋。 鞋的外观风格的提取方法是基于图像搜索技术,它提供了另一种用户可能感 兴趣的推荐方法,在浏览产品的过程中,如果对一个特定的商品感兴趣,你可以通 过推荐系统快速、轻松地查找类似的风格的产品,这将使搜索

7、技术更用户友好。 鞋子风格的特征提取包括颜色、纹理和形状三个视觉特征。在本文中，使 用方法如下:2.2.12.2.1 颜色特征提取方法颜色特征提取方法图片的颜色是最直观的图像特征和的图像主要的记忆特性,这是在基于内 容的图像检索中最广泛使用的,也是最重要的特征。提取颜色特性也与搜索的效 率和精度相关。 18 非均匀量化算法使用在是基于 HSV 颜色空间的系统中，与传统的搜索算 法基于 RGB 相比，这个算法大大减少了时间和空间的复杂性。 算法的基本观点如下： 首先，适当地量化 HSV 空间，然后计算直方图为了减少计算，在 HSV 空间 中，H 伴随着红、橙、黄、绿、蓝、蓝、紫一个基调从 00到

8、 3600变化，每种颜 色对应的地区 H 分量不是统一的。因此，根据颜色的视觉印象的心理学原理， H、S、V 三个分量是根据人类对颜色的感知；在 h 组件分为 7 个区间。当 V 很 小,视觉的颜色将基本上接近黑色的,这样我们可以忽略 H 的影响,只需要一个量 化值。特定的编码后的量化颜色如下：)330,272(6272,1805)180,155(4155,703)70,45(245,221)22,330(0hifhifhifhifhifhifhifH 1 , 6 . 01)6 . 0 , 1 . 0(0sifsifsV=0。 作为上述的量化水平，H、S、V 三种颜色组件将将合成为一维特征矢量

9、 L：L= HQsQv+SQv+V在表达式中，Qs 和 Qv 是 S，V 系列的定量的重量，取 Qs=2，Qv=1,下面的 表达式是可用的。.) 1 ,85. 0( 1 . 0 , 01785. 0 ,65. 0 1 . 0 , 016)65. 0 ,18. 0(v 1 . 0 , 01518. 0 , 014) 1 ,18. 0( 1 , 1 . 0(2vandsifvandsifandsifvifvandsifVSHLL以这种方式，在 H，S，V 三个成分的矢量分布在一维。通过表达式我们可 以看到 L 在0,17，因此，计算 L 可以处理 I8-dimemional 的直方图，从而使 量化

10、可以有效地降低了光对图像的影响。其次，颜色直方图的计算方法。颜色直方图 H 定义为： nkdkhdkhdnhdkhdhdhH110 , 1|).,.,.,2,1(。在其中 hDK表示第 K 个彩色图像的像素出场的数量。 在测量中直方图相交法使用相似的两个图像的颜色直方图：直方图相交法 可以被视为一种特殊形式的 Ll，Swain，计算图像的颜色相似度。图片 I 和图 像 J，直方图交叉之间的距离被定义为：NiiNiJfJfIf JIS1111)()(),(min( ),(2.2.22.2.2 纹理特征提取方法纹理特征提取方法图像的纹理被描述为图像的特征的部分结构，小波变换方法被用来提取图像 的纹

11、理特征，提取方法如下：给一个图像 I(x,y),它的小波变换可以被定义为：11) 1, 1(*) 1, 1(),(dydxyyxxgyxyxWmymn其中*表示复共轭，gmn作为过滤器，m 是比例尺数，n 是方向。Umn和反式系数的幅度的标准偏差被用来表示该区域的分类和检索的目的：dxdyuyxWdxdyyxWumnmnmnmnmn2),(),(本文采用标准化的的 L2 距离度量来形容纹理图像 P 和 G 之间的距离。 Ltmnmnmnmn pqqpqpD30)()(2)()( 2.2.32.2.3 形状特征提取方法形状特征提取方法在本文中，提取图像形状特征是基于边缘检测的方法。研究步骤如下：

12、.首先，图像分割的过程中和不同的地区具有特殊意义的图像的区别要分开。 使用的图像分割技术在文本是基于全局阈值，其原理将采取的像素灰度位于 C（X，Y）为 F（X，Y） ，并设置门槛，二进制图像分割是：otherYXFyxg, 0),(1),(其次，该过程是图像锐化处理及边缘检测。本文主要使用的锐化方法基于拉 普拉斯产品内核。模板：1-2-1-2192-1-2-1-91最后是边界匹配。傅立叶描述用于描述的轮廓形状矢量作为图像的形状特征。 相似度量的计算公式如下： njvufjivufjqQC1),(),(), 1 (Fjq(u,v)作为傅里叶描述。3 3 风格匹配模型和算法风格匹配模型和算法风格

13、匹配意味着类似的风格的风格匹配算法的图像特征数据库的基础上选定 的图像从图像搜索。匹配算法如何快速找到一个风格，以符合所选的商品形象， 这是推荐系统的核心功能。3.13.1 数据结构的特征匹配变量数据结构的特征匹配变量特征匹配变量是一个 three-dimemional 的变量，它基于图像的纹理，形 状和颜色的特征匹配，索引结构由下面的数据结构定义，如图 2 所示： 定义定义 1 1：特征变量节点(VNodei):它是指由不同的图像内容的热点,该点被 作为图像内容的位置变量。 定义定义 2 2：功能属性的哈希表(VHTi):节点的连接完成后通过一些手段的属性 的映射,通过特征提取引擎提取特征属

14、性(Xj,Yj,Zk)图 2 特征匹配变量的数据结构3.23.2 风格匹配算法风格匹配算法 成立后的匹配模型数据结构，实现模式匹配算法主要分为两部分：.（1）删除不相关的图像，语义层进行过滤，以减少数据处理能力，增加了 数据处理效率的匹配的语义水平。 （2）进一步检查约束，然后采取相似性度量的图像层的过程。最后，实现 匹配在图像风格内容水平。在第一种的匹配算法，主要过滤语义特征的图像的属性，图片符合语义特 征将会被留下。在第二种的匹配算法，VNodei(Xi,Yj,Zk)的各要素属性将被选出匹配 PList 队列，每个 VNodei 对象将首先检查 VNodei 的三元特征数据。如果在该 值的

15、特征匹配距离的范围内，那么相应的 VNodei 变量将被添加到匹配队列 FinalPList 中；另一方面，如果不匹配，则中断并返回，确认每个 VNodei 变 量的类型并再次过滤。图像相似性度量的距离的计算公式如下：D(x,y,j)=WtS(I,J)+WsD(P,Q)+WcC(I,Q) Wt+Wc+Ws =1其中 S(I,J),D(P,Q),C(I,Q)是颜色，质地，形状，距离的计算。Wt,Wc,Ws 是相应的加权值。第二种匹配算法的伪代码如下：Algorithm match(p)/match phase two1.foreach(VNodei V in PList)2. If(V XChe

16、ch()2）优化用户的购物体验;3)有效的提取有价值 的潜在的图片信息。下一步工作是继续研究基于风格匹配的推荐系统技术，并拓宽在电子商务中 的应用。.参考文献参考文献1.Na Liu. “在中国网上购物的发展及现状“,Business China,2008,(05) 2.J.Ben Schafer,Joseph A.Konstan,John Riedl,J. “电子商务推荐应用”, 数据挖掘和知识发现,2001,Vol 5:115-153. 3.M.Kobayashi, K.Takeda.“在 Web 上的信息检索”,ACM Computing Surveys,2000,32(2). 4.Yixin Chen,Wang,JZ.“一