鄭文靖

(西安工程大學 計算機科學學院，陜西 西安710048)

當前時代下，隨著消費者對個性化穿著以及對服裝尺寸適宜度要求的擴大，服裝定制模式漸漸在國內(nèi)占據(jù)了重要的市場份額。定制化是能夠滿足消費者對個性化追求的重要途徑，在“互聯(lián)網(wǎng)+”時代中，定制行為模式正發(fā)生著重要的變革[1-2]。

隨著消費者需求的擴大，傳統(tǒng)的定制模式可能對于眾多的消費者來說，無法及時滿足所有消費者的需求，因此實現(xiàn)服裝定制推薦是當前服裝定制市場的一種趨勢。針對服裝定制領域，目前國內(nèi)主要聚焦于三維人體建模參與定制，并且多數(shù)強調(diào)的是款式、面料、部件樣式的選擇，忽略了消費者歷史數(shù)據(jù)中有用的信息，因此，目前國內(nèi)外服裝定制推薦領域研究較少。文獻[3]通過交互日志挖掘，采用有限狀態(tài)機技術描述客戶需求的會話交互行為模型，并運用約束滿足理論和多屬性效用理論，開發(fā)了一種基于約束滿足和情感效用的個性化西服定制推薦系統(tǒng);文獻[4]基于Kinect描述了一種人體及服裝重構的方法，由多個Kinect捕獲人體模型，對服裝進行3D建模，將其變形以適合人體，然后應用縫合將這些模式縫合在一起;文獻[5]設計和開發(fā)了基于專家知識的個性化服裝搭配系統(tǒng)，提供了個性化的服裝搭配服務;文獻[6]采用BDEU決策樹算法，構筑了用戶類別偏好模型，向用戶提供了個性化的推薦服務。以上研究對于服裝定制推薦領域的涉及有限，因此，本文致力于研究服裝定制領域中的量體數(shù)據(jù)與服裝版型。

在大數(shù)據(jù)時代下，為方便消費者快速選擇適合自己的定制服裝版型以及面料繡花搭配，通過SV M分類算法對眾多量體數(shù)據(jù)進行挖掘分析，根據(jù)用戶自身的量體數(shù)據(jù)進行計算后推薦給用戶適合的版型，從而根據(jù)版型進一步實現(xiàn)用戶的個性化定制搭配推薦。個性化的定制推薦與傳統(tǒng)的定制選擇相結(jié)合，才能為用戶提供更好的定制服務。

1 量體特征值與版型類型的SV M數(shù)據(jù)模型

1.1 量體數(shù)據(jù)特征參數(shù)集初始化

設量體數(shù)據(jù)為輸入樣本X，以上衣量體數(shù)據(jù)為例，x1、x2、x3、…、xn分別為代表不同部位的量體特征值，如衣長、胸圍、下擺、中腰、肩寬、袖長等部位，輸入n個特征值作為樣本值X(Xi)

建立量體數(shù)據(jù)參數(shù)集X={x1，x2，x3，…，xn}

由于量體特征值之間存在較大差異，如胸圍與肩寬之間的差異。需對量體數(shù)據(jù)集進行歸一化處理，使得參數(shù)空間在各維度分布均勻，模型具有較優(yōu)的迭代速度和分類預測效果。歸一化方法為：

1.2 構造最優(yōu)超平面

以上衣為例，設X={YC，X W，ZY，XB，JK，XC}，YC、X W、ZY、XB、JK、XC分別代表衣長、胸圍、中腰、下擺、肩寬、袖長，設Y=版型分類值，X與Y可表示為：

{(x1，y1)，(x2，y2)，…，(xn，yn)，xt∈Rd，yt∈ {y1，y2，…，yn}}

此關系模式下必然存在n-1個超平面，將這些樣本分別兩兩區(qū)分，最終實現(xiàn)分類效果，超平面可表示為：

式中，w∈Rd為該平面的權值法向量，b∈R為偏置量。

則樣本到超平面的分類間隔為：2/‖w‖，由于原始樣本空間數(shù)據(jù)的線性不可分性，因此，引入懲罰參數(shù)C來調(diào)整支持向量機對已知訓練樣本構建最優(yōu)分類超平面時分類錯誤容忍程度[7]。所以要建立最優(yōu)超平面的問題變成在有約束的條件下求：

1.3 計算最優(yōu)解

為了解決構造最優(yōu)超平面的問題，引入Lagrange函數(shù)[8]：

式中，ai≥0，i=1，2，…，n為拉格朗日乘子，為了求得w和b的最小值，對w和b求偏導數(shù)，并使得它們的偏導數(shù)為零，即：

對于已知訓練樣本 (xi，yi)，求使得L(w，b，a)取得最大值時的ai，將二次規(guī)劃問題轉(zhuǎn)化為相應的對偶問題，根據(jù)Lagrange對偶性原理，將問題中的參數(shù)全部轉(zhuǎn)變?yōu)閮H以Lagrange乘子作為參數(shù)變量的目標式[9-10]：

解得最優(yōu)解a*=(a1*，a2*，…，an*)'。最優(yōu)法向量w和最優(yōu)偏置量b分別為：

根據(jù)最優(yōu)值，從而求得最優(yōu)分類超平面(w*·x)+b*=0，則其對應的最優(yōu)分類函數(shù)為：

為實現(xiàn)樣本空間從線性分劃到非線性分劃的過渡，引入徑向基(RBF)核函數(shù)，將樣本空間從低維映射到高維[11-12]。徑向基核函數(shù)表達式為：

則最優(yōu)分類函數(shù)為

2 基于優(yōu)化Grid Search的SV M分類模型

2.1 Grid Search-SV M原理

懲罰參數(shù)C和核函數(shù)參數(shù)g是影響SV M分類器性能的關鍵參數(shù)[13]，其中C表示模型對誤差的容忍度。C值太大容易導致過擬合的現(xiàn)象，使得測試集的數(shù)據(jù)分類效果不佳;C值太小容易導致欠擬合，模型不能有效捕捉樣本的數(shù)據(jù)特征，泛化能力變差。g是選擇RBF函數(shù)作為kernel后，該函數(shù)自帶的一個參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，g越大，支持向量越少，g值越小，支持向量越多。g值過大過小，表明原始樣本被映射至并不適用的高維空間，無法建立較優(yōu)的分類模型[14-15]。

Grid Search是用在Libsv m中的參數(shù)搜索方法[16]，在C和g組成的二維參數(shù)矩陣中，依次遍歷網(wǎng)格內(nèi)所有的點進行取值，對于取定的C和g利用K-CV方法得到在此組C和g下訓練集驗證分類準確率，最終取使得訓練集驗證分類準確率最高的那組C和g作為最佳參數(shù)。使用Grid Search算法可以得到全局最優(yōu)，且C、g相互獨立，便于并行化進行[17-18]。

基于Grid Search-SV M算法的服裝版型分類識別，具體操作是在MATLAB軟件中利用LIBSV M3.14工具包中的SV Mcg For Class.m函數(shù)，使用meshgrid方法構建網(wǎng)格，尋找最佳C和g參數(shù)，實現(xiàn)用Grid Search優(yōu)化SV M參數(shù)和服裝版型識別，算法如表1所示。

2.2 Grid Search-SV M模型建立

在版型分類預測的過程中，提取量體數(shù)據(jù)特征值，并進行歸一化處理后，引入RBF核函數(shù)，將樣本數(shù)據(jù)映射到高維空間，再進行SV M模型訓練、參數(shù)尋優(yōu)以及模型驗證，整個版型的預測模型如圖1所示。

表1 Grid Search-SV M算法流程

圖1 Grid Search-SV M版型預測模型

(1)選定訓練集與測試集，對數(shù)據(jù)集進行劃分。

(2)樣本數(shù)據(jù)預處理：為了避免各個樣本因子之間量級的差異，減少樣本之間的相互影響，同時保證程序運行收斂加快，需要對樣本因子進行歸一化處理[19-20]，在MATLAB中用map min max函數(shù)實現(xiàn)其歸一化。

式中，x、min(x)、max(x)分別是原始樣本數(shù)據(jù)及其最小值、最大值;min(y)、max(y)分別代表歸一化后樣本的最大值、最小值。

(3)引入徑向基核函數(shù)(RBF)，通過調(diào)整g參數(shù)實現(xiàn)樣本從低維空間到高維空間的映射，從而實現(xiàn)線性可分。

(4)使用二度Grid Search算法進行SV M模型訓練及C&g參數(shù)尋優(yōu)。

粗略搜索階段 定義初始網(wǎng)格，設置大步距，獲得局部最優(yōu)參數(shù)區(qū)間;

精確搜索階段 以最優(yōu)參數(shù)組為搜索中心，設置小步距，不斷擴大搜索范圍，逐步跳出局部最優(yōu)，獲得全局最優(yōu)解，從而實現(xiàn)分類效果最優(yōu)。

3 試驗結(jié)果與分析

(1)試驗數(shù)據(jù)來自于某大型服裝企業(yè)平臺，試驗共采用169組量體數(shù)據(jù)與版型之間的對應數(shù)據(jù)，隨機選取131個樣本作為訓練集，38個樣本作為測試集，見表2。

表2 量體數(shù)據(jù)版型數(shù)據(jù)集(上衣部分示例)

(2)首先設定所要搜索的(C，g)參數(shù)的初始網(wǎng)格搜索范圍及初始步長，其中，C&g的初始網(wǎng)格搜索范圍為[2-10，210]，初始步長為4.5，通過交叉驗證方法獲得局部最優(yōu)參數(shù)組;

(3)在其附近進行小范圍的精確網(wǎng)格搜索，其C的網(wǎng)格搜索范圍為[2-2，24]，g的網(wǎng)格搜索范圍為[2-4，24]，其搜索步長為0.05;

(4)將最終得到的參數(shù)(C，g)重新傳入到支持向量機的和函數(shù)中，建立基于二度網(wǎng)格搜索的支持向量機模型。

試驗結(jié)果如圖2所示。

從試驗結(jié)果看出，將Grid Search-SVM算法運用于服裝版型的預測分類研究中，有良好的分類效果，且將Grid Search網(wǎng)格搜索算法分步搜索，可大大縮短參數(shù)尋優(yōu)時間，本次試驗運行時間為4.47 s，最佳C參數(shù)為36.7，g參數(shù)為1.3，最終試驗的版型分類準確率在90%以上，收斂情況好時可達到100%。

4 結(jié)語

為挖掘量體數(shù)據(jù)與服裝版型的關系，構造出量體數(shù)據(jù)及服裝版型之間的SV M數(shù)據(jù)模型，并通過Matlab進行仿真試驗，使用SV M算法進行模型訓練及模型驗證，實現(xiàn)分類效果，并通過Grid Search二度網(wǎng)格搜索算法進行參數(shù)尋優(yōu)，使準確率達到理想狀態(tài)。量體數(shù)據(jù)及版型的預測研究實現(xiàn)了在服裝定制推薦過程中根據(jù)量體數(shù)據(jù)進行版型推薦的過程，使得服裝定制推薦的過程向前推進，逐步實現(xiàn)服裝定制元素的推薦。針對量體數(shù)據(jù)及版型的研究對服裝定制推薦有重要的理論與實踐意義。

圖2 試驗結(jié)果