A Tale of Color Variants: Representation and Self-Supervised Learning in Fashion E-Commerce
Data Sciences-Image Sciences, Myntra(Myntra 数据科学-图像科学部)
在本文中,我们解决了时尚电子商业中的一个关键问题(关于客户体验以及收入):颜色变体识别,即,识别与其设计(或风格)完全匹配的时尚产品,但只是颜色不同。我们提出了一个通用的框架,利用深度视觉表示学习的核心,以解决我们的时尚电子商业平台的这个问题。我们的框架可以用手动获得的三元组形式的监督信号进行训练。然而,在捕捉所有困难的角落案例的同时,为时尚电子商业平台(如我们的平台)中通常存在的整个庞大数据集合获得手动注释是不可行的。但是,有趣的是,我们观察到时尚电子商业中的这个关键问题也可以通过简单的基于颜色抖动的图像增强来解决,最近在对比自监督学习(SSL)文献中变得广泛流行,该文献旨在学习视觉表示而不使用手动标签。这自然会在我们的脑海中产生一个问题:我们能否在我们的用例中利用SSL,并且仍然获得与我们的监督框架相当的性能?答案是肯定的!因为,颜色变化的时尚对象只不过是不同颜色的风格的表现,并且被训练为对颜色不变的模型(有或没有监督)应该能够识别这一点!这就是本文在定性和定量方面进一步证明的,同时评估了几种最先进的SSL技术,并提出了一种新的方法。
2021-12-06 cs.AI cs.CV cs.LG
Color Variants Identification in Fashion e-commerce via Contrastive Self-Supervised Representation Learning
Myntra
在本文中,我们利用深度视觉表示学习来解决时尚电子商业中的一个重要问题:颜色变体识别,即,识别与其设计(或风格)完全匹配的时尚产品,但只是颜色不同。首先,我们试图通过获得手动注释(描述两个产品是否是颜色变体)来解决这个问题,并训练一个基于监督三重丢失的神经网络模型来学习时尚产品的表示。然而,对于大规模的真实世界的工业数据集,如我们的论文中所述,这是不可行的,以获得整个数据集的注释,同时捕捉所有困难的角落的情况。有趣的是,我们观察到颜色变体本质上是基于颜色抖动的增强的表现。因此,我们转而探索自监督学习(SSL)来解决这个问题。我们观察到,现有的国家的最先进的SSL方法执行差,为我们的问题。为了解决这个问题,我们提出了一种新的SSL基于颜色变量模型,同时侧重于不同的服装部分。定量和定性评估表明,我们的方法优于现有的SSL方法,有时,监督模型。
2021-06-30 cs.CV cs.LG
Price Optimization in Fashion E-commerce
Myntra Designs
随着时尚电子商业行业的快速增长,为平台上的所有产品设定最佳价格点对电子商务平台来说变得极具挑战性。通过建立最佳价格点,他们可以最大限度地提高平台的整体收入和利润。在本文中,我们提出了一种新的机器学习和优化技术,以找到最佳的价格点,在个别产品的水平。它包括三个主要组成部分。首先,我们使用一个需求预测模型来预测每种产品在一定折扣率下的第二天需求。接着,我们利用需求价格弹性的概念,通过改变折扣百分比来得到多个需求值。因此,我们为每个产品获得多个价格需求对,我们必须为直播平台选择其中一个。典型的时尚电子商业有数百万种产品,所以可以有许多排列。每个排列将为所有产品分配一个唯一的价格点,这将导致一个唯一的收入数字。为了选择最佳的置换,使最大的收入,线性规划优化技术。我们已经在实际生产环境中部署了上述方法,并进行了多次AB测试。根据AB测试结果,我们的模型是提高收入1%,毛利率0.81%。
2020-08-24 cs.LG stat.ML
A Deep Learning System for Predicting Size and Fit in Fashion E-Commerce
Zalando Research(Zalando研究院);Shopify;Zalando SE;OLX Berlin(OLX柏林)
个性化的尺码和合身推荐对于任何时尚电子商业平台都具有至关重要的意义。预测正确的配合可以提高客户满意度,并通过降低因尺寸相关退货而产生的成本来使业务受益。传统的协同过滤算法寻求根据客户之前的订单来建模客户偏好。这种方法的一个典型挑战来自于客户订单的极度稀疏。为了缓解这个问题,我们提出了一个基于深度学习的内容协作方法,用于个性化的尺寸和适合的推荐。我们提出的方法可以摄取任意的客户和文章数据,并可以在单个帐户后面对多个人或意图进行建模。该方法优化了一组全局参数,以学习人口级别的抽象的大小和适合相关信息,从观察到的客户物品的相互作用。它进一步采用客户和产品特定的嵌入变量来学习它们的属性。与学习的实体嵌入一起,该方法将额外的客户和物品属性映射到潜在空间中以获得个性化推荐。我们的方法应用到两个公开的数据集证明了对最先进的已发表结果的改进。在两个专有数据集上,一个包含来自时尚专家的合身反馈,另一个涉及客户购买,我们的表现进一步优于可比方法,包括最近的贝叶斯尺码推荐方法。
2019-07-23 cs.LG stat.ML
UNICON: A unified framework for behavior-based consumer segmentation in e-commerce
Zalando SE(Zalando SE(扎兰多))
本文提出统一深度学习框架UNICON,利用消费者行为数据学习长期潜在表示,同时支持相似人群扩展与数据驱动细分,并验证其在时尚电商混合推荐中改善消费者体验的有效性。
2023-09-18 cs.IR cs.LG
Sequential LLM Framework for Fashion Recommendation
Washington University in St. Louis(圣路易斯华盛顿大学);Amazon(亚马逊公司);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
提出一种序列时尚推荐框架,利用预训练LLM结合推荐特定提示、参数高效微调和基于混合的检索技术,显著提升了时尚推荐性能。
2024-10-15 cs.AI cs.CL cs.IR
Fashion Outfit Generation for E-commerce
将衣服组合成一套服装是时装零售业的一项主要任务。推荐与特定种子项目兼容的项目集对于向用户提供指导和灵感是有用的,但是目前是需要专业造型师的手动过程,因此不可扩展或不容易个性化。我们使用一个多层神经网络喂养的视觉和文本特征,学习嵌入的项目在一个潜在的风格空间,使兼容的项目不同类型的嵌入彼此接近。我们使用ASOS服装数据集来训练我们的模型,该数据集由专业造型师创建的大量服装组成,我们将其发布给研究社区。我们的模型在离线服装兼容性预测任务中表现出很强的性能。我们使用我们的模型来生成服装,并首次在该领域进行AB测试,将我们生成的服装与匹配适当产品类型但不使用风格信息的基线模型生成的服装进行比较。对于女装和男装,用户对我们模型生成的服装的认可率分别比基准模型生成的服装高出21%和34%。
2019-03-18 cs.CV cs.LG stat.ML
Product Characterisation towards Personalisation: Learning Attributes from Unstructured Data to Recommend Fashion Products
ISR, IST, Universidade de Lisboa(里斯本大学系统与机器人研究所、高等理工学院)
在本文中,我们描述了一种解决方案,以解决电子商务中的一系列常见挑战,这些挑战来自于新产品不断被添加到目录中的事实。这些挑战涉及适当地个性化客户体验,预测需求和规划产品范围。我们认为,解决所有这些问题的基础是拥有关于每个产品的一致和详细的信息,这些信息很少提供或一致,因为供应商和产品类型众多。我们详细描述了在ASOS,世界上最大的时尚电子商务零售商之一,以解决这个问题的架构和方法。然后,我们将展示如何利用这种定量的产品的理解,以提高建议的混合推荐系统的方法。
2018-03-20 cs.CL cs.CV cs.IR
Automated Fashion Size Normalization
准确预测时尚商品的合身程度并推荐正确尺寸的能力是减少电子商务中商品退货的关键。合身预测的一个关键前提是尺寸标准化,即将不同品牌的产品尺寸映射到一个可以比较尺寸的公共空间。目前,尺寸标准化通常是一个耗时的手动过程。我们提出了一种方法,通过使用salesdata自动化大小规范化。从我们的自动化方法生成的大小映射与人工生成的映射相当。
2019-08-27 cs.IR cs.LG stat.ML
PAE: LLM-based Product Attribute Extraction for E-Commerce Fashion Trends
Walmart Global Technology(沃尔玛全球技术部门)
针对电子商务时尚趋势报告中的产品属性提取问题,提出PAE框架,利用多模态信息从PDF中提取属性,并通过BERT匹配目录,平均F1达92.5%。
2024-05-27 cs.AI cs.CV cs.LG
SnapMode: An Intelligent and Distributed Large-Scale Fashion Image Retrieval Platform Based On Big Data and Deep Generative Adversarial Network Technologies
University of Alzahra(阿尔扎拉大学)
时尚现在是世界上最大的产业之一,因为它代表了人类历史,并有助于讲述世界的故事。随着第四次工业革命的兴起,互联网已经成为越来越重要的时尚信息来源。然而,随着越来越多的网页和社交数据,人类几乎不可能手动跟上该领域的持续发展和不断变化的内容。妥善管理和利用大数据可以为全球经济的大幅增长和公民满意度铺平道路。因此,计算机科学家发现,通过使用大数据和机器学习技术来处理电子商务时尚网站是一项挑战。本文首先提出了一种基于分布式计算平台的可扩展的聚焦式Web爬虫引擎,用于电子商务网站上的时尚数据的提取和处理。然后描述了所提出的平台的作用,通过采用深度卷积生成对抗网络(DCGAN)进行基于内容的图像索引和检索来开发一种解纠缠的特征提取方法。最后,国家的最先进的解决方案进行了比较,所提出的方法的结果进行了分析的标准数据集。为了实现所提出的解决方案,在Apache Storm、Kafka、Solr和Milvus平台上开发了一个基于Web的应用程序,以创建一个名为SnapMode的时尚搜索引擎。
2022-04-08 cs.AI cs.CV cs.DC
Convolutional Neural Networks and Vision Transformers for Fashion MNIST Classification: A Literature Review
ReGIM-Lab. REsearch Groups in Intelligent Machines(ReGIM-Lab 智能机器研究组)
本文综述比较了CNNs与ViTs在Fashion MNIST服装分类中的性能,指出结合两者局部模式识别与全局上下文优势是提升电子商务图像分类的有效策略。
2024-06-05 cs.CV cs.LG
PreSizE: Predicting Size in E-Commerce using Transformers
eBay Research(eBay研究院)
电子商业时尚行业的最新进展已经导致了对经由改进的个性化来增强买家体验的新颖方式的探索。预测一个项目的适当大小推荐是一个重要的个性化挑战,并正在研究这项工作。该领域的早期工作要么集中于对明确的买方装修反馈进行建模,要么只对问题的单个方面进行建模(例如,具体类别、品牌等)。最近的研究提出了更丰富的模型,无论是基于内容的还是基于序列的,更好地考虑了问题的基于内容的方面,或者更好地建模了买家的在线旅程。然而,这两种方法在某些情况下都失败了:遇到未见过的项目(基于序列的模型)或遇到新用户(基于内容的模型)时。为了解决上述差距,我们提出了PreSizE -一种新的深度学习框架,它利用Transformers进行准确的大小预测。PreSizE模型的影响,这两个基于内容的属性,如品牌和类别,以及买家的购买历史对她的大小偏好。使用一个大规模的电子商业数据集上的一组广泛的实验,我们证明了PreSizE是能够实现优越的预测性能相比,以前的国家的最先进的基线。通过对物品属性进行编码,PreSizE可以更好地处理带有未见过物品的冷启动情况,以及买家几乎没有过去购买数据的情况。作为概念证明,我们证明了PreSizE的大小预测可以有效地集成到现有的生产推荐系统中,产生非常有效的功能,并显着提高建议。
2021-05-04 cs.AI cs.IR cs.LG
A Hierarchical Bayesian Model for Size Recommendation in Fashion
Zalando SE(Zalando股份公司);Zalando Research(Zalando研究院)
我们引入了层次贝叶斯方法来解决具有挑战性的问题,在电子商务时尚的大小推荐。我们的方法联合模型的大小由客户购买,其可能的返回事件:1。不归路2.返回太小3.回来太大了。这些事件是根据每个事件的联合概率参数化的多项分布绘制的,该分布是根据结合先验的层次结构构建的。这样的模型使我们能够将扩展的领域专业知识和文章特征作为先验知识,这反过来又使潜在的参数能够由于足够的数据而出现。实验上的真实(匿名)数据,从数百万的客户,以及详细讨论这种方法的效率在一个大规模的生产系统。
2019-08-02 cs.LG stat.ML
Anomaly Detection for an E-commerce Pricing System
Walmart Labs(沃尔玛实验室)
与实体店相比,在线零售商执行大量的价格更新。即使是一些错误定价的项目也会对业务产生重大影响,并导致客户信任的丧失。以自动实时方式早期检测异常是这种定价系统的重要组成部分。在本文中,我们描述了无监督和监督的异常检测方法,我们开发和部署的大型在线定价系统在沃尔玛。我们的系统可以检测批量和实时流媒体设置中的异常情况,并根据优先级和业务影响对标记的项目进行审查和操作。我们发现,拥有正确的架构设计对于促进大规模模型性能至关重要,而业务影响和速度是影响大规模系统生产环境中模型选择、参数选择和优先级排序的重要因素。我们使用真实世界的零售数据对测试集上各种方法的性能进行了分析,并将我们的方法全面部署到生产中。我们发现,我们的方法能够以高精度检测到最重要的异常。
2019-06-01 cs.LG stat.ML
Mobile Fitting Room: On-device Virtual Try-on via Diffusion Models
Georgia Tech(佐治亚理工学院)
针对时尚电商虚拟试穿在移动端与隐私上的挑战,本文提出首个设备端扩散模型虚拟试穿系统,通过新颖技术流程与界面设计实现隐私保护与用户定制。
2024-02-02 cs.AI cs.HC cs.LG