本發(fā)明涉及電子商務中智能服裝的號型推薦
技術領域：
，特別是涉及一種基于多層神經(jīng)網(wǎng)絡的服裝號型推薦系統(tǒng)。
背景技術：
：隨著互聯(lián)網(wǎng)的發(fā)展，服裝產(chǎn)品電子商務快速發(fā)展，其在線銷售數(shù)量近年來持續(xù)增長。但也出現(xiàn)了越來越多的消費者網(wǎng)上購買服裝不合體的情況導致退貨率的增加。大型網(wǎng)上服裝銷售的主要障礙是尺碼試穿問題，人體特征的多樣性和復雜性使得人們難以找到合適尺寸的服裝。目前，國外號型推薦主要通過虛擬試衣系統(tǒng)實現(xiàn)，系統(tǒng)大多建立在三維人體模型基礎之上，推薦方法基本可以概括為：顧客人體尺寸的輸入，系統(tǒng)生成三維人體模型，顧客選擇品牌款式，系統(tǒng)進行虛擬試衣，系統(tǒng)推薦號型。三維人體測量設備和人體建模技術還沒有普及，這種技術目前只在大型研究機構、企業(yè)、網(wǎng)站使用，且費用較高。國內(nèi)的研究者對于服裝號型推薦這一領域提出了一些解決的方法，如層次分析法，bp神經(jīng)網(wǎng)絡，模糊神經(jīng)網(wǎng)絡等。這些傳統(tǒng)的方法均是基于小樣本的人體尺寸信息、服裝號型信息訓練集和測試集來建立服裝號型推薦系統(tǒng)，且系統(tǒng)僅能針對單一種類服裝類型進行推薦，推薦結(jié)果不夠理想，適用性不強?，F(xiàn)今電子商務快速發(fā)展，越來越多的消費者選擇在網(wǎng)絡上購買服裝，因此亟需一種合適服裝號型推薦系統(tǒng)以滿足需求。因而本發(fā)明提出一種基于多層神經(jīng)網(wǎng)絡的服裝號型推薦方法，其可應用于大量人體數(shù)據(jù)信息和服裝數(shù)據(jù)及類型信息的情況，具有較好的實用性。技術實現(xiàn)要素：本發(fā)明提供一種基于多層神經(jīng)網(wǎng)絡的服裝號型推薦系統(tǒng)，克服傳統(tǒng)的服裝號型推薦方法數(shù)據(jù)樣本少、服裝類型單一的問題，解決人的尺寸信息與服裝不同類型、不同號型信息的匹配推薦問題。本發(fā)明解決其技術問題所采用的技術方案是：提供一種基于多層神經(jīng)網(wǎng)絡的服裝號型推薦系統(tǒng)，采用一個六層的神經(jīng)網(wǎng)絡，包括一個數(shù)據(jù)輸入層、四個隱藏層和一個輸出層；所述數(shù)據(jù)輸入層用于輸入人體尺寸信息、服裝號型數(shù)據(jù)和服裝類型；所述四個隱藏層中，有兩個是特征提取層，通過局部連接提取人體尺寸信息和服裝號型特征信息，另外兩個為匹配層，通過全連接的方式得到人體尺寸信息和對應類型服裝號型之間的特征匹配情況；所述輸出層用于輸出各服裝類型的各號型的匹配度大小，其中輸出結(jié)果越大表示匹配程度越高。所述的6層神經(jīng)網(wǎng)絡通過深度學習框架tensorflow建立，采用梯度下降法結(jié)合反向傳播算法調(diào)整參數(shù)，且用交叉熵代價函數(shù)作為損失函數(shù)度量訓練樣本的輸出損失，所述6層神經(jīng)網(wǎng)絡通過各個輸入數(shù)據(jù)樣本的訓練，不斷調(diào)整每層神經(jīng)網(wǎng)絡的權值和偏置參數(shù)，來減少輸出損失，直到找到一個最優(yōu)值；各隱藏層的特征節(jié)點數(shù)量利用經(jīng)驗公式確定，其中，m為隱藏層的節(jié)點數(shù)，n為輸入節(jié)點數(shù)，l為輸出節(jié)點數(shù)，α為不定數(shù)，范圍是1～10。所述數(shù)據(jù)輸入層輸入8個人體尺寸數(shù)據(jù)，32個服裝號型數(shù)據(jù)和1個服裝類型數(shù)據(jù)；所述8個人體尺寸數(shù)據(jù)分別為身高、臂長、背長、胸圍、頸圍、肩寬、腰圍和臀圍。所述兩個特征提取層中第一個特征提取層的總節(jié)點數(shù)為hn1，包括：人體特征提取變換層為hn11個節(jié)點，服裝號型特征提取變換層為hn12個節(jié)點；第一個特征提取層相應的權值和偏置矩陣為：其中，weights11的大小為hn11×9，weights12的大小為hn12×33，biases11為hn11的維向量，biases12為hn12的維向量；第一個特征提取層的激活函數(shù)為線性整流器，得到第一個隱藏層的輸出為：其中，x1為9維向量，表示輸入的8個人體尺寸數(shù)據(jù)信息和1個服裝類型信息，x2為33維向量，表示輸入的1個服裝類型信息和32個號型數(shù)據(jù)信息；第二個特征提取層的總節(jié)點數(shù)為hn2，包括：人體特征提取變換層為hn21個節(jié)點，服裝號型特征提取變換層為hn22個節(jié)點；第二個特征提取層相應的權值和偏置矩陣為：其中，weights21的大小為hn21×hn11，weights22的大小為hn22×hn12，biases21為hn21的維向量，biases22為hn22的維向量；第二個特征提取層的激活函數(shù)為線性整流器，得到第二個隱藏層的輸出為：所述兩個匹配層中第一個匹配層的總節(jié)點數(shù)為hn3，權值和偏置矩陣分別為：hn3×hn2大小的矩陣weights3和hn3維向量biases3，則該第一個匹配層的輸出為：a3＝relu(weights3*a2+biases3)；第二個匹配層的總節(jié)點數(shù)為hn4，權值和偏置矩陣分別為：hn4×hn3大小的矩陣weights4和hn4維向量biases4，則該第二個匹配層的輸出為：a4＝relu(weights4*a3+biases4)。所述輸出層的節(jié)點有四個，分別表示服裝的四個號型s、m、l、xl，對輸出層線性變換結(jié)果進行softmax處理，得到因變量號型推薦結(jié)果，輸出結(jié)果越大表示匹配程度越高。有益效果由于采用了上述的技術方案，本發(fā)明與現(xiàn)有技術相比，具有以下的優(yōu)點和積極效果：本發(fā)明實現(xiàn)服裝號型推薦的智能化和多樣化。在輸入數(shù)據(jù)層，可以選擇服裝的類型，從而對于不同的服裝均達到正確推薦號型的效果。通過輸入多樣的、大量的人體數(shù)據(jù)以及服裝數(shù)據(jù)不斷地對多層神經(jīng)網(wǎng)絡進行訓練，從而可以實現(xiàn)更加個性化的推薦。本發(fā)明使用的深度神經(jīng)網(wǎng)絡相比于傳統(tǒng)的隱藏層神經(jīng)網(wǎng)絡，其在學習能力，泛化能力和適應能力方面都顯著提高。附圖說明圖1是本發(fā)明的模型圖；圖2是loss隨著訓練次數(shù)的變化圖；圖3是測試數(shù)據(jù)號型推薦準確率圖。具體實施方式下面結(jié)合具體實施例，進一步闡述本發(fā)明。應理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領域技術人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權利要求書所限定的范圍。本發(fā)明的實施方式涉及一種基于多層神經(jīng)網(wǎng)絡的服裝號型推薦系統(tǒng)，如圖1所示，采用一個六層的神經(jīng)網(wǎng)絡，包括一個數(shù)據(jù)輸入層、四個隱藏層和一個輸出層；所述數(shù)據(jù)輸入層用于輸入人體尺寸信息、服裝號型數(shù)據(jù)和服裝類型；所述四個隱藏層中，有兩個是特征提取層，通過局部連接提取人體尺寸信息和服裝號型特征信息，另外兩個為匹配層，通過全連接的方式得到人體尺寸信息和對應類型服裝號型之間的特征匹配情況；所述輸出層用于輸出各服裝類型的各號型的匹配度大小，其中輸出結(jié)果越大表示匹配程度越高。其中，數(shù)據(jù)輸入層有41個節(jié)點，分別為人體控制部位數(shù)據(jù)信息8個，服裝號型數(shù)據(jù)32個，服裝類型信息1個。8個人體尺寸數(shù)據(jù)分別為身高、臂長、背長、胸圍、頸圍、肩寬、腰圍和臀圍；其中，身高、臂長、背長約束描述上身長度信息；胸圍、頸圍、肩寬、腰圍、臀圍描述人的胖瘦程度和輪廓信息。輸出層節(jié)點有4個，表示服裝的四個號型s、m、l、xl。對輸出層的線性結(jié)果進行softmax處理后得到因變量號型推薦結(jié)果，即得到各服裝類型的各號型的匹配度大小，輸出結(jié)果越大表示匹配程度越高。隱藏層的節(jié)點個數(shù)通過參考經(jīng)驗公式和實際訓練分類結(jié)果確定。所述兩個特征提取層中第一個特征提取層的總節(jié)點數(shù)為hn1，包括：人體特征提取變換層為hn11個節(jié)點，服裝號型特征提取變換層為hn12個節(jié)點；第一個特征提取層相應的權值和偏置矩陣為：其中，weights11的大小為hn11×9，weights12的大小為hn12×33，biases11為hn11的維向量，biases12為hn12的維向量；第一個特征提取層的激活函數(shù)為線性整流器，得到第一個隱藏層的輸出為：其中，x1為9維向量，表示輸入的8個人體尺寸數(shù)據(jù)信息和1個服裝類型信息，x2為33維向量，表示輸入的1個服裝類型信息和32個號型數(shù)據(jù)信息；第二個特征提取層的總節(jié)點數(shù)為hn2，包括：人體特征提取變換層為hn21個節(jié)點，服裝號型特征提取變換層為hn22個節(jié)點；第二個特征提取層相應的權值和偏置矩陣為：其中，weights21的大小為hn21×hn11，weights22的大小為hn22×hn12，biases21為hn21的維向量，biases22為hn22的維向量；第二個特征提取層的激活函數(shù)為線性整流器，得到第二個隱藏層的輸出為：所述兩個匹配層中第一個匹配層的總節(jié)點數(shù)為hn3，權值和偏置矩陣分別為：hn3×hn2大小的矩陣weights3和hn3維向量biases3，則該第一個匹配層的輸出為：a3＝relu(weights3*a2+biases3)；第二個匹配層的總節(jié)點數(shù)為hn4，權值和偏置矩陣分別為：hn4×hn3大小的矩陣weights4和hn4維向量biases4，則該第二個匹配層的輸出為：a4＝relu(weights4*a3+biases4)。本實施方式中的6層的神經(jīng)網(wǎng)絡可通過一種深度學習框架tensorflow建立，本發(fā)明采用梯度下降法結(jié)合反向傳播算法調(diào)整參數(shù)，且用交叉熵代價函數(shù)作為損失函數(shù)度量訓練樣本的輸出損失。所述的多層神經(jīng)網(wǎng)絡模型通過各個輸入數(shù)據(jù)樣本的訓練，不斷調(diào)整每層神經(jīng)網(wǎng)絡的權值和偏置參數(shù)，來減少輸出損失，直到找到一個最優(yōu)值。各隱藏層的特征節(jié)點數(shù)量很難被估計，本發(fā)明利用下面的經(jīng)驗公式確定：其中，m為隱藏層的節(jié)點數(shù)，n為輸入節(jié)點數(shù)，l為輸出節(jié)點數(shù)，α為不定數(shù)，范圍是1～10。參考上述公式，并通過實際訓練中的服裝號型推薦效果確定各隱藏層節(jié)點數(shù)為：hn11hn12hn21hn22hn3hn49331632164在確定了各隱藏層的最佳節(jié)點數(shù)后，按照7：3的比例去劃分訓練數(shù)據(jù)和測試數(shù)據(jù)，在訓練的過程中記錄了相關的參數(shù)變化，其中損失函數(shù)loss的大小變化如圖2所示。由圖3可以看出，模型的收斂速度較快，迭代次數(shù)為9000次時達到了最優(yōu)的輸出損失。測試數(shù)據(jù)的號型推薦準確率隨迭代次數(shù)的變化如圖3所示，在迭代次數(shù)為7500次和9800次時，推薦結(jié)果有最高的準確率，為92.5％。經(jīng)過多次訓練后，網(wǎng)絡模型能夠得到較好的自動化推薦效果。若繼續(xù)增加訓練樣本的數(shù)量，則可達到更好的推薦效果。不難發(fā)現(xiàn)，本發(fā)明實現(xiàn)服裝號型推薦的智能化和多樣化。在輸入數(shù)據(jù)層，可以選擇服裝的類型，從而對于不同的服裝均達到正確推薦號型的效果。通過輸入多樣的、大量的人體數(shù)據(jù)以及服裝數(shù)據(jù)不斷地對多層神經(jīng)網(wǎng)絡進行訓練，從而可以實現(xiàn)更加個性化的推薦。另外，本發(fā)明使用的深度神經(jīng)網(wǎng)絡相比于傳統(tǒng)的隱藏層神經(jīng)網(wǎng)絡，其在學習能力，泛化能力和適應能力方面都顯著提高。當前第1頁12