[论文解读] 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 5

一句话总结

FashionBrain 项目提出了一种集成式数据管理与分析平台，结合内存数据库、深度学习和众包技术，实现基于图像的产品搜索与时尚趋势预测。通过将社交媒体、零售商目录和用户交互等异构时尚数据源统一到一个可扩展的实时系统中，该框架提升了零售商预测趋势和提供个性化购物体验的能力，且无需依赖第三方搜索引擎。

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.

研究动机与目标

• 通过利用第一方数据，减少时尚零售商对第三方搜索引擎和社交网络的依赖。
• 解决来自社交媒体、在线商店和媒体等多源的碎片化、非结构化时尚数据的挑战。
• 构建一个可扩展的实时数据集成平台，支持高级分析及图像搜索等终端用户应用。
• 通过销售数据与社交媒体数据的时间序列分析，实现准确的时尚趋势预测。
• 开发一个系统，通过集成实体消歧与用户行为建模，支持个性化产品推荐。

提出的方法

• 利用 MonetDB（一种内存列式关系型数据库管理系统）优化高性能数据管理与分析。
• 采用深度学习模型，包括 LSTMs 和循环神经网络，实现时尚文本中联合实体与关系识别。
• 整合众包工作流，以区分图像中相似时尚商品，提升实体链接的准确性。
• 应用在线聚类的矩阵分解方法，以处理稀疏的销售与趋势数据。
• 实现具有线性时间复杂度的增量时间序列预测算法，以支持长期历史数据的可扩展性。
• 结合文本与图像处理管道，从用户上传的图像中提取时尚商品，并将其链接至零售商目录。

实验结果

研究问题

• RQ1 如何将来自不同来源的异构时尚数据有效整合到统一、可扩展的数据管理平台中？
• RQ2 哪些机器学习技术能够实现从时间序列销售与社交媒体数据中准确预测时尚趋势？
• RQ3 如何利用深度学习与众包方式对相似时尚商品进行消歧，以增强基于图像的产品搜索？
• RQ4 实体消歧在将用户生成内容链接至零售商产品目录以实现个性化推荐中起到什么作用？
• RQ5 内存数据库系统相较于传统 RDBMS 或基于 Hadoop 的系统，如何提升实时时尚分析的性能？

主要发现

• MonetDB 的内存列式架构与分析原语的结合，实现了对大规模时尚数据工作负载的高效处理。
• 深度学习模型，特别是 LSTMs，在从时尚相关文本中进行联合实体与关系抽取方面表现出色。
• 众包工作流显著提升了图像查询中相似时尚商品的消歧能力。
• 所提出的增量时间序列预测算法实现了线性时间复杂度，使其在长期历史数据上具备可扩展性。
• 结合在线聚类的矩阵分解方法，有效缓解了时尚趋势预测中的数据稀疏性问题。
• 端到端系统实现了实时基于图像的产品搜索与个性化推荐，显著降低了对外部平台的依赖。