[論文レビュー] FashionBrain Project: A Vision for Understanding Europe's Fashion Data Universe

Alessandro Checco, Gianluca Demartini+8 more|arXiv (Cornell University)|Oct 26, 2017

3D Shape Modeling and Analysis参考文献 9被引用数 5

ひとこと要約

FashionBrainプロジェクトは、主にメモリ内データベース、ディープラーニング、クラウドソーシングを統合したデータ管理および分析プラットフォームを提案する。この統合型アーキテクチャにより、ソーシャルメディア、小売業者カタログ、ユーザーの行動といった多様なファッションデータソースを統合し、スケーラブルかつリアルタイムなシステムとして統合することで、小売業者が第三者の検索エンジンに依存せずに、トレンド予測やパーソナライズドショッピング体験を提供できる能力が向上する。

ABSTRACT

A core business in the fashion industry is the understanding and prediction of customer needs and trends. Search engines and social networks are at the same time a fundamental bridge and a costly middleman between the customer's purchase intention and the retailer. To better exploit Europe's distinctive characteristics e.g., multiple languages, fashion and cultural differences, it is pivotal to reduce retailers' dependence to search engines. This goal can be achieved by harnessing various data channels (manufacturers and distribution networks, online shops, large retailers, social media, market observers, call centers, press/magazines etc.) that retailers can leverage in order to gain more insight about potential buyers, and on the industry trends as a whole. This can enable the creation of novel on-line shopping experiences, the detection of influencers, and the prediction of upcoming fashion trends. In this paper, we provide an overview of the main research challenges and an analysis of the most promising technological solutions that we are investigating in the FashionBrain project.

研究の動機と目的

• 第一者データを活用することで、ファッション小売業者が第三者の検索エンジンやソーシャルネットワークに依存するのを減らす。
• ソーシャルメディア、オンラインショップ、プレスなど、複数のソースに散在する断片的かつ非構造的なファッションデータの課題に対処する。
• 高度な分析および画像ベースの製品検索などのエンドユーザー向けアプリケーションを支援する、スケーラブルかつリアルタイムなデータ統合プラットフォームを構築する。
• 販売データおよびソーシャルメディアデータの時系列分析を用いて、正確なファッショントレンド予測を実現する。
• 統合されたエンティティ解決とユーザー行動モデリングを活用し、パーソナライズド製品推薦を可能にするシステムを開発する。

提案手法

• 高パフォーマンスなデータ管理および分析を最適化するため、主にメモリ内かつカラムストア型のRDBMSであるMonetDBを活用する。
• ファッション関連テキストにおけるエンティティと関係の共同認識に、LSTMや再帰的ニューラルネットワークを含むディープラーニングモデルを採用する。
• 類似するファッション商品の曖昧性を解消し、エンティティリンクの正確性を向上させるために、クラウドソーシングワークフローを統合する。
• スパースな販売データおよびトレンドデータに対処するため、オンザフライクラスタリングを併用した行列分解を適用する。
• 長期間の履歴データに対してスケーラブルであるよう、線形実行時間複雑性を達成するインクリメンタル時系列予測アルゴリズムを実装する。
• テキスト処理と画像処理パイプラインを統合し、ユーザーがアップロードした画像からファッションアイテムを抽出し、小売業者カタログにリンクする。

実験結果

リサーチクエスチョン

• RQ1 多様なソースからの異種ファッションデータを、統一的かつスケーラブルなデータ管理システムに効果的に統合する方法は何か？
• RQ2 時系列販売データおよびソーシャルメディアデータから正確なファッショントレンド予測を実現するための機械学習技術は何か？
• RQ3 ディープラーニングとクラウドソーシングによる類似ファッションアイテムの曖昧性解消を活用することで、画像ベースの製品検索をどのように向上できるか？
• RQ4 エンティティ解決は、ユーザー生成コンテンツを小売業者製品カタログにリンクさせ、パーソナライズドレコメンデーションを実現するために果たす役割は何か？
• RQ5 従来のRDBMSやHadoopベースのシステムと比較して、主にメモリ内のデータベースシステムは、リアルタイムファッション分析のパフォーマンスをどのように向上させるか？

主な発見

• MonetDBの主にメモリ内かつカラムストア型アーキテクチャと分析プリミティブの統合により、大規模なファッションデータワークロードの効率的処理が可能になった。
• 特にLSTMは、ファッション関連テキストからのエンティティと関係の共同抽出において優れた性能を示した。
• クラウドソーシングワークフローは、画像ベースのクエリにおける類似ファッション商品の曖昧性解消を顕著に改善した。
• 提案されたインクリメンタル時系列予測アルゴリズムは、線形実行時間複雑性を達成しており、長期間の履歴データに対してもスケーラブルであることが確認された。
• オンザフライクラスタリングを併用した行列分解は、ファッショントレンド予測におけるデータスパarsity問題を効果的に緩和した。
• エンドツーエンドのシステムにより、リアルタイムでの画像ベースの製品検索とパーソナライズドレコメンデーションが実現され、外部プラットフォームへの依存が低減された。