物品搭配的个性化推荐

Recommender system is one of the most import tools to solve the problem of information overload in the Internet era. Traditional recommender systems usually recommend users individual items, like movies, music and books. In Internet applications that serve our basic necessities like clothing, food，housing and transportation, users also need recommendations of collections of interacted items. For examples, outfits with multiple garment items, interior design with multiple pieces of furniture and decorations, etc. More and more people share their outfit and interior design ideas online. People also search for these ideas through the Internet more and more. In this project, we will use the theories of machine learning and data mining to study the scientific problem of personalized recommendation of collections of interacted items. The main content includes: (1) the modeling and study of users’ preferences; (2) the study of items’ representation in the latent factor space according to their content; (3) efficient search algorithms for the top sets. We will use personalized outfit recommendation as the test bed. The performance of the algorithms will be evaluated through experiments on large scale real world data from the Internet. The launch of this project will bring in new opportunities for the study of recommender systems. It will also lay algorithmic foundation for the realization of item collection based recommender systems.

推荐系统是解决互联网时代信息过载问题最重要的工具之一。传统推荐系统通常向用户推荐单一物品，如电影、音乐、书籍等。在与大众衣食住行等基本生活需要相关的互联网应用中，用户更期望得到对多个相互作用的物品组成的集合的推荐。例如，由多件服饰品构成的服饰搭配、由多件家具及装饰品构成的居室设计等。越来越多的人在互联网上分享自己的物品搭配创意，人们也越来越多地在互联网上进行搭配创意的搜索。本项目拟利用机器学习理论和数据挖掘技术，对物品搭配的个性化推荐这一科学问题进行研究。主要内容包括：(1) 用户喜好的建模和学习；(2) 基于内容的物品语义空间表示的学习；(3) 最优搭配的快速查找。我们将以个性化服饰搭配作为测试平台，通过在大规模真实互联网数据上的实验，对所提出的算法的性能进行验证。本项目的开展将为推荐系统的研究注入新的元素, 也将为搭配推荐系统的实现打下算法理论基础。

随着与大众衣食住行等基本生活需要密切相关的互联网应用的蓬勃发展，人们对物品集合的关注日益增长，例如，由多件服饰品构成的服饰搭配，餐桌上的菜式搭配等。如何对这样由多个相互作用的物品组成的集合，进行个性化推荐，成为重要的研究课题。本项目从服饰搭配这一应用场景入手，对物品集合的个性化推荐问题开展了一系列研究工作。主要的研究内容和重要的研究成果包括：.1）个性化服饰搭配推荐：利用深度神经网络，将用户的个性化喜好和物品的语义信息用紧凑的二进制码进行表示。将多个物品间的高阶匹配关系分解成一系列两两物品间匹配度之和，并用加权内积度量以二进制表示的两个物品及物品与用户之间的匹配度。我们在提高搭配度度量准确性的同时，通过引入哈希技术，极大地减少了数据存储所需的空间，提高了匹配度计算的效率。.2）个性化服饰搭配设计：不同于推荐已有服饰品的传统做法，提出了基于图像合成的个性化搭配服饰推荐方法。系统自动合成与给定服饰品相匹配，同时符合用户个性化喜好的服饰图像。基于生成对抗学习方法，利用真实感判别器和匹配度判别器，对图像生成过程进行有效引导。基于生成的算法，为个性化搭配推荐提供了新的解决途径。.3）最优搭配的快速查找：提出了基于随机采样的张量最大元素快速查找算法。算法对多部图中的复合星状子图进行采样，采样概率正比于其对应张量元素值的k次方，即值越大的元素以越高的概率被采到。该采样算法有效避免了穷举搜索，极大地提高了张量最大元素的查找效率，为从海量的物品搭配方式中，快速找到最优的搭配提供了解决之道。.我们在大规模的真实互联网数据上对所提出的算法的性能进行了验证。本项目的研究工作，为物品集合的个性化推荐提供了有效的解决方案，为搭配推荐系统的实际实现打下了算法理论基础。