Image-based Recommendations on Styles and Substitutes简介

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_35564813/article/details/87611942

Introduction

该文章致力于利用对象的外貌来发现他们隐含的关系，从而找到互相补充的产品与可替代的产品。

The Model

利用shifted sigmoid函数来将相对距离转换为概率。

至于如何计算距离，文章通过横向对比三个距离计算方法，最终得出以下方法。

Style space

$s_i=x_iY$,通过让图像特征 $x_i$与上述Y变量相乘，相当于是一种embedding，得到的 $s_i$则被作者定义为“style space”

Training

训练利用上述式子，R代表i，j具有可视的关系，Q则代表i，j间没有关系，Q是通过随机取样相同R数量得到的无关数据。利用梯度上升来进行优化。

Experiments

通过比较Category Tree，Weighted Nearest Neighbor，以及文章起草的方法（分别分为个性化推荐与非个性化推荐）。

实验主要遵循以下几点：

1. 每一类都是单独组成一个实验的，比如说预测是否会一起买的关于对于女性的服饰。
2. 实验目标是为了区分关系与非关系，我们上述提到的sigmoid函数大于0.5即预测为有关系
3. 有关系数据与无关系数据大小相等，因此一个随机分类器有50%的准确率
4. 所有的结果都是基于测试集

Outfits

文章最后展示很多相关的应用，大体来讲都是利用文章上述所讲述的style space来进行诸如kmeans聚类来对相同风格的物品进行推荐。