鄧康榮 熊茂華
摘要:本文主要研究了基于人臉特征識(shí)別的商品推薦系統(tǒng)的設(shè)計(jì)思路、總體結(jié)構(gòu)、推薦算法的模型設(shè)計(jì);闡明了推薦系統(tǒng)的推薦系統(tǒng)的人臉識(shí)別算法、基于人臉特征識(shí)別的商品推薦系統(tǒng)的實(shí)現(xiàn)等。具體一定的實(shí)用價(jià)值。
關(guān)鍵詞:人臉特征識(shí)別;商品推薦;信息采集;協(xié)同推薦
中圖分類號(hào):TP391.3? ? 文獻(xiàn)標(biāo)志碼:A? ? 文章編號(hào):1007-9416(2020)04-0000-00
近年來(lái),隨著電子商務(wù)迅速發(fā)展與規(guī)模逐漸擴(kuò)大,商品的種類越來(lái)越繁雜,顧客為了網(wǎng)購(gòu)商品需要瀏覽大量與商品無(wú)關(guān)的垃圾虛假信息,消耗大量的精力和時(shí)間才有可能搜索到自己想買的商品,這就是所課的信息過(guò)載造成顧客的流失。為了幫助顧客快速精準(zhǔn)購(gòu)買到滿足個(gè)性所需的商品,商品個(gè)性化推薦系統(tǒng)就應(yīng)運(yùn)而生。個(gè)性化是根據(jù)顧客的興趣愛(ài)好與購(gòu)買行為向精準(zhǔn)地為顧客推薦所感興趣的信息和商品;商品個(gè)性化推薦系統(tǒng)的關(guān)鍵技術(shù)是通過(guò)對(duì)商品海量數(shù)據(jù)進(jìn)行深度學(xué)習(xí)與挖掘,為顧客購(gòu)物提供完全個(gè)性化的決策支持和信息服務(wù)的電子商務(wù)網(wǎng)站,即高級(jí)商務(wù)智能平臺(tái)。目前,大小型商場(chǎng)、娛樂(lè)場(chǎng)、商品交易會(huì)展、休閑場(chǎng)所、公共場(chǎng)所等推出的各式各樣的商品推薦系統(tǒng),其實(shí)就是一般的商品廣告。本文所闡述的是基于人臉特征識(shí)別的商品推薦系統(tǒng),是通過(guò)視頻人臉信息的采集,進(jìn)行人臉特征識(shí)別,實(shí)時(shí)判斷購(gòu)買者年齡大小,性別,個(gè)性愛(ài)好和購(gòu)物時(shí)的心情,并實(shí)時(shí)推薦符合購(gòu)者個(gè)性的商品。系統(tǒng)能依據(jù)購(gòu)物者的面部表情判斷其對(duì)推薦的商品的滿意度,并能及時(shí)調(diào)整推薦商品使其能貼近顧客的個(gè)性愛(ài)好。
1 推薦系統(tǒng)的總體結(jié)構(gòu)
本文的核心技術(shù)是人臉特征識(shí)別系統(tǒng)和商品推薦算法。人臉特征識(shí)別系統(tǒng)采用人工智能芯片RK3399芯片作為核心處理器,由攝像頭進(jìn)行圖像采集,并把跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)(OpenCV)到RK3399開發(fā)板上,通過(guò)調(diào)用百度的AI庫(kù),經(jīng)大量的圖片訓(xùn)練,能夠精準(zhǔn)的判斷人的顧客的性別,年齡大小和購(gòu)物心情。獲取視頻圖像信息的流程是采集視頻圖像信息、圖像預(yù)處理、圖像的邊緣與輪廓提取、特征提取與識(shí)別等;考慮到在復(fù)雜背景下能有效、清晰地獲取人臉視頻信息,采用了多姿態(tài)猴臉檢測(cè)與識(shí)別方法來(lái)實(shí)現(xiàn)多姿態(tài)下的人臉識(shí)別算法。商品推薦算法及推薦方法是用基于風(fēng)格分類和人臉匹配[1-2]。
在多姿態(tài)表情的人臉特征識(shí)別主要是以眼睛和鼻子的特征,包括嘴巴、耳朵、毛發(fā)等觀測(cè)區(qū)域的特征信息;為了使系統(tǒng)有準(zhǔn)確性和健壯性,需考慮環(huán)境因素的影響,如光線、表情、視角等干擾因素。
在獲取人臉信息的數(shù)據(jù)和人臉特征識(shí)別處理后,由商品推薦系統(tǒng)依據(jù)顧客所選擇的商品種類,通過(guò)商品推薦算法進(jìn)行數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)處理、完成商品推薦。推薦系統(tǒng)需考慮3個(gè)基本要素:顧客、商品、推薦方法[3]。本系統(tǒng)以服裝商品為例通過(guò)對(duì)顧客、商品、特征的分析研究出顧客、商品、特征之間的關(guān)系,如圖1所示。
通常,商品特征主要包含2種屬性,即靜態(tài)屬性和動(dòng)態(tài)屬性。靜態(tài)屬性包括:商品的品牌、商品種類、商品貨號(hào)、購(gòu)物者的性別、
尺碼大小、顏色、上架時(shí)間、適應(yīng)季節(jié)等;動(dòng)態(tài)屬性包括:商品數(shù)量和庫(kù)存量、市場(chǎng)價(jià)格和銷售價(jià)格、毛利、曝光數(shù)、瀏覽次數(shù)、加購(gòu)物車次數(shù)等。
為實(shí)現(xiàn)基于人臉特征識(shí)別的商品推薦系統(tǒng),需設(shè)計(jì)一個(gè)較為全面且符合商家需求的推薦系統(tǒng)模型,建立包括人臉基本特征識(shí)別、特征過(guò)濾、風(fēng)格分類、個(gè)性化人臉匹配、綜合處理及動(dòng)態(tài)顯示推薦商品的總體架構(gòu)模型[4],系統(tǒng)的具體的總體架構(gòu)如圖2所示。
其中基本特征匹配模塊主要是用來(lái)通過(guò)人臉視頻特征如顧客年齡,性別,個(gè)性和心情等信息從數(shù)據(jù)庫(kù)中過(guò)濾出滿足顧客需求的商品;風(fēng)格分類模塊主要是來(lái)對(duì)商家商品的風(fēng)格進(jìn)行分類,在系統(tǒng)運(yùn)行初期,該模塊首先會(huì)對(duì)系統(tǒng)數(shù)據(jù)庫(kù)中的各種不同類型的商家商品的照片進(jìn)行圖像風(fēng)格的判斷,并將判斷后得到的結(jié)果存儲(chǔ)到數(shù)據(jù)庫(kù)中的相應(yīng)用商家商品信息中,用于后繼推薦過(guò)程中的風(fēng)格過(guò)濾;個(gè)性化商品匹配則可以匹配出與依據(jù)人臉特征識(shí)別推薦的具有一定需求的客戶;綜合處理模塊則按照顧客的個(gè)性化需求進(jìn)行綜合推薦;交互與推薦模塊主要是用來(lái)與顧客進(jìn)行交互,獲得顧客的個(gè)性化需求并針對(duì)顧客的需求做出相應(yīng)的推薦。
2 推薦系統(tǒng)的推薦算法
2.1 推薦算法的模型設(shè)計(jì)
攝像頭采集人臉圖像信息,通過(guò)人臉特征識(shí)別,判斷顧客的年齡大小,性別,個(gè)性和購(gòu)物時(shí)的心情,推薦相對(duì)應(yīng)的需求產(chǎn)品。然后根據(jù)顧客面部表情判斷顧客對(duì)商品的滿意度,做出相應(yīng)的調(diào)整。推薦系統(tǒng)的模型如圖3所示。
基于人臉特征識(shí)別的商品推薦系統(tǒng)的模型的描述如下:(1)推薦系統(tǒng)通過(guò)顧客行為舉止,建立客戶模型;(2)通過(guò)商品的信息,建立推薦對(duì)象模型;(3)通過(guò)顧客人臉特征識(shí)別判斷購(gòu)買者年齡,性別,個(gè)性愛(ài)好與購(gòu)物時(shí)的心情,再推薦算法的深度學(xué)習(xí)與計(jì)算,能快速找到顧客可能感興趣的推薦對(duì)象,然后推薦給顧客[5]。
2.2 推薦算法
本系統(tǒng)采用基于用戶的協(xié)同過(guò)濾推薦算法,其算法是尋找3個(gè)與本次需推薦商品的顧客個(gè)性相似的用戶,并用這3個(gè)用戶的評(píng)分去預(yù)測(cè)該顧客推薦的商品的評(píng)分[6]。
(1)使用余弦相似性度量如下:
(2)依據(jù)皮爾森的相關(guān)性,定義如下:
在皮爾森的算法中,最近鄰方法用于基于各種相似性度量搜索k個(gè)最近鄰。
(3)其目標(biāo)用戶對(duì)商品的預(yù)測(cè)可用下式表示:
是目標(biāo)用戶m對(duì)商品j的預(yù)測(cè),是用戶m和v之間的相似度,K是與目標(biāo)用戶相似的K個(gè)用戶。
(4)推薦算法的編程流程如圖4所示:
3 推薦系統(tǒng)的人臉識(shí)別與編程
目前人臉識(shí)別技術(shù)主要存在的難點(diǎn)為光照問(wèn)題、遮擋問(wèn)題、表情問(wèn)題、姿態(tài)問(wèn)題和生長(zhǎng)問(wèn)題。本系統(tǒng)的是在正面人臉、正常光照、正常表情的基礎(chǔ)上實(shí)現(xiàn)的,只有小部分的人臉圖像是在小范圍傾斜、有近視眼鏡遮擋的情況下進(jìn)行識(shí)別的。這樣做是為了更好地對(duì)人臉特征識(shí)別算法,判斷購(gòu)買者年齡,性別,個(gè)性和當(dāng)天的心情,推薦相對(duì)應(yīng)的需求產(chǎn)品。
人臉識(shí)別系統(tǒng)可以分為四個(gè)階段:人臉圖像的采集獲取、人臉圖像的預(yù)處理、人臉特征的提取和特征匹配,本文所對(duì)應(yīng)的系統(tǒng)能實(shí)現(xiàn)基于正面、無(wú)光照問(wèn)題、有表情變化和輕微姿態(tài)變化情況下的人臉識(shí)別。速度快、準(zhǔn)確率高,具有一定的研究和應(yīng)用價(jià)值[7]。本系統(tǒng)的特征臉?biāo)惴ㄗR(shí)別率如表1所示。
4 結(jié)語(yǔ)
本系統(tǒng)是基于特征臉?biāo)惴ǖ娜四樧R(shí)別,系統(tǒng)的實(shí)現(xiàn)方法是利用特征臉識(shí)別算法實(shí)現(xiàn)的。采用的人臉圖像數(shù)據(jù)庫(kù)為ESSEX FACES94人臉圖像數(shù)據(jù)庫(kù),特征提取方法為特征臉?biāo)惴?,分類方法采用的是最小距離分類方法。本系統(tǒng)能實(shí)現(xiàn)人臉特征識(shí)別功能,在光照沒(méi)有明顯變化、存在少量遮擋物以及是正面姿態(tài)的情況下,完成人臉圖像的特征識(shí)別。本系統(tǒng)的優(yōu)點(diǎn)是識(shí)別速度快、準(zhǔn)確率高,具有一定的實(shí)際應(yīng)用價(jià)值。
參考文獻(xiàn)
[1] 黃立威,江碧濤,呂守業(yè),等.基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J].計(jì)算機(jī)學(xué)報(bào),2018(7):1619-1647.
[2] 胡勇,朱瑩瑩.特征臉?biāo)惴樧R(shí)別系統(tǒng)[J].金陵科技學(xué)院學(xué)報(bào),2018(6):1-4.
[3] 王俊生,王波,韓慶芝.一種多模態(tài)生物特征融合算法探究[J].智能計(jì)算機(jī)與應(yīng)用,2018(12):87-89.
[4] 孫海威,曹曦文,張?chǎng)侮?,?基于壓縮感知的人臉識(shí)別算法實(shí)現(xiàn)[J].信息技術(shù),2018(3)155-158.
[5] 尹利.Hadoop下的個(gè)性化推薦應(yīng)用研究[D].武漢:湖北大學(xué),2016.
[6] 李歡.新型協(xié)同過(guò)濾推薦算法研究[D].合肥:安徽大學(xué),2017.
[7] 張丹.基于風(fēng)格分類和人臉匹配的服裝模特推薦系統(tǒng)研究與實(shí)現(xiàn)[D].廣州:華南理工大學(xué),2017.
收稿日期:2020-03-13
基金項(xiàng)目:2019年,“攀登計(jì)劃”廣東大學(xué)生科技創(chuàng)新(科技發(fā)明類)培育專項(xiàng),項(xiàng)目名稱:基于人臉特征識(shí)別的商品推薦系統(tǒng),項(xiàng)目編號(hào)(pdjh2019b0976);2018年度廣東省教育科學(xué)“十三五”規(guī)劃課題,課題編號(hào)(2018GXJK361)。
作者簡(jiǎn)介:鄧康榮,男,廣東東莞人,研究方向:計(jì)算機(jī)應(yīng)用、圖像處理、機(jī)電工程方面的研究。
通訊作者:熊茂華(1958—),男,江西南昌人,本科,教授,研究方向:智能控制、物聯(lián)網(wǎng)技術(shù)、嵌入式系統(tǒng)、無(wú)線傳感器網(wǎng)絡(luò)技術(shù)。
Research and Development of Product Recommendation System Based on Face Feature Recognition
DENG Kang-rong,XIONG Mao-hua
(Guangzhou South China Business Vocational College,Guangzhou Guangdong? 511483)
Abstract: This article mainly studies the design ideas, overall structure, and model design of a product recommendation system based on face feature recognition; clarifies the face recognition algorithm of a recommendation system recommendation system, and a product recommendation system based on face feature recognition Implementation. Specific practical value.
Keywords: facial feature recognition; product recommendation; information collection; collaborative recommendation