Hierarchical Fashion Graph Network for Personalized Outfit Recommendation
时尚服装推荐越来越受到在线购物服务和时尚社区的关注。与其他场景（例如，社交网络或内容共享），其推荐单个项目（例如，朋友或图片），服装推荐预测用户对一组匹配良好的时尚物品的偏好。因此，执行高质量的个性化服装推荐应该满足两个要求- 1）时尚物品的良好兼容性和2）与用户偏好的一致性。然而，目前的工作主要集中在一个要求，只考虑用户的服装或服装项目的关系，从而容易导致次优表示和限制的性能。在这项工作中，我们统一两个任务，时尚兼容性建模和个性化服装推荐。为此，我们开发了一个新的框架，层次时尚图网络（HFGN），同时建模用户，物品和服装之间的关系。特别是，我们构建了一个层次结构上的用户服装的相互作用和服装项目映射。然后，我们从最近的图神经网络的启发，并采用这种层次图的嵌入传播，从而聚合项目信息到一个服装表示，然后细化用户的表示通过他/她的历史服装。此外，我们联合训练这两个任务，以优化这些表示。为了证明HFGN的有效性，我们在基准数据集上进行了大量的实验，HFGN比最先进的兼容性匹配模型（如NGNN）和服装匹配模型（如FHN）有了显着的改进。
2020-05-26 cs.IR
Multi-Layer Personalized Federated Learning for Mitigating Biases in Student Predictive Analytics
Elmore Family School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔家族电气与计算机工程学院）；University at Buffalo (SUNY)（纽约州立大学布法罗分校）；University of Florida（佛罗里达大学）；School of Engineering Education, Purdue University（普渡大学工程教育学院）；Manning College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）
提出多层个性化联邦学习（MLPFL），通过元梯度分布式训练全局模型并个性化各学生子群，缓解数据偏差，在知识追踪和结果预测任务中提升平均预测质量并降低子群间方差。
2024-05-28 cs.AI cs.CY cs.LG
Improving Outfit Recommendation with Co-supervision of Fashion Generation
Shandong University（山东大学）；University of Amsterdam（阿姆斯特丹大学）
服装推荐的任务包括两个主要的挑战：视觉理解和视觉匹配。视觉理解的目的是提取有效的视觉特征。视觉匹配旨在模拟人类的兼容性概念，以计算时尚物品之间的匹配。大多数先前的研究仅依赖于推荐损失来指导视觉理解和匹配。尽管这些方法所捕获的特征描述了基本特征（例如，颜色、纹理、形状），它们与输出项的视觉信号（推荐）不直接相关。这是有问题的，因为美学特性（例如，风格，设计），我们可以直接推断输出项的基础上，是缺乏的。特征仅在推荐损失下学习，其中监督信号仅仅是给定的两个项目是否匹配。为了解决这个问题，我们提出了一个神经协同监督学习框架，称为Fashion推荐机（FARM）。FARM提高了视觉理解，通过纳入监督代损失，我们假设能够更好地编码美学信息。FARM通过引入一种新的层到层匹配机制来增强视觉匹配，从而更有效地融合美学信息，同时避免了过于关注生成质量而忽视推荐性能。在两个公开数据集上进行的大量实验表明，FARM在AUC和MRR方面优于最先进的服装推荐模型。通过对生成和推荐项目的详细分析表明，FARM可以编码更好的特征，并生成高质量的图像作为参考，以提高推荐性能。
2019-08-24 cs.CV cs.IR
Adaptive Preference Modeling via Explicit Indirect Relational Learning for Personalized Fashion Matching
The Hong Kong University of Science and Technology（香港科技大学）
针对个性化时尚搭配中稀疏数据下间接关系建模不足的问题，提出APCL框架，通过显式间接关系建模与对比学习，在多模态数据上提升推荐性能，实验验证其优于基线方法。
2026-09-21 cs.IR
Visually-aware Recommendation with Aesthetic Features
视觉信息在人类决策过程中起着至关重要的作用。虽然视觉感知推荐系统的最新发展已经考虑到产品形象，他们都没有考虑美学方面。我们认为，审美因素是非常重要的建模和预测用户的喜好，特别是对一些时尚相关的领域，如服装和珠宝。这项工作解决了视觉感知推荐系统中的审美信息建模的需要。从技术上讲，我们在利用深层美学特征方面做出了三个关键贡献：（1）为了描述产品的美学，我们引入了通过深层美学网络从产品图像中提取的美学特征。我们将这些功能纳入推荐系统中，在审美方面的用户的喜好模型。(2)在服装推荐中，时间对于用户的决策非常重要，因此我们设计了一个新的隐式反馈数据的张量分解模型。然后将美学特征注入到基本张量模型中以捕获美学偏好的时间动态（例如，季节性模式）。(3)我们还使用美学特征来优化内隐反馈数据的学习策略。我们通过考虑视觉空间和图空间中项目之间的相似性来丰富成对训练样本;关键思想是用户可能对相似项目有相似的感知。我们在几个真实世界的数据集上进行了广泛的实验，并证明了美学特征的有用性和我们提出的方法的有效性。
2021-01-16 cs.IR
Personalizing Similar Product Recommendations in Fashion E-commerce
在时尚电子商业平台中，产品发现是良好用户体验的关键组成部分之一。有很多方法可以让人们找到他们想要的产品。类似产品推荐是用户查找与其意图产生共鸣的产品的流行模式之一。一般来说，这些推荐不是针对特定用户的。传统上，基于协同过滤的方法已经在文献中流行，用于在给定查询产品的情况下推荐非个性化产品。此外，已经关注于针对给定用户个性化产品列表。在本文中，我们结合这些方法，使用户将推荐个性化的类似产品。我们在一个大型时尚电子商业平台（Myntra）上的实验结果表明，我们可以通过在相似产品推荐上应用个性化来提高关键指标。
2018-06-29 cs.IR
AI Recommendation System for Enhanced Customer Experience: A Novel Image-to-Text Method
The University of Carthage（迦太基大学）；Higher School of Communications of Tunis（突尼斯高等通信学院）；Qatar University（卡塔尔大学）；KINDI Center for Computing Research（KINDI计算研究中心）
本研究提出一种图像到文本的AI流水线，通过生成风格描述引导时尚产品检索，在超10万张图片数据集上检测F1达0.97，提升个性化推荐与客户体验。
2023-11-16 cs.AI cs.IR
Hybrid-Hierarchical Fashion Graph Attention Network for Compatibility-Oriented and Personalized Outfit Recommendation
Tarbiat Modares University (TMU)（塔比亚特莫达雷斯大学）
针对现有研究独立处理穿搭兼容性和个性化推荐的问题，提出FGAT框架，通过用户-穿搭-商品三层图及图注意力机制联合建模，在POG数据集上多指标优于基线，提升推荐效果。
2025-08-20 cs.IR cs.LG
CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation
The Hong Kong Polytechnic University（香港理工大学）；University of Electronic Science and Technology of China（电子科技大学）；Singapore Management University（新加坡管理大学）；Tongji University（同济大学）；National University of Singapore（新加坡国立大学）
提出CFALR框架，结合协同过滤与大语言模型，通过自然语言描述用户-套装交互并利用CF增强嵌入，解决个性化套装推荐中的数据稀疏和组合空间问题，在Polyvore和IQON数据集上优于传统方法。
2026-06-12 cs.IR cs.MM
Aesthetic-based Clothing Recommendation
Tsinghua University（清华大学）；National University of Singapore（新加坡国立大学）；Emory University（埃默里大学）
近年来，由于服装产品的视觉外观对消费者的决策有着重要的影响，产品形象在服装推荐中越来越受到关注。现有的方法大多依赖于传统的特征来表示图像，如卷积神经网络提取的视觉特征（CNN特征）、尺度不变特征变换算法（SIFT特征）、颜色直方图等，而对其中一类重要的特征--\emph{aesthetic features}却很少考虑。它在服装推荐中起着至关重要的作用，因为用户的决定很大程度上取决于服装是否符合她的审美，而传统的图像特征无法直接描述这一点。为了弥补这一差距，我们建议将与用户偏好高度相关的美学信息引入服装推荐系统。为了实现这一目标，我们首先提出了由预训练的神经网络提取的美学特征，该神经网络是一种针对美学评估任务训练的大脑启发的深层结构。考虑到不同用户和不同时间的审美偏好差异很大，我们提出了一个新的张量分解模型，以个性化的方式将美学特征。我们在真实世界的数据集上进行了广泛的实验，结果表明，我们的方法可以捕捉用户的审美偏好，并显着优于几个国家的最先进的推荐方法。
2018-09-16 cs.IR cs.LG stat.ML
FashionDPO:Fine-tune Fashion Outfit Generation Model using Direct Preference Optimization
针对现有生成式AI时尚穿搭模型缺乏多样性且依赖监督学习的局限，提出FashionDPO框架，通过直接偏好优化和多专家反馈生成模块微调预训练模型，在两个数据集上验证了其在对齐用户偏好与保持穿搭兼容性方面的有效性。
2025-04-17 cs.IR cs.MM
Agentic Personalized Fashion Recommendation in the Age of Generative AI: Challenges, Opportunities, and Evaluation
本文针对传统时尚推荐系统难以适配动态潮流与多元需求的问题，提出智能体多模态细化（AMMR）流水线，结合多模态编码器、智能体LLM规划器与动态检索，推动推荐系统向自适应、生成式、兼顾多方利益的方向升级。
2025-08-04 cs.IR
StePO-Rec: Towards Personalized Outfit Styling Assistant via Knowledge-Guided Multi-Step Reasoning
针对传统推荐系统缺乏透明度、难整合专家知识的问题，构建多粒度知识库PAFA，提出知识引导的多步穿搭推荐方法StePO-Rec，在IQON数据集上显著提升推荐性能，同时增强可解释性与个性化。
2025-04-14 cs.IR cs.MM
Real-time and personalized product recommendations for large e-commerce platforms
University of Pisa - Department of Computer Science H\&M - AI, Analytics \& Data
本文提出一种基于图神经网络和简约学习的方法，为大型电商平台提供实时、准确且可扩展的个性化商品推荐，在真实约束下有效预测购买序列并处理多交互场景。
2025-06-26 cs.AI cs.IR
PAI-BPR: Personalized Outfit Recommendation Scheme with Attribute-wise Interpretability
IIIT Delhi（印度德里信息技术学院）；NII Japan（日本国立信息学研究所）
时尚是人类经验的重要组成部分。面试、会议、婚礼等活动往往以服装风格为基础。时尚产业的兴起及其对社会影响的影响使得服装的兼容性成为一种需求。因此，需要一个服装兼容性模型来帮助人们推荐服装。然而，由于兼容性的高度主观性，有必要考虑个性化。我们的论文设计了一个属性明智的可解释的兼容性计划与个人偏好建模，捕捉用户项目的互动，以及一般的项目项目的互动。我们的工作解决了服装搭配的解释性问题，通过定位时尚项目之间的不协调和和谐的属性。在IQON 3000（一个公开的真实世界数据集）上的大量实验结果验证了该模型的有效性。
2020-08-04 cs.CV cs.IR cs.MM
Dual-Diffusional Generative Fashion Recommendation
Singapore Management University（新加坡国立大学）；Shandong University（山东大学）
本文提出DualFashion，一种联合建模图像和文本模态的双扩散生成式时尚推荐架构，通过结构化属性级描述和视觉装扮信息共同作为条件信号，实现个性化和可解释的推荐，同时引入文本增强微调策略提升生成多样性与跨模态知识迁移能力。
2026-05-17 cs.IR cs.MM
Diffusion Models for Generative Outfit Recommendation
提出生成式穿搭推荐任务GOR及DiFashion模型，通过条件引导的扩散模型并行生成多张个性化、协调且高保真的时尚图像。
2024-05-20 cs.IR
PCGNet: Unifying Shared and Specific Information for Fashion Matching Recommendations
The Hong Kong University of Science and Technology（香港科技大学）
提出PCGNet多目标图学习框架，统一建模时尚搭配中的产品兼容性与用户偏好，利用对比互信息与自监督增强，在基准数据集上全面超越现有方法。
2026-09-15 cs.IR cs.IT math.IT
Modeling Field-level Factor Interactions for Fashion Recommendation
个性化时尚推荐旨在从用户与时尚物品之间的历史交互中探索模式，从而预测未来的模式。由于交互数据的稀疏性和用户对时尚偏好的多样性，这是具有挑战性的。为了解决这一问题，本文研究了服装领域中的色彩、款式、品牌等多因素场，并试图将隐含的用户-物品交互作用细化到场的层次。具体而言，注意力因素场交互图（AFFIG）的方法，提出了模型的用户因素的相互作用和跨领域的因素的相互作用，预测在特定领域的推荐概率。此外，还配备了一个注意力机制，用于聚合每个领域的跨领域因素交互作用。在三个电子商务时尚数据集上进行了大量的实验，实验结果证明了该方法在时尚推荐中的有效性。并通过实验讨论了各因素场对时尚领域推荐的影响。
2022-04-08 cs.IR cs.MM
Integrating Domain Knowledge into Large Language Models for Enhanced Fashion Recommendations
Santa Clara University（圣克拉拉大学）
针对传统时尚推荐方法在分布偏移下失效的问题，提出集成领域知识的时尚大语言模型FLLM，结合自动提示训练与推理阶段检索增强，在准确率、可解释性和少样本能力上优于现有模型。
2025-01-03 cs.AI cs.CL cs.IR
An LSTM-Based Dynamic Customer Model for Fashion Recommendation
Zalando Research（Zalando 研究院）
在线时装销售为个性化推荐提供了一个具有挑战性的用例：商店提供多种尺寸的各种商品。小库存，高回报率，季节性和不断变化的趋势导致所有时间尺度上的持续营业额。顾客往往很少购物，但经常一次购买多件商品。我们报告了欧洲领先的在线时尚平台Zalando的10万频繁购物者的销售数据的回测实验。为了模拟不断变化的客户和商店环境，我们的推荐方法采用了一对神经网络：为了克服冷启动问题，前馈网络在“时尚空间”中生成文章嵌入，作为递归神经网络的输入，递归神经网络根据客户过去的购买顺序为每个客户预测该空间中的风格向量。我们将我们的结果与静态协同过滤方法和流行度排名基线进行比较。
2017-08-24 cs.IR cs.LG
Session-based Complementary Fashion Recommendations
在现代时尚电子商务平台中，客户可以浏览数千到数百万种产品，推荐系统是导航和缩小庞大分类范围的有用工具。在这种情况下，补充推荐服务于用户需要找到可以一起穿的物品。在本文中，我们提出了一个个性化的，基于会话的补充项目推荐算法，CRF-C，量身定制的时尚用例。我们提出了一个采样策略，通过建立训练集，这是有用的，当现有的用户交互数据不能直接使用，由于质量差或可用性。我们提出的方法显示出显着的改进，在准确性方面相比，协同过滤方法，服务于补充项目的建议，我们的客户在实验CF-C的时间。结果显示，在线下订单召回率上升了+8.2%，在一个拥有2800万活跃客户的时尚电子商务平台上进行的在线A/B测试中，购买的产品数量也大幅增加了+3.24%。
2019-08-22 cs.IR
Decoding Style: Efficient Fine-Tuning of LLMs for Image-Guided Outfit Recommendation with Preference
Walmart Global Tech（沃尔玛全球技术部门）
本研究提出一种图像引导的个性化穿搭推荐框架，通过MLLM弥合视觉-文本鸿沟，在Polyvore数据集上高效微调LLM并结合直接偏好机制构建自增强反馈循环，在两项核心任务上性能显著优于基础LLM。
2024-09-18 cs.AI cs.IR cs.LG
Contrastive Learning for Interactive Recommendation in Fashion
推荐系统和搜索在促进在线时尚平台的个性化和易于浏览方面都是不可或缺的。然而，这两个工具往往独立运作，未能结合推荐系统的优势，以准确地捕捉用户的口味与搜索系统的能力，以处理用户的查询。我们提出了一种新的补救办法，这个问题的自动推荐个性化的时尚项目的基础上，用户提供的文本请求。我们提出的模型WhisperLite使用对比学习从自然语言文本中捕获用户意图，提高了时尚产品的推荐质量。WhisperLite将CLIP嵌入的强度与用于个性化的附加神经网络层相结合，并使用基于二进制交叉熵和对比损失的复合损失函数进行训练。该模型在从在线零售时尚商店收集的真实数据集上进行测试时，离线推荐检索指标得到了显着改善，以及在不同电子商务领域广泛使用的开源数据集，如餐馆，电影和电视节目，服装和鞋子评论。我们还进行了一项用户研究，捕捉用户对模型推荐项目的相关性的判断，确认WhisperLite的建议在在线设置中的相关性。
2022-07-25 cs.IR
Explainable Fashion Recommendation: A Semantic Attribute Region Guided Approach
在时尚推荐系统中，每个产品通常由多个语义属性（例如，袖子、衣领等）。当做出布料决定时，人们通常会表现出对不同语义属性的偏好（例如，带V领的衣服）。然而，大多数以前的时尚推荐模型理解的服装图像与一个全局的内容表示和缺乏详细的理解用户的语义偏好，这通常会导致较差的推荐性能。为了弥补这一差距，我们提出了一个新的语义属性解释推荐系统（SAERS）。具体来说，我们首先介绍了一个细粒度的可解释的语义空间。然后，我们开发了一个语义提取网络（SEN）和细粒度的偏好注意（FPA）模块，分别将用户和项目投射到这个空间中。通过SAERS，我们不仅能够为用户提供布料推荐，而且能够以个性化的方式通过直观的视觉属性语义突出来解释我们推荐布料的原因。在真实数据集上进行的大量实验清楚地表明了我们的方法与最先进的方法相比的有效性。
2019-06-27 cs.IR
KiseKloset for Fashion Retrieval and Recommendation
University of Science（胡志明市理科大学）；Vietnam National University（越南国家大学胡志明市分校）；University of Dayton（代顿大学）
本文提出KiseKloset系统，通过相似物品检索和文本反馈引导检索提升时尚推荐效果，结合改进的transformer架构和近似算法优化搜索流程，并引入轻量级虚拟试穿框架提升用户体验。
2026-04-11 cs.CV cs.IR
Outfit Generation and Recommendation -- An Experimental Study
Zalando SE（Zalando SE（扎兰多））
在过去的几年里，与时尚相关的挑战在研究界引起了广泛的关注。服装生成和推荐，即，不同类型的一组项目的组成（例如，上衣、下装、鞋子、配饰）搭配得很好，是最具挑战性的。这是因为物品必须相互兼容，并且个性化以匹配客户的口味。最近，已经有大量的工作针对通过采用来自机器学习文献的各种技术和算法来解决这些问题。然而，到目前为止，还没有广泛的比较不同的算法的性能的服装生成和推荐。在本文中，我们关闭这一差距，提供了广泛的评估和比较各种算法，包括个性化和非个性化的方法，使用在线，真实世界的用户数据从欧洲最大的时尚商店之一。我们介绍了我们对其中一些模型所做的调整，使它们适合个性化服装的生成。此外，我们还为尚未在此任务中进行评估的模型提供了见解，特别是GPT，BERT和Seq-to-Seq LSTM。
2022-11-29 cs.IR cs.LG
Sell It Before You Make It: Revolutionizing E-Commerce with Personalized AI-Generated Items
Antai College of Economics and Management（经济管理学院）；Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
本文提出PerFusion框架，通过个性化AI生成物品提升电子商务的点击率和转化率，同时降低退货率。
2025-12-19 cs.AI cs.CV cs.IR
Computational Technologies for Fashion Recommendation: A Survey
本文从技术视角系统综述时尚推荐研究，梳理其与一般推荐的差异、子任务分类、方法、数据集及局限性，并探讨未来方向及学术研究与产业需求的差距。
2023-10-30 cs.IR cs.MM
False Negative Distillation and Contrastive Learning for Personalized Outfit Recommendation
随着在线时尚产业的快速发展，个性化服装推荐最近成为人们关注的焦点。然而，推荐服装有两个重大挑战需要解决。第一个挑战是，服装推荐通常需要一个复杂而庞大的模型，该模型利用视觉信息，从而产生巨大的内存和时间成本。缓解这个问题的一种自然方法是使用知识蒸馏（KD）技术压缩这样一个繁琐的模型，该技术利用来自预训练教师模型的知识。然而，这是很难应用现有的KD方法在推荐系统（RS）的服装推荐，因为他们需要的所有可能的服装的排名，而服装的数量呈指数增长的数量组成的服装项目。因此，我们提出了一个新的KD框架，用于服装推荐，称为假阴性蒸馏（FND），它利用教师模型的假阴性信息，同时不需要对所有候选人进行排名。第二个挑战是爆炸性的服装候选人数量放大了数据稀疏性问题，通常导致服装表示不佳。为了解决这个问题，对比学习（CL）最近的成功的启发，我们介绍了一个CL框架装备表示学习与两个建议的数据增强方法。在服装推荐数据集上的定量和定性实验证明了所提方法的有效性和可靠性。
2021-10-13 cs.IR
Fashion Image-to-Image Translation for Complementary Item Retrieval
Politecnico Di Bari（巴里理工大学）；University of Klagenfurt（克拉根福大学）
本文提出GeCo模型，通过配对的图像到图像翻译改进时尚图像检索，利用生成对抗网络生成互补物品图像，提升兼容性建模和检索准确性，并在三个数据集上验证了其优越性。
2024-09-24 cs.IR
Tailor: Size Recommendations for High-End Fashion Marketplaces
FARFETCH
针对高端时尚市场，提出整合隐式和显式用户信号的序列分类方法，采用 LSTMs 和 Attention 机制构建模型，显著提升了推荐准确率和用户覆盖率，并验证了实时场景下的低延迟可用性。
2024-01-03 cs.IR cs.LG
Exploration in Interactive Personalized Music Recommendation: A Reinforcement Learning Approach
National University of Singapore（新加坡国立大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
当前的音乐推荐系统通常通过推荐具有最高用户评级的歌曲来以贪婪的方式起作用。然而，贪婪的推荐从长远来看是次优的：它不会主动收集用户偏好的信息，也不会推荐可能感兴趣的新颖歌曲。一个成功的推荐系统必须平衡探索用户偏好和利用这些信息进行推荐的需求。本文提出了一种新的音乐推荐方法，将这种探索-利用权衡公式化为一种称为多臂强盗的强化学习任务。为了学习用户偏好，它使用贝叶斯模型，该模型考虑了音频内容和推荐的新颖性。采用分段线性近似模型和变分推理算法来加快贝叶斯推理。我们的方法的另一个好处是音乐推荐和播放列表生成的单一统一模型。模拟结果和用户研究表明，新方法的强大潜力。
2013-11-06 cs.IR cs.LG cs.MM
Mamba for Scalable and Efficient Personalized Recommendations
Lirio AI Research（Lirio AI研究机构）；Lirio, Inc.（Lirio公司）
提出FT-Mamba模型，用Mamba层替换FT-Transformer中的Transformer层处理表格数据，将计算复杂度降至线性，在三个数据集上实验证明其计算效率更优且推荐性能保持或提升。
2024-09-11 cs.IR cs.LG
Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors
Amazon（亚马逊）；Google Research（谷歌研究院）；Anthropic（Anthropic公司）；Meta AI
本文提出基于概念激活向量（CAV）的推荐框架，用于学习软属性的个性化语义、区分主客观属性，并通过交互式物品批评提升推荐效果。
2023-06-03 cs.AI cs.IR cs.LG
VOGUE: A Multimodal Dataset for Conversational Recommendation in Fashion
University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）
为弥补多模态对话推荐数据集的不足，构建了包含60个人类对话、2100个细粒度标注话语的VOGUE数据集，支持视觉和上下文推理评估，并揭示了多模态大语言模型在偏好推断上的系统性分布误差。
2026-05-28 cs.IR
Reusable Self-Attention-based Recommender System for Fashion
Zalando SE（Zalando SE（扎兰多））
大量关于在推荐系统领域中应用自注意模型的实证研究都是基于标准化数据集上计算的离线评估和度量，而没有深入了解这些模型在现实生活中的表现。此外，他们中的许多人不考虑项目和客户元数据等信息，尽管深度学习分类器只有在包含大量异构类型的特征时才能充分发挥其潜力。此外，通常推荐模型被设计为仅很好地服务于单个用例，这增加了建模复杂性和维护成本，并且可能导致不一致的客户体验。在这项工作中，我们提出了一个可重用的基于注意力的时尚推荐算法（AFRA），利用各种交互类型与不同的时尚实体，如项目（例如，衬衫），服装和影响者，以及他们的异质特征。此外，我们利用时间和上下文信息来解决短期和长期客户偏好。我们展示了它在服装推荐用例上的有效性，特别是：1）个性化排名提要; 2）按风格推荐服装; 3）相似项目推荐和4）由最近的客户行为启发的会话推荐。我们提出了离线和在线实验结果，证明了客户保留和参与的实质性改善。
2022-11-29 cs.IR cs.LG
Enabling Hyper-Personalisation: Automated Ad Creative Generation and Ranking for Fashion e-Commerce
Myntra Designs（Myntra设计公司）；Microsoft（微软）
主页是客户旅程中的第一个接触点，也是许多电子商业公司的主要收入渠道之一。用户的注意力主要通过主页横幅图像（也称为广告/创意）来捕获。所示的横幅及其设计集，影响客户的兴趣，并在优化横幅的点击率中起着关键作用。目前，投入大量和重复的努力来手动创建美观的横幅图像。由于在这个过程中涉及大量的时间和精力，只有一小部分横幅在任何时候都是活的。这减少了创建的横幅的数量以及可以实现的个性化程度。因此，本文提出了一种方法，自动生成创意在大规模在短时间内。生成的各种横幅的可用性有助于提高个性化，因为它们可以迎合更大受众的口味。我们的论文的重点是生成各种各样的网页横幅，可以作为用户级个性化引擎的输入。以下是本文的主要贡献：1）我们介绍并解释了电子商业大规模横幅生成的必要性2）我们介绍了如何利用现有的基于深度学习的检测器，这些检测器可以自动注释图像中所需的对象/标签。3)我们还提出了一个基于遗传算法的方法来生成一个最佳的横幅布局给定的图像内容，输入组件和其他设计约束。4)此外，为了帮助选择正确的横幅，我们设计了一种排名方法并评估了多个模型。我们所有的实验都是在来自印度顶级时尚电子商业参与者之一Myntra（http：//www.example.com）的数据上进行的。www.myntra.com
2019-08-27 cs.CV cs.IR
Structure Aware Incremental Learning with Personalized Imitation Weights for Recommender Systems
针对推荐系统中图神经网络增量训练时统一保留历史信息未考虑用户偏好差异的问题，提出自适应学习个性化模仿权重的训练策略，在多数据集上验证其性能优于现有增量学习技术。
2023-05-02 cs.IR
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
针对现有序列推荐方法忽略全局协同信息的自适应性与个性化的问题，提出图驱动框架APGL4SR，通过自适应全局图自监督学习、个性化相对位置编码及多任务优化提升推荐性能，效果显著优于基线。
2023-11-06 cs.IR cs.LG
Garment Recommendation with Memory Augmented Neural Networks
University of Florence（佛罗伦萨大学）
时尚在社会中发挥着举足轻重的作用。适当地组合服装对于人们传达他们的个性和风格至关重要。此外，不同的活动要求服装要彻底选择，以遵守潜在的社会服装规则。因此，适当地组合服装可能不是微不足道的。时尚行业已经将其转化为一个巨大的收入来源，依靠复杂的推荐系统为客户检索和推荐合适的服装。为了执行更好的推荐，可以考虑用户偏好或购买历史来执行个性化建议。在本文中，我们提出了一个服装推荐系统对不同的服装项目，即上衣和下装，利用记忆增强神经网络（MANN）。通过训练存储器写入控制器，我们能够存储样本的非冗余子集，然后将其用于检索合适底部的排名列表以补充给定顶部。特别是，我们的目标是检索各种形式，其中某一服装可以结合起来。为了改进我们的建议，我们通过矩阵分解包含用户偏好。我们在IQON 3000上进行了实验，这是一个从在线时尚社区收集的数据集，报告了最先进的结果。
2020-12-11 cs.CV cs.IR
Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊公司）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Virginia（弗吉尼亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出统一多模态个性化框架UniMP，利用大型视觉-语言模型融合跨模态用户历史，统一处理推荐、搜索、偏好预测、解释生成和图像生成等任务，并构建新基准验证其优于各任务专用方法。
2024-03-27 cs.AI cs.CL cs.IR
A Crowdsourcing Procedure for the Discovery of Non-Obvious Attributes of Social Image
传统上，对中层图像表示的研究集中在相对明显的属性上，而忽略了非明显的属性，即，当独立于图像的上下文或功能观看图像时，不容易观察到的特征。不明显的属性不一定容易命名，但尽管如此，它们在人们对图像的解释中发挥着系统性的作用。当人们被要求比较图像时，相关的非明显属性（称为解释维度）的集群就会出现，并提供有关社会图像相关方面的重要见解。与图像分析的美学或情感方法相反，非明显属性与观看者的个人视角无关。相反，它们编码了一种对世界的传统理解，这种理解是默认的，而不是明确表达的。本文介绍了一种使用众包发现非明显属性的过程。我们讨论这个过程中使用的一个具体的例子，亚马逊土耳其机械进行的时尚领域的众包任务。通过比较发现的非明显属性与用户标记的分析，证明了我们的程序提供的附加值。
2014-09-06 cs.IR cs.MM
Adaptive spectral graph wavelets for collaborative filtering
Concordia Institute for Information Systems Engineering（康考迪亚信息系统工程研究院）；Concordia University（康考迪亚大学）
针对协同过滤冷启动问题，提出基于自适应传递函数和谱图小波的深度推荐框架，在二部图上端到端学习用户与物品嵌入，并在真实基准上优于强基线。
2023-12-05 cs.IR cs.LG
