一种基于混合知识的推荐系统，该系统通过建模时装设计语义来驱动其运作

个性化时尚设计推荐需准确推理复杂语义关系，现有知识图谱方法存在长程依赖捕捉不足、细粒度语义相似度缺失问题。本文提出KGNBF框架，通过GloVe语义嵌入捕获全球设计元素关联，结合Neural Bellman-Ford网络实现多跳推理，并引入LCS与类内语义聚合的混合相似度度量填补知识图谱缺失链接。实验表明在3.2万条时尚产品数据集上推荐准确率提升5%，用户满意度达4.29/5，接受率80.19%。

　　

杨宇来|曾先一|洪燕|戴晓群

摘要

个性化时尚设计推荐需要对连接时尚属性、情感风格和用户偏好的复杂语义关系进行准确的推理。现有的基于知识图谱的方法可以提供结构化的表示，但往往难以捕捉长距离的关系依赖性和时尚概念之间的微妙语义相似性，导致推理路径不完整或存在噪声。为了解决这些问题，我们提出了一个具有语义感知能力的时尚推荐框架（KGNBF），该框架将全局语义表示与基于图谱的多跳推理相结合。具体来说，使用从GloVe获得的全局语义嵌入来编码时尚属性和情感风格之间的潜在关系，而神经贝尔曼-福特网络（NBFNet）则在时尚知识图谱上执行多跳关系推理。为了进一步提高图谱的完整性和鲁棒性，我们引入了一种混合相似性度量方法，该方法结合了最长公共子序列（LCS）分析和类内语义聚合来推断设计元素和情感风格标签之间的缺失链接。该框架已在包含超过30,000件时尚产品的大型、动态演变的时尚知识库上进行了评估。实验结果表明，与静态基于图谱的基线相比，推荐准确率提高了约5%。此外，用户调查显示平均满意度为4.29分（满分5分），接受率为80.19%，这证实了该框架能够生成准确、可解释且符合用户需求的时尚设计推荐。

引言

个性化产品推荐已成为数字时尚产业的重要组成部分，其目标是将消费者与符合他们细致审美偏好和情感需求的商品匹配起来[1]。传统方法主要依赖于协同过滤或内容匹配。例如，研究利用用户数据挖掘进行个性化推荐[2]，进行特征处理和偏好建模[3]，以及利用模糊逻辑的感性工程来量化特定领域（如颜色选择）的情感需求[4]。还提出了一种基于主题学习和联合特征的智能对象推荐方法，该方法从与对象相关的文本中挖掘主题信息，并结合对象-对象关系信息[5]。尽管这些系统显著推动了该领域的发展，但传统的推荐系统通常存在局限性：产品风格的描述不够清晰，风格关联的量化不足，对复杂消费者需求（如情感体验、风格氛围）的理解不够深入，或者难以捕捉动态的偏好变化[6]。这导致了用户意图与商品表示之间的持续语义差距，最终限制了时尚领域的推荐精度和个性化程度。

知识图谱（KG）通过提供结构化的语义和推理能力，在弥合这一差距方面发挥着关键作用。将KG集成到推荐系统中具有多种优势，包括对产品属性之间隐含关联的建模以及提供可解释的建议。然而，构建一个有效的面向时尚的KG面临着独特且艰巨的挑战。具体而言，将时尚设计元素映射到多种情感标签的复杂性对传统构建方法来说是一个重大障碍。传统方法通常会将时尚标签视为平面标签，从而导致语义丢失。与功能性产品不同，时尚商品具有丰富的象征意义，单一的设计调整可能会极大地改变其感知风格（例如，从极简主义到前卫风格）。依赖手动本体或简单标签的现有方法往往无法捕捉这些细微差别。其次，时尚数据本质上是稀疏和异构的，导致知识结构碎片化。依赖简单标签的方法往往无法捕捉细微的相似性，并且缺乏全局结构意识，限制了推断多跳潜在连接的能力。

为了解决上述问题，本文提出了一种基于优化KG的个性化推荐方法，旨在解决产品设计元素与风格标签之间复杂语义关系表达不足的问题，以及当前个性化推荐系统中通过多跳关系连接的实体缺乏整体结构感知的问题。与静态方法不同，我们的框架利用满足推荐次数（SRTs）作为隐式反馈信号，来量化设计元素与用户审美意图之间的语义对齐，建立一个无需人工干预的自主数据驱动循环。通过优化KG嵌入，该方法填补了产品设计元素和风格之间的缺失相似性数据。首先，使用结合文本相似性匹配和类内均值计算的方法来预测缺失的相似性值，确保KG的完整性和动态更新能力。随后，引入GloVe和NBFNet模型来嵌入KG，增强其语义理解和结构化信息表示能力。GloVe模型用于捕获与时尚相关的文本中的全局语义共现统计信息，确保对细致设计术语的一致表示。同时，NBFNet通过神经贝尔曼-福特架构建模多跳关系路径，克服了结构感知的缺失。这种双分支方法使系统能够准确捕捉时尚设计的语义，包括情感元素和技术问题，从而为时尚系列和品牌提供更精确和可解释的相似性计算。

主要贡献如下：

•

我们提出了一个专门的设计用于处理时尚领域复杂且众多的语义元素的语义建模框架（KGNBF）。该方法通过捕捉服装信息学中的层次组织，有效弥合了技术设计组件和主观情感标签之间的差距。

•

我们提出了一种结合文本相似性匹配和类内均值计算的混合方法来推断缺失的链接。该方法通过SRT驱动的反馈机制得到增强，使知识图谱能够自主演化，确保基于用户行为的隐式语义信息保持准确和及时。

•

我们开发了一种知识图谱嵌入方法，将基于GloVe的语义表示与NBFNet的结构学习能力相结合。这支持了跨节点的语义一致性和多跳关系推断，增强了语义传递并提高了推荐结果的可解释性。

除了提高推荐准确性外，所提出的系统还将情感时尚设计知识明确建模为一个结构化、可演变的知识库，实现了多跳语义推理和可解释的推理。本文的其余部分组织如下：第2节讨论相关工作。第3节介绍模型构建方案和相关方法。第4节描述了实验模型的训练过程并展示了实验结果。最后，第5节总结了本文。

相关工作

相关工作

结合知识图谱嵌入和语义建模已成为产品推荐研究的核心焦点。仅依赖历史用户行为数据的传统方法往往难以处理用户需求的主观性、快速变化和上下文依赖性。通过语义模型和知识图谱整合领域知识，可以提高推荐系统的准确性和可解释性[7]。

基于优化知识图的个性化时尚推荐模型

为了解决传统知识图的两个关键局限性，即对设计元素和风格标签之间复杂语义关系的建模不足，以及缺乏对多跳实体连接的全局结构理解，本研究提出了一种基于优化知识图的个性化风格推荐方法。

本节详细介绍了所提出的KGNBF模型的架构，该模型结合了GloVe（全局词向量）

实验

本节重点解决服装设计元素和风格之间缺失相似性数据的问题，以及优化知识图谱（KG）嵌入。首先，应用结合文本相似性匹配和类内均值估计的混合方法来推断缺失的相似性分数，确保KG保持完整性和动态可更新性。接下来，使用GloVe和NBFNet模型来嵌入KG，增强其语义理解和结构

结论

本研究提出了一个基于知识图的个性化时尚推荐框架（KGNBF）。通过将基于GloVe的全局语义嵌入与NBFNet驱动的结构学习相结合，所提出的方法有效协调了客观的技术设计元素和主观的情感风格。实验结果证实了该框架的有效性，推荐准确率比静态基线提高了5%。此外，该系统还实现了

未引用的参考文献

[13,14,35,41,43,44,49]

CRediT作者贡献声明

杨宇来：撰写——原始草稿、可视化、验证、方法论、调查、数据管理、概念化。曾先一：撰写——审阅与编辑、验证、监督。洪燕：撰写——审阅与编辑、监督、资源管理、项目管理、资金获取。戴晓群：撰写——审阅与编辑、监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。