FABRIC:一种具有不平衡感知机制的时尚自适应双层表示方法及其课程学习系统
《Expert Systems with Applications》:FABRIC: Fashion Adaptive Bi-level Representation with Imbalance-aware Curriculum learning
【字体:
大
中
小
】
时间:2026年01月14日
来源:Expert Systems with Applications 7.5
编辑推荐:
冷启动时尚推荐系统通过动态平衡集体与个性化知识表示实现高效个性化推荐。FABRIC框架采用三层原型记忆系统、自适应动量优化、增强型Transformer架构和三阶段课程学习策略,在单参考 outfit下仍保持80.65% AUC,显著优于基线方法。
Laila Khalid | Wei Gong
中国科学技术大学计算机科学系,金寨路96号,合肥,230026,安徽,中国
摘要
个性化服装推荐系统在为交互历史有限的用户提供有意义的建议时面临关键挑战。我们提出了FABRIC(具有不平衡感知课程学习的时尚自适应双层表示)框架,该框架通过新颖的架构和训练创新,从最少的用户数据中实现有效的个性化。FABRIC引入了:(1)一个三层原型记忆系统,包括用户特定的、共享的和冷启动的原型,以实现知识的平滑传递;(2)基于自适应动量的原型更新,加速新用户的学习,同时保持现有用户的稳定性;(3)带有U形跳过连接和动态门控机制的增强型变换器模块;以及(4)一个原则性的三阶段课程学习策略,用于管理从集体表示到个性化表示的过渡。
我们的方法实现了91.6%的AUC,并在冷启动场景中表现出特别强的能力,仅使用一件参考服装即可保持80.6%的AUC。通过课程学习和自适应动量,FABRIC在给定10件服装的情况下完全消除了冷启动用户的问题。这些结果证明了结合集体时尚知识与快速个性化能力的效果。
引言
个性化推荐的基础在于有效地建模用户偏好。传统的协同过滤(CF)和早期的深度学习系统基于固定粒度原则运行:用户的偏好要么完全由相似用户的集体行为表示,要么完全由他们的个人历史表示(He, McAuley, 2016; Sarwar, Karypis, Konstan, Riedl, 2001)。这种固定方法在数据丰富的环境中简单而强大,但在时尚电子商务中普遍存在的高度动态和数据稀缺的情景下却受到根本性挑战。
时尚推荐与传统领域有根本不同,因为它具有复杂的视觉特性、微妙的风格语义以及高成本的兼容性预测失败,这导致了大量的产品退货率(National Retail Federation, 2025)。这种复杂性,加上新用户初始数据的极度缺乏,造成了一个关键瓶颈:冷启动问题。现有的固定粒度系统被迫做出一个代价高昂的选择,要么为了稳定性牺牲即时个性化,要么遭受严重的性能下降和用户早期流失。这种适应能力的缺失是电子商务可持续性的一个关键障碍。
这自然引发了一个关于个性化时尚推荐的关键问题:用户的偏好表示应该是固定的(纯粹的集体或纯粹的个体),还是应该根据可用的交互历史和证据进行适应?在本文中,我们介绍了FABRIC(具有不平衡感知课程学习的时尚自适应双层表示)来回答这个问题。
我们提出了自适应知识粒度原则:在数据稀缺的情况下,最佳个性化需要在集体和个体知识表示之间进行动态插值,混合权重由交互量和置信度指标决定。这一原则挑战了先前工作中的固定粒度假设,表明我们表示用户偏好的层次本身应该是自适应的,随着证据的积累而平滑过渡。
FABRIC的核心架构创新是使用三层原型记忆系统,维护用户特定的、共享的和专门的冷启动原型。这种设计提供了一种中间适应路径,使新用户能够从集体时尚知识中受益,同时快速发展个性化表示。这一基础记忆系统得到了集成训练创新的支持,包括利用交互依赖动量(β)的自适应学习动态和三阶段课程(热身、过渡、微调),以确保稳定且快速的个性化。此外,我们通过指数级混合原型影响和选择性参数冻结实现了原则性的冷启动处理,使用户从冷状态平稳过渡到热状态,而不会出现严重的知识退化,解决了稳定性与可塑性之间的困境(Mermillod, Bugaiska, & Bonin, 2013)。我们还使用了一种增强型变换器架构,该架构根据可用数据动态平衡服装的兼容性与用户偏好。
我们的实验表明,这些创新协同工作:FABIC在标准设置中实现了91.60%的AUC,在单件服装参考的情况下实现了80.65%的AUC,超过了之前的基线。此外,当提供足够的数据时(),该框架有效地消除了冷启动问题,并在整个过渡过程中保持了稳定的预测。这种冷启动质量的显著提升直接转化为初始时期用户流失率的降低,验证了自适应知识粒度原则的有效性。
相关工作
相关工作
我们将我们的综述围绕四个关键研究方向进行组织,这些方向为FABIC的设计提供了信息:冷启动处理方法、原型和记忆增强方法、用于推荐的变换器架构以及课程学习。对于每个领域,我们确定了技术的进展,并强调了激发我们贡献的差距。
FABRIC框架
FABIC通过一种根据交互历史动态调整行为的架构来解决个性化时尚推荐的问题。我们方法背后的关键见解是,在数据稀缺的情况下,最佳个性化需要在集体和个体知识表示之间进行动态插值。当用户的交互历史非常少,仅有一件参考服装时,系统必须严重依赖从更广泛的数据中学习到的集体模式。
实验
本节对FABIC进行了多维度的全面评估。我们首先描述了实验设置,包括数据集、基线方法、评估指标和实现细节。然后报告了个性化推荐的主要结果,接着进行了消融研究,分析了每个架构组件的贡献。最后,我们检查了冷启动性能并提供了定性视觉分析。
讨论
本节从学术和实际的角度讨论了我们工作的更广泛影响。
我们的主要贡献在于将冷启动处理形式化为一个渐进的过渡,而不是一个二分类问题。指数级混合机制提供了一种原则性的方法,随着用户数据的积累,从集体表示平滑过渡到个性化表示。虽然是为时尚推荐开发的,但该框架可以推广到任何面临类似问题的领域。
局限性和未来工作
我们当前的评估仅基于精心挑选的Polyvore服装,代表了一个理想化的场景。在真实世界的电子商务或社交媒体环境中部署FABIC模型将需要应对几个重要的实际挑战:
•图像质量和风格差异:真实世界的数据在视觉保真度上具有更大的范围,从专业拍摄的产品照片到低质量的用户上传图像和服装平铺图都有。
•不完整或嘈杂的数据
结论
本文提出了FABIC,这是一个从最少用户数据中实现有效个性化的时尚推荐框架。
冷启动问题对时尚电子商务构成了关键挑战。在线退货率平均为19.3%,预计到2025年零售总退货额将达到8499亿美元(National Retail Federation, 2025),糟糕的推荐成本是巨大的。此外,71%的购物者表示,糟糕的体验使他们不太可能再次购买。
CRediT作者贡献声明
Laila Khalid:概念化、方法论、写作——原始草稿。Wei Gong:监督、资源、项目管理。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号