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