基于可解释性卷积神经网络的服装推荐方法、装置及终端制造方法及图纸

本发明专利技术涉及关于服装推荐的特征研究领域，特别涉及一种基于可解释性卷积神经网络的服装推荐方法、装置及终端，所述方法包括对图像进行预处理，将预处理后的图像分为训练集和验证集；构建卷积神经网络，并构建特征矩阵来提取采集的图像的服装特征；利用训练集对卷积神经网络进行端到端的迭代训练；用户将图片输入完成训练的卷积神经网络，卷积神经网络即可输出该图片的特征图，并将与用户输入图片特征图一致的服装推荐给用户；本发明专利技术将推荐服装的特征进行了可视化话，让客户明确的所喜欢的是服装上哪种特征，从而在为客户推送服装时能够更加准确，提升用户体验。

【技术实现步骤摘要】
基于可解释性卷积神经网络的服装推荐方法、装置及终端
本专利技术涉及关于服装推荐的特征研究领域，特别涉及一种基于可解释性卷积神经网络的服装推荐方法、装置及终端。
技术介绍
随着电子商务和服装市场的发展，大部分人都会选择在网上浏览一些自己感兴趣的衣服。但是很多人特别是部分缺乏审美的人，在面对满目琳琅的服装品牌时几乎无从下手。因此当客户在选择服装的时候，系统能从海量的服装数据中筛选出有用的信息，提供给客户就显得十分有价值。传统的推荐系统是基于卷积神经网络实现的。其基本原理是通过卷积神经网络首先提取喜欢服装的特征，然后根据此特征再去检索同样具有此特征的服装，最后将检索到的服装推荐给客户。通过这样的推荐系统，极大的提升了用户体验，也促进了服装市场的进一步发展。但是这样的推荐系统也存在诸多的不足：第一，卷积神经网络在提取特征的时候会结合上下文进行提取，即同一个过滤器可能同时提取多个特征，而其中某些特征是客户喜欢的，某些特征是客户不喜欢的。根据这些特征检索出来的服装误差很大。第二，系统直接给出了推荐的结果，没有给出检索结果的依据，因此客户只能被动的接受推荐结果，无法从中学习提高审美，从而自主的去选择其他服装。
技术实现思路
为了让用户能够更准确地进行搜索，本专利技术提供一种基于可解释性卷积神经网络的服装推荐方法、装置及终端，所述方法，如图1，具体包括以下步骤：对图像进行预处理，将预处理后的图像分为训练集和验证集；构建卷积神经网络，并构建特征矩阵来提取采集的图像的服装特征；利用训练集对卷积神经网络进行端到端的迭代训练；用户将图片输入完成训练的卷积神经网络，卷积神经网络即可输出该图片的特征图，并将与用户输入图片特征图一致的服装推荐给用户。进一步的，如图2，对图片进行预处理包括：将图片进行缩放，使得图片中的服装特征部分大小一致；将图片进行裁剪和填充，将所有图片通过裁剪和填充使得图片的服装特征部分居中且每张图片的大小一致。进一步的，图像的服装特征的获取过程包括：卷积神经网络的最后一个卷积层包括多个过滤器；构建n×m+1个特征矩阵作为卷积神经网络的过滤器；前n×m个特征矩阵分别对应采集的大小为n×m像素的图像中每个像素点处的特征，第n×m+1个特征矩阵表示图像中是否不存在待提取的特征；利用训练集对卷积神经网络进行端到端的迭代训练过程中，利用卷积神经网络的反向传播过程，为每张图像选择特征矩阵，特征矩阵构成图像的服装特征。进一步的，，利用训练集对卷积神经网络进行端到端的迭代训练过程中，卷积神经网络正向传播时的损失函数表示为：Lossf＝-MI(X；T)；其中，Lossf为卷积神经网络正向传播时的损失函数，X表示卷积神经网络的最后一个卷积层提取得到的特征图，T表示特征矩阵，MI(_)表示求信息熵运算。进一步的，利用训练集对卷积神经网络进行端到端的迭代训练过程中，卷积神经网络反向传播的训练表示为：其中，Loss表示卷积神经网络的总损失函数；xij表示特征图上第i行、第j列的像素点；Lossf表示特征图和特征矩阵配的损失函数；λ表示过滤器阈值；表示的是预测结果是否正确的损失函数，表示真实标签，表示预测标签；k表示标签的类型。本专利技术还提供一种基于可解释性卷积神经网络的服装推荐装置，其特征在于，包括数据采集模块、数据预处理模块、数据特征分析模块以及服装推荐模块，其中：数据采集模块，用于采集训练数据以及待预测数据；数据预处理模块，用于采集的图片进行缩放、裁剪和填充；数据特征分析模块，用于根据带标签的训练数据训练卷积神经网络，并将不带标签的待预测数据输入完成训练的卷积神经网络得到特征图；服装推荐模块，用于根据用户输入图片的特征图进行搜索，将与该特征图一致的服装推荐给用户。进一步的，数据特征分析模块中的卷积神经网络包括输入层、多个卷积层以及输出层，其中最后一个卷积层与输出层连接，最后一个卷积层包括n×m+1个特征矩阵构成的过滤器，n×m为输入图像的像素大小，通过最后一个卷积层得到的特征图与特征模板进行哈达玛积。本专利技术还提供一种基于可解释性卷积神经网络的服装推荐终端，其特征在于，该终端包括前述任一基于可解释性卷积神经网络的服装推荐装置，用户通过终端打包上传训练数据，待基于可解释性卷积神经网络的服装推荐装置的数据特征分析模块完成卷积神经网络的训练后，终端提示用户输入待预测的图片，完成训练的卷积神经网络根据用户输入的图片获得该图片的特征图，数据特征分析模块根据特征图获得与该特征图一致的图片，终端将获得的图片推送给用户。进一步的，用户通过终端打包上传训练数据包括用户喜欢的服装图片和用户不喜欢的服装图片。进一步的，终端拥有对基于可解释性卷积神经网络的服装推荐装置的恢复初始化权限。本专利技术一方面将推荐服装的特征进行了可视化话，让客户明确的明白自己所喜欢的是服装上的那些样式和地方(即特征)，从而十分具体的了解到自己喜欢的衣服是具有那些特征；一方面本专利技术装置可以更精确的了解客户喜欢的服装，进而改进网络模型；另一方面为了保证可视化出来的特征具备就足够的清晰和说服力，提出了高层卷积层的特征矩阵与特征图进行哈达玛积，即保证每一个过滤器提取的特征都是服装上特定的特征。附图说明图1是本专利技术基于可解释性卷积神经网络的服装推荐方法流程图；图2是本专利技术基于可解释性卷积神经网络的服装推荐方法进行图像预处理的流程图；图3是本专利技术基于可解释性卷积神经网络的服装推荐方法中特征矩阵和特征图进行匹配的示意图；图4是本专利技术基于可解释性卷积神经网络的服装推荐终端的实施例流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供一种基于可解释性卷积神经网络的服装推荐方法，具体包括以下步骤：对图像进行预处理，将预处理后的图像分为训练集和验证集；构建卷积神经网络，并构建特征矩阵来提取采集的图像的服装特征；利用训练集对卷积神经网络进行端到端的迭代训练；用户将图片输入完成训练的卷积神经网络，卷积神经网络即可输出该图片的特征图，并将与用户输入图片特征图一致的服装推荐给用户。在本实施例中，对所采集的具有喜欢和不喜欢标签的图形进行预处理，使图像的大小，形状，等符合设计的卷积神经网络结构，另外随机去除70％的图像作为训练集，预处理后的图像通过深度学习工具TensorFlow开源框架的工具包制成TensorFlow能够处理的格式。进一步的，预处理包括：将图片进行缩放，使得图片中的服装特征部分大小一致；将图片进行裁剪和填充，将所有图片通过裁剪本文档来自技高网...

【技术保护点】
1.基于可解释性卷积神经网络的服装推荐方法，其特征在于，具体包括以下步骤：/n对图像进行预处理，将预处理后的图像分为训练集和验证集；/n构建卷积神经网络，并构建特征矩阵来提取采集的图像的服装特征；/n利用训练集对卷积神经网络进行端到端的迭代训练；/n用户将图片输入完成训练的卷积神经网络，卷积神经网络即可输出该图片的特征图，并将与用户输入图片特征图一致的服装推荐给用户。/n

【技术特征摘要】
1.基于可解释性卷积神经网络的服装推荐方法，其特征在于，具体包括以下步骤：
对图像进行预处理，将预处理后的图像分为训练集和验证集；
构建卷积神经网络，并构建特征矩阵来提取采集的图像的服装特征；
利用训练集对卷积神经网络进行端到端的迭代训练；
用户将图片输入完成训练的卷积神经网络，卷积神经网络即可输出该图片的特征图，并将与用户输入图片特征图一致的服装推荐给用户。


2.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，对图片进行预处理包括：
将图片进行缩放，使得图片中的服装特征部分大小一致；
将图片进行裁剪和填充，将所有图片通过裁剪和填充使得图片的服装特征部分居中且每张图片的大小一致。


3.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，图像的服装特征的获取过程包括：
卷积神经网络的最后一个卷积层包括多个过滤器；
构建n×m+1个特征矩阵作为卷积神经网络的过滤器；
前n×m个特征矩阵分别对应采集的大小为n×m像素的图像中每个像素点处的特征，第n×m+1个特征矩阵表示图像中是否不存在待提取的特征；
利用训练集对卷积神经网络进行端到端的迭代训练过程中，利用卷积神经网络的反向传播过程，为每张图像选择特征矩阵，特征矩阵构成图像的服装特征。


4.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，利用训练集对卷积神经网络进行端到端的迭代训练过程中，卷积神经网络正向传播时的损失函数表示为：
Lossf＝-MI(X；T)；
其中，Lossf为卷积神经网络正向传播时的损失函数，X表示卷积神经网络的最后一个卷积层提取得到的特征图，T表示特征矩阵，MI(_)表示求信息熵运算。


5.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，利用训练集对卷积神经网络进行端到端的迭代训练过程中，卷积神经网络反向传播的训练表示为：



其中，Loss表示...

【专利技术属性】
技术研发人员：金书季，肖若水，漆爽，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50