Recommender systems for fashion outfits
Doporučovací systémy pro doménu módy
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/120977Identifikátory
SIS: 220078
Kolekce
- Kvalifikační práce [10690]
Autor
Vedoucí práce
Oponent práce
Skopal, Tomáš
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Obecná informatika
Katedra / ústav / klinika
Katedra softwarového inženýrství
Datum obhajoby
14. 9. 2020
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
doporučovací systémy, móda, outfitKlíčová slova (anglicky)
recommender systems, fashion, outfitDoporučování módních outfitů má za cíl nabídnout uživateli módní produkty, které vizuální ladí s již vybranými částmi outfitu. Tradiční doporučovací systémy jsou založeny především na podobnostech mezi uživateli či položkami. Tento přístup však není pro do- poručování ladících produktů dostatečný. Doporučovací systémy v módní doméně se tak snaží využívat technik strojového učení, aby se naučily rozeznávat vztahy mezi módními prvky. V této práci zkoumáme možnost adaptovat aktuální postupy z oblasti zpracování přirozeného jazyka pro doporučování módních outfitů. Navrhujeme novou metodu, která je založena architektuře modelu Transformer. Naši metodu testujeme na standardních datových sadách a ukazujeme, že náš model je schopný rozeznat některé vztahy mezi produkty. V porovnání s nejlepšími metodami v této oblasti ovšem náš přístup zaostává. 1
Outfit recommendation is a task of suggesting fashion products that complement a given set of garments. Traditional recommender systems rely primarily on similarities between items or users; however, that is not sufficient for a recommendation of comple- mentary products. Thus, outfit recommendation systems use machine learning techniques to learn more subtle relations between items. In this thesis, we explore the possibility of employing recent natural language processing approaches in outfit recommendation. We propose a novel architecture based on the Transformer, and we evaluate the model on standard datasets. We show that our approach is capable of learning some relations between items. However, its performance does not exceed the state-of-the-art models. 1