論文の概要: Outfit Generation and Recommendation -- An Experimental Study
- arxiv url: http://arxiv.org/abs/2211.16353v1
- Date: Tue, 29 Nov 2022 16:36:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 18:01:16.949858
- Title: Outfit Generation and Recommendation -- An Experimental Study
- Title（参考訳）: 衣装生成とレコメンデーション--実験的検討
- Authors: Marjan Celikik, Matthias Kirmse, Timo Denk, Pierre Gagliardi, Sahar
Mbarek, Duy Pham, Ana Peleteiro Ramallo
- Abstract要約: 我々は、ヨーロッパ最大のファッションストアのオンライン、現実世界のユーザーデータを用いて、衣装生成とレコメンデーションのための異なるアルゴリズムを比較した。
我々は、パーソナライズされた衣料品生成に適したものにするために、これらのモデルのいくつかのモデルに適用した適応を提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past years, fashion-related challenges have gained a lot of
attention in the research community. Outfit generation and recommendation,
i.e., the composition of a set of items of different types (e.g., tops, bottom,
shoes, accessories) that go well together, are among the most challenging ones.
That is because items have to be both compatible amongst each other and also
personalized to match the taste of the customer. Recently there has been a
plethora of work targeted at tackling these problems by adopting various
techniques and algorithms from the machine learning literature. However, to
date, there is no extensive comparison of the performance of the different
algorithms for outfit generation and recommendation. In this paper, we close
this gap by providing a broad evaluation and comparison of various algorithms,
including both personalized and non-personalized approaches, using online,
real-world user data from one of Europe's largest fashion stores. We present
the adaptations we made to some of those models to make them suitable for
personalized outfit generation. Moreover, we provide insights for models that
have not yet been evaluated on this task, specifically, GPT, BERT and
Seq-to-Seq LSTM.
- Abstract（参考訳）: 過去数年間、ファッション関連の課題は研究コミュニティで多くの注目を集めてきた。
衣装の生成と推奨、すなわち、様々な種類のアイテム(トップス、ボトム、シューズ、アクセサリーなど)の組み合わせが、最も難しいもののひとつです。
それは、アイテムが互いに互換性があり、顧客の好みに合わせてパーソナライズされる必要があるからです。
近年,機械学習の文献から様々な技術やアルゴリズムを採用することで,これらの問題に対処する作業が数多く行われている。
しかし、現在までに、衣装生成や推奨のための異なるアルゴリズムの性能について、広範な比較は行われていない。
本稿では,ヨーロッパ最大のファッションストアのオンラインユーザデータを用いて,パーソナライズされたアプローチと非パーソナライズされたアプローチの両方を含む,さまざまなアルゴリズムの幅広い評価と比較を提供することにより,このギャップを埋める。
これらのモデルのいくつかに適応して、パーソナライズされた衣装生成に適したものにした。
さらに,本課題においてまだ評価されていないモデル,特にGPT,BERT,Seq-to-Seq LSTMについて考察を行った。
関連論文リスト
- Resources for Brewing BEIR: Reproducible Reference Models and an
Official Leaderboard [47.73060223236792]
BEIRは18種類のドメイン/タスクの組み合わせで情報検索モデルを評価するためのベンチマークデータセットである。
我々の研究は、ベンチマークが完全な潜在能力を達成できない2つの欠点に対処しています。
論文 参考訳（メタデータ） (2023-06-13T00:26:18Z) - Unsupervised Neural Stylistic Text Generation using Transfer learning
and Adapters [66.17039929803933]
応答生成のためのスタイル特化属性を学習するために,モデルパラメータの0.3%しか更新しない新しい転送学習フレームワークを提案する。
我々はPERSONALITY-CAPTIONSデータセットからスタイル固有の属性を学習する。
論文 参考訳（メタデータ） (2022-10-07T00:09:22Z) - Recommendation of Compatible Outfits Conditioned on Style [22.03522251199042]
この作品は、実生活で身につけるようなスタイルやテーマを前提とした衣装を作り出すことを目的としている。
我々は、スムーズなラテント空間で衣装スタイルをレンダリングする新しいスタイルエンコーダネットワークを使用している。
論文 参考訳（メタデータ） (2022-03-30T09:23:32Z) - PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。
我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。
概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文 参考訳（メタデータ） (2021-05-04T15:23:59Z) - Learning Tuple Compatibility for Conditional OutfitRecommendation [13.265372545945112]
MCAN(Mixed Category Attention Net)は、細粒度および粗いカテゴリ情報をレコメンデーションに統合する。
MCANは必要に応じて、多種多様な制御可能なレコメンデーションを明示的にかつ効果的に生成できる。
新しいデータセットIQONはレコメンデーションシステムの一般化をテストするために使用できる。
論文 参考訳（メタデータ） (2020-08-18T23:22:16Z) - Apparel-invariant Feature Learning for Apparel-changed Person
Re-identification [70.16040194572406]
ほとんどのパブリックなReIDデータセットは、人の外観がほとんど変化しない短時間のウィンドウで収集される。
ショッピングモールのような現実世界の応用では、同じ人の服装が変化し、異なる人が同様の服を着ることがある。
着替えなどの場合や、類似の服を着ている場合などにおいて、アパレル不変の人物表現を学ぶことは極めて重要である。
論文 参考訳（メタデータ） (2020-08-14T03:49:14Z) - Bootstrapping Complete The Look at Pinterest [8.503851753592512]
PinterestにおけるComplete The Look(CTL)システムのブートストラップについて説明する。
これは「スタイル整合性」の主観的な課題を学習し、衣服を完成させる補完的な項目を推薦することを目的とした技術である。
100万以上の服と400万のオブジェクトからなる私たちの服のデータセットを紹介します。
論文 参考訳（メタデータ） (2020-06-18T18:20:19Z) - 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) - Fashion Recommendation and Compatibility Prediction Using Relational
Network [18.13692056232815]
我々は、新しい互換性学習モデルを開発するための関係ネットワーク(RN)を開発する。
FashionRNは、任意の数のアイテムを任意の順序で、服全体の互換性を学習する。
我々はPolyvoreのウェブサイトから収集した49,740の服の大規模なデータセットを用いてモデルを評価した。
論文 参考訳（メタデータ） (2020-05-13T21:00:54Z) - 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。