如何使用深度学习模型构建推荐系统？（具体案例分析）

全文共3095字，预计学习时长9分钟

来源：Pexels

本文将解释如何整合深度学习模型,构建服装推荐系统。

我们想要建立一个服装推荐系统，可以使用四种深度学习模型来获取用户服装使用的重要特征。

 

推荐系统可分为4类：

 

• 基于产品特性的推荐

• 基于其他用户对产品的行为的推荐

• 基于用户一般特征的推荐

• 基于上述多项标准的推荐

 

来源：Pexels

在案例中，我们将根据用户和产品特性提出建议。计入考虑的用户特征是性别、年龄和体重指数（BMI）。计入考虑的产品特征是用户所穿的衣服类型。因此，我们需要一张用户的照片，对所有特征进行预测，推荐相应的服装。

 

将从用户的全身图像中获得服装特征。

 

使用名为AlphaPose的人体姿态估计系统来确定用户是否完整。AlphaPose检测一个人的19个点。如果检测到至少17个点，就认定是完整人形。

 

图1： AlphaPose估计系统

 

我们重新训练了网上最知名的其中一种分类器——YOLO v3。YOLO同时也是最精确的图像分类器之一。用于训练的数据集是一组巨大的 MMLAB 数据集，DeepFashion。

 

使用的另一个模型是 Dlib，get_frontal_face_detector()函数。此模型由 5 个 HOG 筛选器构建。模型检测前视图面和侧视图面。之所以选择该模型是因为它速度快且精确。在检测年龄和性别时，我们根据数据科学的文章，使用 openCV 和卷积神经网络对年龄和性别进行分类。

 

基于一篇名为《利用Keras和转移学习从人脸图像中估计身体质量指数》（Estimating Body Mass Index from face images using Keras andtransfer learning）的文章对IMC进行估计。