一种用户个人服饰的搭配方法

1.一种用户个人服饰的搭配方法，其特征在于，包括以下步骤：
S1用户对其衣橱内的服饰拍照，并导入计算机而构建视觉数据驱动的个人衣橱模型；
S2个人衣橱模型基于网络大数据应用机器学习方法了解时尚趋势，提供服饰搭配建议；
S3用户参照服饰搭配建议，选择着装；
所述步骤S2中，可通过周期性收集社交网络信息获取训练数据了解时尚趋势；
所述步骤S2具体包括以下步骤：
S21个人衣橱模型通过机器学习模块自动挖掘社交媒体的服饰搭配图片；
S22通过应用自然语言处理领域的统计语言模型方法，计算某种风格服饰搭配的出现概率顺序分布，来分析时尚服饰搭配；
S23在用户指定某个服饰后，个人衣橱模型基于服饰搭配的出现概率提供着装建议；
所述步骤S2还包括以下步骤：
根据用户喜欢的明星穿衣风格，调整步骤S22中服饰搭配的出现概率分布参数；
所述步骤S 23具体包括以下步骤：
针对用户指定的某个服饰，使用一个N-gram模型，用来预测下一个出现的服饰；
该N-gram模型为马尔可夫模型，即(N-1)-order；
在时尚领域内，N代表在预测服饰的过程中涉及到的服饰数量；
还包括以下步骤：
S4通过设立混乱度判断模型的方法，来判断个人衣橱模型的预测效力；
所述步骤S2中还包括提供整个衣橱的时尚水平评分的方法，具体方法如下：
采用统计语言模型的公式P(w1,…,wm)计算得出整个个人衣橱模型的时尚得分评价；
其中，wm代表一个服饰，P代表各种服饰搭配的时尚程度。
2.根据权利要求1所述的用户个人服饰的搭配方法，其特征在于，所述个人衣橱模型可推荐用户服饰购买链接，用于与其个人衣橱模型中的服饰搭配，提升该个人衣橱模型的时尚指数。
3.根据权利要求1～2任一项所述的用户个人服饰的搭配方法，其特征在于，所述步骤S1具体包括以下步骤：
S11采用一个自动分类器去对用户所拍照的服饰进行分类，并打上语义标签；
S12采用支持向量机模块提取所拍照的服饰的多维视觉特征向量；
S13通过视觉特征向量建立一个类似统计语言模型的个人衣橱模型。

一种用户个人服饰的搭配方法\n技术领域\n[0001] 本发明涉及通信技术领域，尤其涉及一种用户个人服饰的搭配方法。\n背景技术\n[0002] 人们每天都需要决定自己穿什么衣服。那些注重时尚的人们会以自己喜欢的某一件服饰开始，去选择一套服饰搭配组合。我们要解决的问题，举例来说，当用户从衣橱中选出一条裙子，如何帮助用户根据她的个人品位，从她的衣橱中选出一件合适的衬衣来搭配这条裙子？又或者，给定一双鞋子或者T恤，如何选择一条搭配好看的短裤。到目前为止，这样的服饰搭配建议都是完全基于人工，而对于那些希望穿出时尚品味而又对时尚潮流不甚了解或者缺乏时间的人，是一个不易解决的问题。\n[0003] 到目前为止，这是一个巨大的未被解决的问题。尽管有人在尝试解决其中的一些子问题。举例来说，为了理解某种颜色应该搭配另一种什么颜色，有人会基于颜色理论(色彩调节轮)或时尚专家(编辑编写)建立一套含有系列规则的推荐系统。可是这样的方法只适用于通用情形，无法给用户提供个性化服务，也就是无法根据用户自己衣橱里的衣服做推荐。而且，这样的方法也无法满足用户的定制化需求，比如用户希望追随某些名人的时尚品味的需求，并希望从自己的衣橱中选出合适服饰穿出类似这个名人的风格。\n发明内容\n[0004] (一)要解决的技术问题\n[0005] 本发明的目的是一种具有基于用户个人衣橱的服饰的搭配方法，满足用户的时尚品味需求。\n[0006] (二)技术方案\n[0007] 本发明是通过以下技术方案实现的：一种用户个人服饰的搭配方法，包括以下步骤：\n[0008] S1用户对其衣橱内的服饰拍照，并导入计算机而构建视觉数据驱动的个人衣橱模型，用户拍摄其衣橱内服饰照片，从而用视觉分析的方法构建一个“个人衣橱模型”，并产生一个量化的视觉数据特征，以代表用户的个人时尚风格的概念和方法。\n[0009] S2个人衣橱模型基于网络大数据应用机器学习方法了解时尚趋势，提供服饰搭配建议，个人衣橱模型利用社交网络的公开数据通过机器学习模块学习而了解时尚趋势。\n[0010] S3用户参照服饰搭配建议，选择着装。\n[0011] 其中，所述步骤S2中，可通过周期性收集社交网络信息获取训练数据了解时尚趋势。\n[0012] 其中，所述步骤S2具体包括以下步骤：\n[0013] S21个人衣橱模型通过机器学习模块自动挖掘社交媒体的服饰搭配图片；\n[0014] S22通过应用自然语言处理领域的统计语言模型方法，计算某种风格服饰搭配的出现概率顺序分布，来分析时尚服饰搭配；\n[0015] S23在用户指定某个服饰后，个人衣橱模型基于服饰搭配的出现概率提供着装建议。\n[0016] 优选地，所述步骤S2还包括以下步骤：\n[0017] 根据用户喜欢的明星穿衣风格，调整步骤S22中服饰搭配的出现概率分布参数。\n[0018] 其中，所述步骤23具体包括以下步骤：\n[0019] 针对用户指定的某个服饰，使用一个N-gram模型，用来预测下一个出现的服饰；\n[0020] 该N-gram模型为马尔可夫模型，即(N-1)-order；\n[0021] 在时尚领域内，N代表在预测服饰的过程中涉及到的服饰数量。\n[0022] 进一步，还包括以下步骤：\n[0023] S4通过设立混乱度判断模型的方法，来判断个人衣橱模型的预测效力。\n[0024] 其中，所述步骤S2中还包括提供整个衣橱的时尚水平评分的方法，具体方法如下：\n[0025] 采用统计语言模型的公式P(w1，...，wm)计算得出整个个人衣橱模型的时尚得分评价；其中，wm代表一个服饰，P代表各种服饰搭配的时尚程度。\n[0026] 进一步，所述个人衣橱模型可推荐用户服饰购买链接，用于与其个人衣橱模型中的服饰搭配，提升该个人衣橱模型的时尚指数。\n[0027] 其中，所述步骤S1具体包括以下步骤：\n[0028] S11采用一个自动分类器去对用户所拍照的服饰进行分类，并打上语义标签；\n[0029] S12采用支持向量机模块提取所拍照的服饰的多维视觉特征向量；\n[0030] S13通过视觉特征向量建立一个类似统计语言模型的个人衣橱模型。\n[0031] (三)有益效果\n[0032] 与现有技术和产品相比，本发明有如下优点：\n[0033] 本发明提供一种个人服饰的搭配方法，通过机器学习方法分析网络上的海量时尚图片，基于网络大数据了解时尚趋势，并且应用获取到的“时尚知识”为用户推荐基于其个人衣橱的服饰搭配，快速满足了客户的定制化要求和时尚需求。\n附图说明\n[0034] 图1为本发明提供的一种用户个人服饰搭配方法的步骤图。\n具体实施方式\n[0035] 为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式对本发明作进一步的详细描述。\n[0036] 如图1所示，本实施例提供一种用户个人服饰的搭配方法，包括以下步骤：\n[0037] S1用户对其衣橱内的服饰拍照，并导入计算机且构建视觉数据驱动的个人衣橱模型；\n[0038] 其中，用户拍摄其衣橱内服饰照片，从而用视觉分析的方法构建一个“个人衣橱模型”，并产生一个量化的视觉数据特征，以代表用户的个人时尚风格的概念和方法。\n[0039] 步骤S1具体包括以下步骤：\n[0040] S11采用一个自动分类器去对用户所拍照的服饰进行自动分类，并打上语义标签。\n[0041] 为了获得用户的个人衣橱模型，我们会采用某种定标方法。比如，我们会提醒用户去给她衣橱里的衣服拍照。在这个实现过程中，我们会用一个自动的分类器去对用户所拍照的服饰进行自动分类(如裙子，裤子，鞋等)，并打上语义标签。\n[0042] S12采用支持向量机模块提取所拍照的服饰的多维视觉特征向量；在使用自然语言处理(Natural Language Processing，NLP)领域方法之外，还有其他方案，其中一个方案就是使用其他机器学习的技术，如支持向量机(Support Vector Machines，SVM)对服饰图片进行识别。\n[0043] 在数据结构方面，一个时尚服饰的模型以基于物体视觉特征的多维特征向量去表示，并用语义标签去描述这个物体是什么。其中需要特别注意的是，我们用视觉特征，而不是文本性描述，这是因为文本性描述会丢失重要的信息，而计算机提取的视觉特征可以更好地获得一个物体的本质特征并且可用量化数据驱动。\n[0044] S13通过视觉特征向量建立一个类似统计语言模型的个人衣橱模型。\n[0045] 其中，视觉特征向量可以让我们接下来得以建立一个类似统计语言模型(Statistical Language Model，SLM)的时尚模型，并用它来为用户的时尚服饰搭配提供建议，或计算其时尚指数。\n[0046] S2个人衣橱模型基于网络大数据应用机器学习方法了解时尚趋势，提供服饰搭配建议。\n[0047] 具体地，个人衣橱模型利用社交网络的公开数据通过机器学习模块学习而了解时尚趋势，步骤S2包括以下具体步骤：\n[0048] S21个人衣橱模型通过机器学习模块自动挖掘社交媒体的服饰搭配图片。\n[0049] S22通过应用自然语言处理领域的统计语言模型方法，计算设定风格服饰搭配的出现概率顺序分布，来分析时尚服饰搭配。\n[0050] 这个新颖的实现方式将会应用来自自然语言处理NLP领域的算法和技术。我们观察到，要解决如何使得不同的服饰可以相互搭配，这个问题与自然语言处理里如何找到相互配合的词语类似。举例来说，为什么“strong team”比“powerful tea”会是更合适的搭配，尽管他们从英语语法上来看都正确？这就像为什么白色T恤和蓝色牛仔裤的搭配要比紫黄色T恤和蓝色牛仔裤的搭配要更好？为了回答这个问题，我们借用语料语言学(corpus linguistics)里的一个概念，词组搭配(collocations)，相当于词语出现的顺序和组合。就好像如果我们分析大量的日常语言文本，就会发现“strong tea”要比“powerful tea”会有更高的出现频率。在我们的实现方法中，我们利用这个概念以及类似的数学方法和技术手段，把它们应用到时尚服饰搭配这个领域。\n[0051] S23在用户指定某个服饰后，个人衣橱模型基于服饰搭配的概率提供着装建议。\n[0052] 我们的目的是建立一个预测模型，这个模型可以在指定某个服饰后，去猜测得到另一些合适的服饰，与原服饰搭配起来成为一种时尚的风格。我们会利用到自然语言处理这个领域里的一个概念，统计语言模型(Statistical Language Model，SLM)，它代表词语出现顺序的概率分布。在时尚服饰领域内，每一个词语就代表一个具有某种风格的服饰。\n[0053] 为了达到预测的目的，具体包括以下步骤：\n[0054] 针对用户指定的某个服饰，使用一个N-gram模型，用来预测下一个出现的服饰；\n[0055] 该N-gram模型为马尔可夫模型，即(N-1)-order；\n[0056] 在时尚领域内，N代表在预测服饰的过程中涉及到的服饰数量。\n[0057] 举例来说，如果我们需要基于一条短裤和一双鞋去预测一件T恤，那么N就等于3。\n[0058] 为了应用这些NLP和信息论里的概念到时尚领域，我们还需要使用一个马尔可夫模型的特性：一个未来事件的出现概率(搭配什么服饰)，仅取决于之前有限的一些已发生事件(用户已选定什么服饰)。\n[0059] 其中，本实施例中还可为某一个服饰，并最终为整个衣橱，提供一个代表时尚水平的评价分数。为了得到某一个服饰搭配其他的服饰是否时尚，我们借用统计语言模型(Statistical Language Model，SLM)的概念，并采用统计语言模型的公式P(w1，...，wn)，(在NLP领域中，wn代表某个词，P(w1，...，wn)代表某些词组合出现的概率)计算出某一个服饰搭配其他服饰的时尚程度。其中，运用在本实施例中，每个词语wm代表一个服饰，P代表各种服饰搭配的时尚程度。\n[0060] 去评估某个服饰搭配的概率(我们会去挖掘分析网络上的时尚图片以构建此个人衣橱模型，就好像NLP应用里会去挖掘wikipedia上的文本一样)。举例来说，假设w1是某种款式的帽子，w2是某种款式的上衣，w3是某种款式的裤子，那么P(w1，w2，w3)就代表这三个服饰搭配起来的时尚程度。我们还可以用条件概率的方式去计算，给定某种款式的上衣w2，和某种款式的裤子w3，那么什么款式的帽子w1和他们搭配起来最好看，用P(w1|w2，w3)表示。\n[0061] 再进一步，为了让用户在得到个人衣橱模型的时尚指数后，能够不断提升其时尚指数，我们会挖掘电子商务网站的内容(与上面描述挖掘社交网络的方法类似)，并提供电子商务功能。个人衣橱模型可推荐用户服饰购买链接，用于与其个人衣橱中的服饰搭配，提升该个人衣橱模型的时尚指数。举例来说，当这个衣橱模型给用户推荐一个搭配的服饰，如果用户没有这个服饰，那我们会提供一个购买链接，让用户直接跳到电子商务网站上含有这个服饰的页面，让用户可以直接购买此服饰。个人衣橱模型可推荐用户服饰购买链接，用于与其个人衣橱中的服饰搭配，提升该个人衣橱模型的时尚指数。\n[0062] 本实施例，还可提供一种个性化定制服务。为了进一步调优这个衣橱模型，并使得这个模型给用户提供的服饰搭配建议会更接近于这个用户所喜欢的明星穿衣风格，我们会给用户提供一个升级版的模型。根据用户喜欢的明星穿衣风格，调整步骤S22中服饰搭配的出现概率分布参数。举例来说，如果一个用户喜欢的明星经常穿红裤子配白衬衣，那么这个用户的升级模型里，与白衬衣搭配红裤子的概率就会增加。\n[0063] 步骤S2中，还可通过周期性收集社交网络信息获取训练数据的方法，了解时尚趋势，从而给出服饰搭配建议。为了获得大量训练数据，并且保持这些数据的新鲜度和趋向性，我们有一个很重要的手段就是去挖掘社交网络上的信息。该训练数据就是时尚微博等社交媒体上关于服饰搭配的评论数、转发数、收藏数等数据。我们可以让计算机通过社交网络上的信息学习到一些时尚趋势，比如，周期性去收集某些关于服饰搭配时尚微博的评论数、转发数、收藏数等。如果这些数据在快速提升，那么他们可能代表一种新的潮流，如果这些数据长时间不变，那么这可能代表一个平稳的趋势如果当计算机发现社交媒体上某位明星的某种时尚穿戴正在得到越来越多的关注，那么计算机就可能会把这种新的时尚穿戴搭配判断为一种新的时尚潮流，并且把类似的穿戴搭配推荐给合适的用户。\n[0064] S3用户参照服饰搭配建议，选择着装。\n[0065] S4通过设立混乱度判断模型的方法，来判断个人衣橱模型的预测效力。\n[0066] 为了评估这个时尚模型，我们还可以进一步利用NLP的概念，如混乱度(Perplexity)，这是信息论中用以评估语言模型的标准方法，用来评估模型的预测效力。一个语言模型的混乱度越小，模型越好。\n[0067] 本实施例提供的用户个人服饰的搭配方法，通过一个机器学习方法，以自动化地抓取与学习来自社交媒体的图片，从而学习到时尚趋势；然后进一步将时尚趋势应用到家庭衣橱，并最终给用户推荐时尚服饰。总之，我们教会计算机时尚品味，并且让计算机帮助用户从自己衣橱中选出合适的服饰并且搭配地和明星一样时尚。有时候用户衣橱中没有合适的服饰时，我们也会推荐用户购买此服饰。最后，我们可以去分析用户衣橱模式与时尚潮流之间的区别，从而实现用定量化的方法获得用户的“时尚指数”，以反映用户的时尚品味水平。\n[0068] 以上实施例仅为本发明的一种实施方式，其描述较为具体和详细，但不能因此而理解为对本发明专利范围的限制。其具体结构和尺寸可根据实际需要进行相应的调整。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。