論文の概要: Addressing the Cold-Start Problem in Outfit Recommendation Using Visual Preference Modelling

• arxiv url: http://arxiv.org/abs/2008.01437v1
• Date: Tue, 4 Aug 2020 10:07:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 00:58:54.401373
• Title: Addressing the Cold-Start Problem in Outfit Recommendation Using Visual Preference Modelling
• Title（参考訳）: 視覚的嗜好モデルを用いた服装推薦におけるコールドスタート問題への取り組み
• Authors: Dhruv Verma, Kshitij Gulati and Rajiv Ratn Shah
• Abstract要約: 本稿では,新しい視覚的嗜好モデリング手法を活用することで,新規ユーザに対するコールドスタート問題に対処する。 機能重み付けクラスタリングによるアプローチの活用を実演し、時事指向の衣装レコメンデーションをパーソナライズする。
• 参考スコア（独自算出の注目度）: 51.147871738838305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the global transformation of the fashion industry and a rise in the demand for fashion items worldwide, the need for an effectual fashion recommendation has never been more. Despite various cutting-edge solutions proposed in the past for personalising fashion recommendation, the technology is still limited by its poor performance on new entities, i.e. the cold-start problem. In this paper, we attempt to address the cold-start problem for new users, by leveraging a novel visual preference modelling approach on a small set of input images. We demonstrate the use of our approach with feature-weighted clustering to personalise occasion-oriented outfit recommendation. Quantitatively, our results show that the proposed visual preference modelling approach outperforms state of the art in terms of clothing attribute prediction. Qualitatively, through a pilot study, we demonstrate the efficacy of our system to provide diverse and personalised recommendations in cold-start scenarios.
• Abstract（参考訳）: ファッション産業のグローバルな変化と、世界中のファッションアイテムの需要の高まりにより、効果的なファッションレコメンデーションの必要性はもはや高まっていない。 ファッションレコメンデーションをパーソナライズするための様々な最先端のソリューションが提案されたが、新しいエンティティ、すなわちコールドスタート問題に対するパフォーマンスの低さにより、この技術は依然として制限されている。 本稿では,少数の入力画像に対して,新しい視覚的嗜好モデリングアプローチを活用することで,新しいユーザにとってのコールドスタート問題に対処する。 このアプローチを機能重み付けクラスタリングを用いて,時折実施する服装推薦をパーソナライズする方法について紹介する。 定量的には,提案手法が衣服属性予測の観点で美術品の状態を上回っていることを示す。 定量的に,本システムの有効性を実証し,コールドスタートシナリオにおいて多様でパーソナライズされたレコメンデーションを提供する。

関連論文リスト

• Interactive Garment Recommendation with User in the Loop [77.35411131350833]
  我々は,服を作るために補完的なアイテムを推奨するので,ユーザ反応を統合することでユーザプロファイルをその場で構築することを提案する。 本稿では,適切な衣服を提案し,ユーザのフィードバックを取り入れて推薦を改善することができる強化学習エージェントを提案する。
  論文  参考訳（メタデータ） (2024-02-18T16:01:28Z)
• HiCAST: Highly Customized Arbitrary Style Transfer with Adapter Enhanced Diffusion Models [84.12784265734238]
  Arbitrary Style Transfer (AST)の目標は、あるスタイル参照の芸術的特徴を所定の画像/ビデオに注入することである。 各種のセマンティックな手がかりに基づいてスタイリング結果を明示的にカスタマイズできるHiCASTを提案する。 新たな学習目標をビデオ拡散モデルトレーニングに活用し,フレーム間の時間的一貫性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-01-11T12:26:23Z)
• AI Recommendation System for Enhanced Customer Experience: A Novel Image-to-Text Method [2.2975420753582028]
  本研究は、人工知能を用いてファッションレコメンデーションのきめ細かい視覚的解釈を提供する革新的なエンドツーエンドパイプラインについて述べる。 顧客が希望する製品や服の画像をアップロードすると、システムは自動的に、スタイル的要素を強調する意味のある説明を生成する。
  論文  参考訳（メタデータ） (2023-11-16T07:15:44Z)
• Lost Your Style? Navigating with Semantic-Level Approach for Text-to-Outfit Retrieval [2.07180164747172]
  ファッションレコメンデーションの基盤となるアプローチとして,テキスト・ツー・アウトフィット検索タスクを導入する。 我々のモデルは3つのセマンティックレベル、スタイル、服装で考案され、各レベルがデータを段階的に集約し、一貫性のある服装勧告を形成する。 メリーランド・ポリボアとポリボア・アウトフィットのデータセットを用いて,本手法はテキストビデオ検索タスクにおける最先端モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-11-03T07:23:21Z)
• Reusable Self-Attention-based Recommender System for Fashion [1.978884131103313]
  再利用可能な注意に基づくファッション推薦アルゴリズム(AFRA)を提案する。 時間的および文脈的な情報を活用して、短期および長期の顧客の嗜好に対処します。 1)個人別フィード、2)スタイル別レコメンデーション、3)類似アイテムレコメンデーション、4)最近の顧客行動にインスパイアされたインセッションレコメンデーション。
  論文  参考訳（メタデータ） (2022-11-29T16:47:20Z)
• Leveraging Multiple Relations for Fashion Trend Forecasting Based on Social Media [72.06420633156479]
  Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。 KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。 長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
  論文  参考訳（メタデータ） (2021-05-07T14:52:03Z)
• Personalized Fashion Recommendation from Personal Social Media Data: An Item-to-Set Metric Learning Approach [71.63618051547144]
  ソーシャルメディアデータからパーソナライズされたファッションレコメンデーションの問題について検討する。 本稿では,ユーザの過去のファッションアイテムと新しいファッションアイテムとの類似性を学習する,アイテムツーセットのメトリック学習フレームワークを提案する。 提案手法の有効性を検証するために,実世界のソーシャルメディアデータセットを収集する。
  論文  参考訳（メタデータ） (2020-05-25T23:24:24Z)
• Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
  本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。 エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。 提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-03-11T16:17:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。