[논문 리뷰] Deep Style Match for Complementary Recommendation

Kui Zhao, Hu Xia외 2명|arXiv (Cornell University)|2017. 08. 26.

Color perception and design인용 수 10

한 줄 요약

이 논문은 단순히 제목 기술만을 사용하여 스타일 간 호환성을 학습하는 시아모닉 컨volutional 신경망 모델인 Deep Style Match를 제안한다. 이 모델은 수작업 특징 공학 없이 단어 기반 입력을 임bedded 스타일 공간으로 매핑하며, 호환성 또는 비호환성으로 레이블이 지정된 쌍의 항목 제목을 학습하여 정확한 호환성 예측을 달성한다.

ABSTRACT

Humans develop a common sense of style compatibility between items based on their attributes. We seek to automatically answer questions like Does this shirt go well with that pair of jeans? In order to answer these kinds of questions, we attempt to model human sense of style compatibility in this paper. The basic assumption of our approach is that most of the important attributes for a product in an online store are included in its title description. Therefore it is feasible to learn style compatibility from these descriptions. We design a Siamese Convolutional Neural Network architecture and feed it with title pairs of items, which are either compatible or incompatible. Those pairs will be mapped from the original space of symbolic words into some embedded style space. Our approach takes only words as the input with few preprocessing and there is no laborious and expensive feature engineering.

연구 동기 및 목표

• 제품의 텍스트 기술을 바탕으로 인간과 유사한 스타일 호환성을 모델링하기.
• 예를 들어 셔츠와 청바지처럼 두 항목이 잘 어울리는지 자동으로 판단하는 과제를 해결하기.
• 제품 제목의 자연어를 활용하여 고비용 수작업 특징 공학의 필요성을 제거하기.
• 호환성 있는 항목 쌍이 비호환성 쌍보다도 임베딩 공간에서 더 가까워지도록 공유된 임bedding 공간을 학습하기.

제안 방법

• 쌍으로 주어진 제품 제목 기술을 처리하기 위한 시아모닉 컨volutional 신경망 아키텍처를 설계하기.
• 호환성 또는 비호환성으로 레이블이 지정된 항목 제목 쌍을 네트워크에 입력하여 스타일 호환성 표현을 학습하기.
• 원래 텍스트 공간의 기호적 단어 입력을 학습된 임bedded 스타일 공간으로 매핑하기.
• 대비 손실(contrastive loss)을 사용하여 임베딩 공간에서 호환성 있는 쌍은 더 가깝게, 비호환성 있는 쌍은 더 멀리 있도록 모델을 훈련하기.
• 노력이 많이 들지 않는 전처리를 최소화한 채로 원시 텍스트만 사용하기.
• 핵심 스타일 특징들이 제품 제목 기술에 내장되어 있다는 가정을 활용하기.

실험 결과

연구 질문

• RQ1 제품 제목 기술만으로도 패션 아이템 간의 스타일 호환성이 효과적으로 학습될 수 있는가?
• RQ2 명시적 속성 레이블이 없는 상태에서 시아모닉 CNN 모델이 호환성 예측에 얼마나 잘 일반화되는가?
• RQ3 제품 제목의 텍스트 기술 품질이 모델 성능에 어느 정도 영향을 미치는가?
• RQ4 수작업 특징 공학 없이도 모델이 인간과 유사한 스타일 호환성 판단을 포착할 수 있는가?

주요 결과

• 모델은 제목 기술만으로도 스타일 호환성을 성공적으로 학습하여 호환성 예측 정확도가 매우 높게 달성된다.
• 시아모닉 CNN 아키텍처는 단어 기반 입력을 의미 있는 임bedded 스타일 공간으로 효과적으로 매핑한다.
• 패션 추천에서 고비용이고 시간이 오래 소요되는 특징 공학의 필요성을 제거하는 데 성공한다.
• 모델은 쌍의 제목 분류 작업에서 뛰어난 성능을 보이며 미묘한 스타일 관계를 포착할 수 있음을 시사한다.