学习二进制代码进行个性化时尚推荐

105620学习二进制代码进行个性化时尚推荐0鲁智†，胡阳§*，姜云超†，陈燕§，曾冰§0中国电子科技大学信息与通信工程学院0†{zhilu,jiangyunchao}@std.uestc.edu.cn，§{yanghu,eecyan,eezeng}@uestc.edu.cn0摘要0随着时尚社交网络和在线购物的快速增长，智能时尚推荐现在非常需要。推荐时尚搭配，每个搭配由多个相互作用的服装和配饰组成，对于这个领域来说是相对较新的。考虑到用户个性化的时尚风格，这个问题变得更加有趣和具有挑战性。在大规模时尚搭配推荐系统中，物品/搭配的搜索和存储的效率问题是一个挑战。在本文中，我们提出了学习二进制代码以实现高效个性化时尚搭配推荐。我们的系统由三个组件组成，一个用于内容提取的特征网络，一组类型相关的哈希模块用于学习二进制代码，以及一个进行成对匹配的匹配块。整个框架以端到端的方式进行训练。我们从一个以时尚为重点的社交网站收集搭配数据以及用户标签信息，用于个性化推荐任务。对我们的数据集进行了大量实验，结果表明，即使使用简单的主干，所提出的框架在性能上也明显优于现有的方法。01. 引言0以时尚为重点的社交网络已经成为一个充满活力的领域，数百万人在这些社区中分享和发布每日与时尚相关的活动。在这些社区中，用户创建了大量的时尚搭配。从这个庞大的数据集中挖掘出理想的时尚搭配非常具有挑战性，但对于这些在线时尚社区的发展至关重要。因此，需要智能时尚推荐技术。每个服装类别中可能的搭配数量随着物品数量的增加呈指数级增长。搭配的存储复杂性和检索效率对于0*通讯作者为胡阳。本工作得到了中国国家自然科学基金（61602090）和111计划（B17008）的支持。0图1. 三个用户的推荐搭配示例，红框中的搭配是用户创建的。0在实践中部署时尚推荐系统，然而这些问题在以前并没有得到很好的解决。现有的相关工作可以根据评估服装搭配中物品的兼容性的方式大致分为两类。第一类方法模拟了时尚物品之间的两两兼容性。Veit等人[28]提出使用连体网络来学习成对物品之间的距离。Hu等人[7]学习了一个功能分解，并根据成对内积计算兼容性。Vasileva等人[27]学习了面向类型的时尚物品嵌入，并使用全连接层作为兼容性预测的广义距离函数。第二类方法旨在对服装搭配中的物品之间的高阶关系进行建模。Li等人[12]使用循环神经网络预测集合的兼容性。Han等人[3]将服装搭配视为一系列物品，并通过LSTM计算兼容性分数。时尚库存中的物品数量通常非常大，可以由这些物品组成的服装搭配数量更是数量级更大。为了部署实际的时尚推荐系统，需要考虑效率问题。Learning to hash is the task of learning a compact bi-nary code for the input item. It aims to maintain the near-est neighbor relation of the original space in the hammingspace. Hashing methods have become a promising and pop-ular technique for efficient similarity search, which also re-duce the storage cost of data. The basic idea in learning tohash is similarity preserving [29], i.e., minimizing the gapbetween the similarity computed in hash-coded space andthe similarity in the original space. Most existing hashingmethods first introduce some relaxations to their problemsby learning real-valued embedding and then take the sign ofthe values to obtain binary codes [15, 36, 11], which how-ever often suffer from quantization loss. Recently, Cao etal. [1] proposed a method to learn hash codes by continua-tion with convergence guarantees.There have been some works reported that apply hashingtechnique to the recommendation problem [35, 13]. Zhou etal. [35] learn binary code that preserves the preference ofusers to items in collaborative filtering. Lian et al. [13] pro-pose a discrete content-aware matrix factorization model.However, these methods cannot be applied directly to theoutfit composition problem since they only recommend sin-gle items while an outfit contains multiple interacted items.In this work, we model outfit compatibility through pair-wise interactions and employ the weighted hashing tech-nique [34, 30, 33] for matching users and items.105630成为一个极其重要的问题。物品和搭配应该以经济的方式存储。搭配的兼容性不仅需要准确评估，还需要高效评估。最兼容的物品和搭配需要快速检索。这些是以前的研究尚未很好处理的问题。在这项工作中，我们考虑了这些问题，并探索了用于时尚推荐的哈希技术。学习哈希已经广泛应用于高效图像检索[15]。最近的一些工作还将其与协同过滤算法相结合，向用户推荐个别物品[35, 19, 32,13]。我们将其纳入个性化搭配推荐问题的任务中。我们设计了一个用于高效个性化时尚搭配推荐的神经网络。该网络捕捉了不同用户的喜好，并学习了时尚物品之间的兼容性。它由三个组件组成。首先使用特征网络提取内容特征。然后，一组类型相关的哈希模块将特征和用户喜好表示转换为二进制代码。最后，通过进行成对加权哈希匹配的匹配块计算用户对搭配的整体偏好。我们的模型利用了视觉和文本信息。由于现有的数据集要么太小，要么缺乏用户信息，我们收集了一个包含超过138,000个搭配的新数据集，这些搭配由数百名在线用户创建。我们在这个大规模数据集上评估了我们的方法。大量实验证明，即使使用简单的主干和二进制表示，它也优于现有的方法。02. 相关工作02.1. 时尚推荐0时尚分析[17]，如服装识别[20]，潜在嵌入[24, 5, 10]，解析[2,31, 14]，检索[18, 14]和推荐[16, 8, 21, 28,6]近年来引起了广泛关注。在研究与时尚相关的问题的众多作品中，我们专注于与推荐任务相关的作品。刘等人[16]引入了一种基于潜在SVM的面向场合的服装推荐模型。麦考利等人[21]提出了一种参数距离转换方法来学习物品的兼容性。Veit等人[28]利用孪生网络学习时尚物品的嵌入。这些作品没有考虑多个服装组合的构成，只关注两个物品之间的匹配。一些方法试图直接建模物品之间的高阶关系。李等人[12]应用多模态融合和基于RNN的多实例池化模型来分类服装质量。韩等人训练了一个双向LSTM作为一个评分器来预测服装的兼容性。瓦西列娃等人[27]学习了不同类型物品的类型感知映射，并利用度量层学习兼容性。至于个性化组合问题，胡等人[7]进行了初步探索。他们提出了一种功能张量分解方法来建模多个潜在空间中的用户-物品和物品-物品交互。然而，他们使用手工制作的特征，并没有共同优化图像的表示。肖等人[6]提出了一个子集选择模型，用于选择一组最小的服装，以最大化兼容性和多功能性，引入了一个新的推荐主题。然而，这些模型都没有考虑系统的效率。0学习哈希是学习输入项的紧凑二进制码的任务。它旨在在哈希空间中保持原始空间的最近邻关系。哈希方法已成为一种有前途和流行的用于高效相似性搜索的技术，还可以减少数据的存储成本。学习哈希的基本思想是保持相似性[29]，即在哈希编码空间中计算的相似性与原始空间中的相似性之间的差距最小化。大多数现有的哈希方法首先通过学习实值嵌入引入一些松弛到它们的问题，然后取值的符号来获得二进制码[15,36,11]，然而，这些方法经常遭受量化损失。最近，曹等人[1]提出了一种通过连续性学习哈希码并具有收敛保证的方法。已经有一些报道将哈希技术应用于推荐问题[35,13]。周等人[35]学习了保持用户对协同过滤中物品的偏好的二进制码。连等人[13]提出了一种离散的内容感知矩阵分解模型。然而，这些方法不能直接应用于服装组合问题，因为它们只推荐单个物品，而一个服装包含多个相互作用的物品。在这项工作中，我们通过成对交互来建模服装的兼容性，并采用加权哈希技术[34, 30, 33]来匹配用户和物品。02.2. 学习哈希03. 提出的方法03.1. 问题建模0假设有N个时尚类别（例如上衣、裤子和鞋子）。第n个类别中的物品数量由Ln表示，用户数量为U。让X（n）={x（n）1，...，x（n）Ln}表示第n个类别中的所有物品0gory，其中x（n）i是其中的第i个物品。然后，一个包含N个物品的服装，每个物品来自一个类别，可以表示为：0O i ={x（1）i1，x（2）i2，...，x（N）iN}，（1）Fashion OutfitVisual EmbeddingType-dependentEncoderBinary CodesShared ParametersUser EmbeddingSign Activation Approximated SignΛ(i)AAAB9HicbVC7TsMwFL3mWcqrwMhiUSGVpUpYYKMSCwNDkehDakPlOE5r1XGC7VQqUb+DhQGEWJn4EjZG/gT3MUDLkSwdnXOu7vXxE8G1cZwvtLS8srq2ntvIb25t7+wW9vbrOk4VZTUai1g1faKZ4JLVDDeCNRPFSOQL1vD7l2O/MWBK81jemmHCvIh0JQ85JcZKXvvaRgNyl5X4yahTKDplZwK8SNwZKV58PHxXAKDaKXy2g5imEZOGCqJ1y3US42VEGU4FG+XbqWYJoX3SZS1LJYmY9rLJ0SN8bJUAh7GyTxo8UX9PZCTSehj5NhkR09Pz3lj8z2ulJjz3Mi6T1DBJp4vCVGAT43EDOOCKUSOGlhCquL0V0x5RhBrbU96W4M5/eZHUT8uu5TduseLAFDk4hCMogQtnUIErqEINKNzDIzzDCxqgJ/SK3qbRJTSbOYA/QO8/jFSUIg==AAAB9HicbVA9TwJBFHyHX4hfqKXNRmKCDbmz0ZLExsICEwETOMne3gIb9vbO3Xck5MLvsLHQGFt/jJ3/xgWuUHCSTSYz8/LeTpBIYdB1v53C2vrG5lZxu7Szu7d/UD48apk41Yw3WSxj/RBQw6VQvIkCJX9INKdRIHk7GF3P/PaYayNidY+ThPsRHSjRF4yilfzurY2G9DGrivNpr1xxa+4cZJV4OalAjkav/NUNY5ZGXCGT1JiO5yboZ1SjYJJPS93U8ISyER3wjqWKRtz42fzoKTmzSkj6sbZPIZmrvycyGhkziQKbjCgOzbI3E//zOin2r/xMqCRFrthiUT+VBGMya4CEQnOGcmIJZVrYWwkbUk0Z2p5KtgRv+curpHVR8yy/8yp1N6+jCCdwClXw4BLqcAMNaAKDJ3iGV3hzxs6L8+58LKIFJ585hj9wPn8AGGqRlA==Λ(i)AAAB9HicbVC7TsMwFL3mWcqrwMhiUSGVpUpYYKMSCwNDkehDakPlOE5r1XGC7VQqUb+DhQGEWJn4EjZG/gT3MUDLkSwdnXOu7vXxE8G1cZwvtLS8srq2ntvIb25t7+wW9vbrOk4VZTUai1g1faKZ4JLVDDeCNRPFSOQL1vD7l2O/MWBK81jemmHCvIh0JQ85JcZKXvvaRgNyl5X4yahTKDplZwK8SNwZKV58PHxXAKDaKXy2g5imEZOGCqJ1y3US42VEGU4FG+XbqWYJoX3SZS1LJYmY9rLJ0SN8bJUAh7GyTxo8UX9PZCTSehj5NhkR09Pz3lj8z2ulJjz3Mi6T1DBJp4vCVGAT43EDOOCKUSOGlhCquL0V0x5RhBrbU96W4M5/eZHUT8uu5TduseLAFDk4hCMogQtnUIErqEINKNzDIzzDCxqgJ/SK3qbRJTSbOYA/QO8/jFSUIg==AAAB9HicbVA9TwJBFHyHX4hfqKXNRmKCDbmz0ZLExsICEwETOMne3gIb9vbO3Xck5MLvsLHQGFt/jJ3/xgWuUHCSTSYz8/LeTpBIYdB1v53C2vrG5lZxu7Szu7d/UD48apk41Yw3WSxj/RBQw6VQvIkCJX9INKdRIHk7GF3P/PaYayNidY+ThPsRHSjRF4yilfzurY2G9DGrivNpr1xxa+4cZJV4OalAjkav/NUNY5ZGXCGT1JiO5yboZ1SjYJJPS93U8ISyER3wjqWKRtz42fzoKTmzSkj6sbZPIZmrvycyGhkziQKbjCgOzbI3E//zOin2r/xMqCRFrthiUT+VBGMya4CEQnOGcmIJZVrYWwkbUk0Z2p5KtgRv+curpHVR8yy/8yp1N6+jCCdwClXw4BLqcAMNaAKDJ3iGV3hzxs6L8+58LKIFJ585hj9wPn8AGGqRlA==Λ(u)AAAB9HicbVC7TsMwFL3mWcqrwMhiUSGVpUpYYKMSCwNDkehDakPlOE5r1XGC7VQqUb+DhQGEWJn4EjZG/gT3MUDLkSwdnXOu7vXxE8G1cZwvtLS8srq2ntvIb25t7+wW9vbrOk4VZTUai1g1faKZ4JLVDDeCNRPFSOQL1vD7l2O/MWBK81jemmHCvIh0JQ85JcZKXvvaRgNyl5XSk1GnUHTKzgR4kbgzUrz4ePiuAEC1U/hsBzFNIyYNFUTrluskxsuIMpwKNsq3U80SQvuky1qWShIx7WWTo0f42CoBDmNlnzR4ov6eyEik9TDybTIipqfnvbH4n9dKTXjuZVwmqWGSTheFqcAmxuMGcMAVo0YMLSFUcXsrpj2iCDW2p7wtwZ3/8iKpn5Zdy2/cYsWBKXJwCEdQAhfOoAJXUIUaULiHR3iGFzRAT+gVvU2jS2g2cwB/gN5/AJ6clC4=AAAB9HicbVA9TwJBFHyHX4hfqKXNRmKCDbmz0ZLExsICEwETOMm7vQU27O2du3sk5MLvsLHQGFt/jJ3/xgWuUHCSTSYz8/LeTpAIro3rfjuFtfWNza3idmlnd2//oHx41NJxqihr0ljE6iFAzQSXrGm4EewhUQyjQLB2MLqe+e0xU5rH8t5MEuZHOJC8zykaK/ndWxsN8TGrpufTXrni1tw5yCrxclKBHI1e+asbxjSNmDRUoNYdz02Mn6EynAo2LXVTzRKkIxywjqUSI6b9bH70lJxZJST9WNknDZmrvycyjLSeRIFNRmiGetmbif95ndT0r/yMyyQ1TNLFon4qiInJrAEScsWoERNLkCpubyV0iAqpsT2VbAne8pdXSeui5ll+51Xqbl5HEU7gFKrgwSXU4QYa0AQKT/AMr/DmjJ0X5935WEQLTj5zDH/gfP4AKrKRoA==Λ(u)AAAB9HicbVC7TsMwFL3mWcqrwMhiUSGVpUpYYKMSCwNDkehDakPlOE5r1XGC7VQqUb+DhQGEWJn4EjZG/gT3MUDLkSwdnXOu7vXxE8G1cZwvtLS8srq2ntvIb25t7+wW9vbrOk4VZTUai1g1faKZ4JLVDDeCNRPFSOQL1vD7l2O/MWBK81jemmHCvIh0JQ85JcZKXvvaRgNyl5XSk1GnUHTKzgR4kbgzUrz4ePiuAEC1U/hsBzFNIyYNFUTrluskxsuIMpwKNsq3U80SQvuky1qWShIx7WWTo0f42CoBDmNlnzR4ov6eyEik9TDybTIipqfnvbH4n9dKTXjuZVwmqWGSTheFqcAmxuMGcMAVo0YMLSFUcXsrpj2iCDW2p7wtwZ3/8iKpn5Zdy2/cYsWBKXJwCEdQAhfOoAJXUIUaULiHR3iGFzRAT+gVvU2jS2g2cwB/gN5/AJ6clC4=AAAB9HicbVA9TwJBFHyHX4hfqKXNRmKCDbmz0ZLExsICEwETOMm7vQU27O2du3sk5MLvsLHQGFt/jJ3/xgWuUHCSTSYz8/LeTpAIro3rfjuFtfWNza3idmlnd2//oHx41NJxqihr0ljE6iFAzQSXrGm4EewhUQyjQLB2MLqe+e0xU5rH8t5MEuZHOJC8zykaK/ndWxsN8TGrpufTXrni1tw5yCrxclKBHI1e+asbxjSNmDRUoNYdz02Mn6EynAo2LXVTzRKkIxywjqUSI6b9bH70lJxZJST9WNknDZmrvycyjLSeRIFNRmiGetmbif95ndT0r/yMyyQ1TNLFon4qiInJrAEScsWoERNLkCpubyV0iAqpsT2VbAne8pdXSeui5ll+51Xqbl5HEU7gFKrgwSXU4QYa0AQKT/AMr/DmjJ0X5935WEQLTj5zDH/gfP4AKrKRoA==Matching Block ru,OtAAACC3icbVDLSsNAFL2pr1pfsS7dhBbBhZTEjS4LbtxZwT6gKWEymbRDJ5MwMxFKyFbc+A/6A25cKOLWH3Dn3zhpu9DWC8MczrmXe+7xE0alsu1vo7Syura+Ud6sbG3v7O6Z+9WOjFOBSRvHLBY9H0nCKCdtRRUjvUQQFPmMdP3xRaF3b4mQNOY3apKQQYSGnIYUI6Upz6wJL0tP3AipEUYsu8q9zPVjFshJpL9M5XnumXW7YU/LWgbOHNSb1ae7RwBoeeaXG8Q4jQhXmCEp+46dqEGGhKKYkbzippIkCI/RkPQ15CgicpBNb8mtI80EVhgL/biypuzviQxFsjCnOwvTclEryP+0fqrC80FGeZIqwvFsUZgyS8VWEYwVUEGwYhMNEBZUe7XwCAmElY6vokNwFk9eBp3ThqPxtVNv2jCrMhxCDY7BgTNowiW0oA0Y7uEZXuHNeDBejHfjY9ZaMuYzB/CnjM8ft1ueQA==AAACC3icbVC7TsMwFHXKq5RXgJHFaoXEgKqEBcZKLGwUiT6kJoocx2mtOnZkO0hVlJ2FX2FhACFWfoCNv8FpM0DLlSwfnXOv7rknTBlV2nG+rdra+sbmVn27sbO7t39gHx71lcgkJj0smJDDECnCKCc9TTUjw1QSlISMDMLpdakPHohUVPB7PUuJn6AxpzHFSBsqsJsyyLNzL0F6ghHLb4sg90LBIjVLzJfroigCu+W0nXnBVeBWoAWq6gb2lxcJnCWEa8yQUiPXSbWfI6kpZqRoeJkiKcJTNCYjAzlKiPLz+S0FPDVMBGMhzeMaztnfEzlKVGnOdJam1bJWkv9po0zHV35OeZppwvFiUZwxqAUsg4ERlQRrNjMAYUmNV4gnSCKsTXwNE4K7fPIq6F+0XYPv3FbHqeKogxPQBGfABZegA25AF/QABo/gGbyCN+vJerHerY9Fa82qZo7Bn7I+fwDimJwnru,OtAAACC3icbVDLSsNAFL2pr1pfsS7dhBbBhZTEjS4LbtxZwT6gKWEymbRDJ5MwMxFKyFbc+A/6A25cKOLWH3Dn3zhpu9DWC8MczrmXe+7xE0alsu1vo7Syura+Ud6sbG3v7O6Z+9WOjFOBSRvHLBY9H0nCKCdtRRUjvUQQFPmMdP3xRaF3b4mQNOY3apKQQYSGnIYUI6Upz6wJL0tP3AipEUYsu8q9zPVjFshJpL9M5XnumXW7YU/LWgbOHNSb1ae7RwBoeeaXG8Q4jQhXmCEp+46dqEGGhKKYkbzippIkCI/RkPQ15CgicpBNb8mtI80EVhgL/biypuzviQxFsjCnOwvTclEryP+0fqrC80FGeZIqwvFsUZgyS8VWEYwVUEGwYhMNEBZUe7XwCAmElY6vokNwFk9eBp3ThqPxtVNv2jCrMhxCDY7BgTNowiW0oA0Y7uEZXuHNeDBejHfjY9ZaMuYzB/CnjM8ft1ueQA==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−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−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+1AAAB6XicbZA9SwNBEIbn4leMX1FLm8UgCEK4s9HOgI1lFPMByRH2NnPJkr29Y3dPCEf+gY2FIoKV/8jO