[论文解读] Deep Style Match for Complementary Recommendation

Kui Zhao, Hu Xia+2 more|arXiv (Cornell University)|Aug 26, 2017

Color perception and design被引用 10

一句话总结

本文提出 Deep Style Match，一种孪生卷积神经网络模型，仅通过标题描述即可学习物品之间的风格兼容性，将基于词语的输入映射到嵌入式风格空间，无需人工特征工程。通过使用被标记为兼容或不兼容的成对物品标题进行训练，实现准确的兼容性预测。

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.

研究动机与目标

• 基于物品的文本描述，建模类人人风格兼容性。
• 解决自动判断两个物品（例如，衬衫和牛仔裤）是否搭配得当的挑战。
• 通过利用产品标题中的自然语言，消除对昂贵且耗时的人工特征工程的需求。
• 学习一个共享嵌入空间，使得兼容的物品对在该空间中比不兼容的物品对更接近。

提出的方法

• 设计一种孪生卷积神经网络架构，用于处理成对的产品标题描述。
• 将成对的物品标题（无论是兼容还是不兼容）输入网络，以学习风格兼容性的表征。
• 将原始文本空间中的符号化词语输入映射到学习得到的嵌入式风格空间。
• 使用对比损失进行模型训练，使兼容对在嵌入空间中更接近，不兼容对更远离。
• 仅使用原始文本并进行最少的预处理，避免劳动密集型的特征工程。
• 利用关键风格属性嵌入在产品标题描述中的假设。

实验结果

研究问题

• RQ1 仅从物品的标题描述中，能否有效学习其风格兼容性？
• RQ2 孪生卷积神经网络模型在无显式属性标注的情况下，预测兼容性的泛化能力如何？
• RQ3 模型性能在多大程度上依赖于产品标题中文本描述的质量？
• RQ4 模型能否在无需人工特征工程的情况下捕捉类人人风格兼容性判断？

主要发现

• 该模型仅从标题描述中成功学习了风格兼容性，在兼容性预测任务中实现了高准确率。
• 孪生卷积神经网络架构能有效将基于词语的输入映射到有意义的嵌入式风格空间。
• 该方法消除了时尚推荐中昂贵且耗时的特征工程需求。
• 模型在成对标题分类任务中表现出色，表明其具备捕捉细微风格关系的能力。