Создание системы рекомендаций на основе визуального сходства
Пролистывание Pinterest в поисках эстетики для повседневной жизни или просмотр нового наряда в Zara, Aritzia или Shein для вашего следующего свидания или вечеринки для девочек действительно звучит знакомо многим из нас, девушек, и не только, поскольку мы все определенно тратим столько времени на этих веб-сайтах, сколько изображений похожих предметов появляется на наших экранах. Главный виновник таких трудоемких действий — расстояние между векторами. Да, вы не ослышались, именно математические векторы определяют, как мы проводим следующие несколько часов наших выходных по вечерам на разных веб-сайтах.
Основные принципы, лежащие в основе систем рекомендаций по моде, установлены в инструментах технологии обратного поиска изображений, которые в основном используют архитектуру ResNET50, извлеченную из библиотек TensorFlow-Keras.
В нашем примере допустим, что мы загрузили набор данных из 6000 изображений из Kaggle. После этого мы можем передать изображение в архитектуру ResNET, которая создает 2048 функций для каждого изображения, где каждое изображение имеет соответствующее имя файла.
Как было сказано выше, в результате обработки изображения в сети RESNet50 2048 признаков одного изображения будут представлены в виде единого вектора, который будет сравниваться с другими 5999 изображениями в файле Pickle. Другими словами, при извлечении имен файлов каждого вектора признаков будет вычисляться расстояние между входными (Xu) и 5999 векторами (w1, w2, w3), как показано на изображении выше, таким образом давая 5 ближайших векторов признаков и рекомендуя их. пользователю на экране.
Ниже показано, как работает мой проект электронной коммерции Fashion Outfit Recommender.
