[논문 리뷰] FashionBrain Project: A Vision for Understanding Europe's Fashion Data Universe

Alessandro Checco, Gianluca Demartini외 8명|arXiv (Cornell University)|2017. 10. 26.

3D Shape Modeling and Analysis참고 문헌 9인용 수 5

한 줄 요약

패션브레인 프로젝트는 메모리 기반 데이터베이스, 딥러닝, 커뮤니티 기반 작업을 결합하여 이미지 기반 제품 검색 및 패션 트렌드 예측을 가능하게 하는 통합된 데이터 관리 및 분석 플랫폼을 제안한다. 소셜 미디어, 유통업체 카탈로그, 사용자 상호작용과 같은 이질적인 패션 데이터 소스를 통합하여 확장성 있고 실시간으로 작동하는 시스템을 구축함으로써, 제3자 검색 엔진에 의존하지 않고도 소매업체가 트렌드를 예측하고 개인화된 쇼핑 경험을 제공할 수 있도록 한다.

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.

연구 동기 및 목표

• 제1자 데이터를 활용하여 패션 소매업체가 제3자 검색 엔진과 소셜 네트워크에 의존하는 것을 줄이기 위해.
• 소셜 미디어, 온라인 쇼핑몰, 언론 자료 등 다양한 소스에서 발생하는 분산되고 비정형적인 패션 데이터의 과제를 해결하기 위해.
• 고급 분석 및 이미지 기반 제품 검색과 같은 최종 사용자 애플리케이션을 지원하는 확장성 있고 실시간인 데이터 통합 플랫폼을 구축하기 위해.
• 판매 및 소셜 미디어 데이터의 시계열 분석을 통해 정확한 패션 트렌드 예측을 가능하게 하기 위해.
• 통합된 엔티티 정규화와 사용자 행동 모델링을 통해 개인화된 제품 추천을 지원하는 시스템을 개발하기 위해.

제안 방법

• 고성능 데이터 관리 및 분석을 최적화하기 위해, 메모리 기반의 열 기반 관계형 데이터베이스 관리 시스템인 MonetDB를 사용한다.
• 패션 텍스트에서 동시 엔티티 및 관계 인식을 위해 LSTMs와 순환 신경망을 포함한 딥러닝 모델을 적용한다.
• 유사한 패션 제품을 이미지에서 정확히 구분하고 엔티티 연결 정확도를 향상시키기 위해 커뮤니티 기반 작업 워크플로우를 통합한다.
• 희소한 판매 및 트렌드 데이터를 처리하기 위해 실시간 클러스터링을 적용한 행렬 분해 기법을 적용한다.
• 장기적인 역사적 데이터에 대해 확장성 있는 선형 런타임 복잡도를 가지는 증분 시계열 예측 알고리즘을 구현한다.
• 사용자가 업로드한 이미지에서 패션 아이템을 추출하고 유통업체 카탈로그에 연결하기 위해 텍스트 및 이미지 처리 파이프라인을 통합한다.

실험 결과

연구 질문

• RQ1 다양한 소스에서 온 이질적인 패션 데이터를 어떻게 효과적으로 통합하여 확장성 있고 일관된 데이터 관리 시스템으로 만들 수 있는가?
• RQ2 시계열 판매 및 소셜 미디어 데이터로부터 정확한 패션 트렌드 예측을 가능하게 하는 기계학습 기법은 무엇인가?
• RQ3 유사한 패션 제품을 정확히 구분하는 커뮤니티 기반 작업과 딥러닝을 활용하여 이미지 기반 제품 검색을 어떻게 향상시킬 수 있는가?
• RQ4 엔티티 정규화는 사용자 생성 콘텐츠를 유통업체의 제품 카탈로그에 연결하여 개인화된 추천을 가능하게 하는 데 어떤 역할을 하는가?
• RQ5 기존의 전통적인 RDBMS나 하둡 기반 시스템에 비해, 메모리 기반 데이터베이스 시스템은 실시간 패션 분석 성능을 어떻게 향상시키는가?

주요 결과

• MonetDB의 메모리 기반, 열 기반 아키텍처와 분석 기능을 통합함으로써 대규모 패션 데이터 워크로드를 효율적으로 처리할 수 있었다.
• 딥러닝 모델, 특히 LSTMs는 패션 관련 텍스트에서 동시 엔티티 및 관계 추출에 뛰어난 성능을 보였다.
• 커뮤니티 기반 작업 워크플로우가 이미지 기반 쿼리에서 유사한 패션 제품의 정규화 정확도를 크게 향상시켰다.
• 제안된 증분 시계열 예측 알고리즘이 선형 런타임 복잡도를 달성하여 장기적인 역사적 데이터에 대해 확장 가능한 성능을 보였다.
• 실시간 클러스터링을 적용한 행렬 분해 기법이 패션 트렌드 예측에서 데이터 희소성 문제를 효과적으로 완화시켰다.
• 종단 간 시스템은 실시간 이미지 기반 제품 검색과 개인화된 추천을 가능하게 하여 외부 플랫폼에 대한 의존도를 감소시켰다.