[论文解读] When relevance is not Enough: Promoting Visual Attractiveness for Fashion E-commerce

Di Wei, Anurag Bhardwaj+3 more|arXiv (Cornell University)|Jun 13, 2014

Consumer Behavior in Brand Consumption and Identification参考文献 26被引用 9

一句话总结

本文提出了一种基于视觉吸引力的重排序模型，用于时尚电商，通过利用图像展示类型（人物、人偶、平铺）提升用户参与度，超越相关性。该方法采用Fisher非中心超几何用户选择模型与基于PMF的吸引力评分，相较于基线rankSVM和随机重排序，显著提升了nDCG性能，证明了人像展示最能有效吸引用户注意力并提升购买意愿。

ABSTRACT

Fashion, and especially apparel, is the fastest-growing category in online shopping. As consumers requires sensory experience especially for apparel goods for which their appearance matters most, images play a key role not only in conveying crucial information that is hard to express in text, but also in affecting consumer's attitude and emotion towards the product. However, research related to e-commerce product image has mostly focused on quality at perceptual level, but not the quality of content, and the way of presenting. This study aims to address the effectiveness of types of image in showcasing fashion apparel in terms of its attractiveness, i.e. the ability to draw consumer's attention, interest, and in return their engagement. We apply advanced vision technique to quantize attractiveness using three common display types in fashion filed, i.e. human model, mannequin, and flat. We perform two-stage study by starting with large scale behavior data from real online market, then moving to well designed user experiment to further deepen our understandings on consumer's reasoning logic behind the action. We propose a Fisher noncentral hypergeometric distribution based user choice model to quantitatively evaluate user's preference. Further, we investigate the potentials to leverage visual impact for a better search that caters to user's preference. A visual attractiveness based re-ranking model that incorporates both presentation efficacy and user preference is proposed. We show quantitative improvement by promoting visual attractiveness into search on top of relevance.

研究动机与目标

• 探究不同图像展示类型（人物、人偶、平铺）对时尚电商中用户注意力与参与度的影响。
• 量化视觉吸引力作为用户偏好与购买意图驱动因素的作用，独立于相关性。
• 开发一种将视觉吸引力与相关性相结合的重排序模型，以提升搜索性能。
• 理解在线时尚购物中用户选择背后的心理与行为动机。
• 为电商零售商提供可操作的洞察，以优化产品展示并提高转化率。

提出的方法

• 本研究采用两阶段方法：首先分析电商平台的大规模行为数据（点击、观看、购买），然后开展受控用户实验以收集偏好推理信息。
• 视觉吸引力通过三点量表量化：人物（真人模特）、人偶、平铺（无模特），并利用先进的视觉技术提取图像特征。
• 提出一种基于Fisher非中心超几何分布的用户选择模型，以定量评估不同展示类型下的用户偏好。
• 训练一种PMF（概率矩阵分解）分类器，以估计每类图像的吸引力评分，结合标签信息与决策得分。
• 开发一种新颖的无监督重排序模型，将吸引力评分与相关性结合，采用学习到的排序函数，并引入一个gamma (Γ) 参数以加权展示效果。
• 最终模型使用rankSVM进行训练，特征向量结合标签数据、分类器得分与sigmoid变换（g(x) = 1/(1+e^x))以归一化输出。

实验结果

研究问题

• RQ1 在时尚电商中，哪种图像展示类型——人物、人偶或平铺——最能有效吸引用户注意力并提升参与度？
• RQ2 与价格和品牌等传统因素相比，视觉吸引力在多大程度上影响用户偏好？
• RQ3 如何利用行为数据与调查数据对用户对视觉展示的偏好进行建模与量化？
• RQ4 是否能够通过整合视觉吸引力的重排序模型，使搜索性能超越仅依赖相关性的方法？
• RQ5 展示效果对在线时尚购物中用户参与度与购买意图的影响如何？

主要发现

• 真人模特展示（人物）在吸引用户注意力与提升参与度方面最为有效，显著优于人偶与平铺展示。
• 视觉吸引力对用户决策具有可测量且显著的影响，甚至在某些情况下超越价格与品牌的影响。
• 所提出的无监督重排序模型在nDCG性能上优于基线rankSVM与随机分配，且具有统计显著性提升。
• 基于PMF的吸引力评分模型有效捕捉了用户偏好，最佳结果来自结合标签与分类器决策得分的特征向量。
• nDCG@K评估显示，所有测试的top-k位置均表现出一致改进，证实了重排序方法的稳健性。
• 该框架可推广至其他以视觉为核心的产品类别，其中图像展示显著影响用户行为。