论文部分内容阅读
随着信息技术和电子商务的快速发展,电商平台中图像数据量迅速增长。对于电商平台而言,快速从海量的图像数据库中发现用户可能感兴趣的商品图像并推荐给用户,能够有效地提高电商平台的服务质量,提高竞争力。而传统的图像推荐算法是使用基于文本的推荐方法,图像的标注过程需要耗费大量的时间和人力,费时费力效率较低,且图像标注受人类主观因素影响较大。如何提高电商图像的推荐效率成为一个亟待解决的实际问题。近些年来,深度学习成为了人工智能研究热点,已经在图像分类、目标检测和自然语言处理等领域取得了较好的应用效果。本文针对基于深度学习的图像推荐算法进行了研究,提出了一种基于图像内容的推荐算法,该算法主要包含三个深度神经网络,目标是使用深度学习技术弥补传统的图像推荐方法的不足,降低人类主观因素影响和拍摄环境的影响。本文主要研究的内容是多属性图像分类、目标检测算法的优化和基于卷积神经网络特征的降维算法,并以此基础设计了一个图像推荐原型系统,并应用于电商图像推荐中。本文取得的主要创新性成果如下:(1)提出了一种基于改进卷积神经网络的多任务学习方法。该方法借鉴了迁移学习中参数迁移的思想,用于解决传统卷积神经网路无法对商品图像包含的多个属性同时进行分类的问题。针对数据集中特定类型商品较少,存在类别不平衡的问题,提出了一种基于Mixup算法的过采样策略。同时对图像多个属性复杂程度与CNN输出特征矩阵稀疏率的关系进行了研究,并使用改进Grad-CAM算法对图像多个属性识别关键区域进行了可视化分析,提高了网络的可解释性。(2)提出了一种基于自适应池化的Faster-RCNN算法用于商品目标检测。该算法是用于解决传统池化方式不能有效提取电商图像中褶皱、纹理等细节特征的问题。所设计的池化算法基于传统的最大池化模型进行了改进,并将其应用于目标检测算法Faster-RCNN中。实验表明,这种算法对褶皱、纹理信息复杂的商品图像具有更好的识别效果。(3)提出了一种基于深度学习的图像哈希编码算法。该算法首次将多线性主成分分析法应用于卷积神经网络提取特征的降维,目标是解决卷积神经网络提取的图像特征维度过高且各特征之间存在较强相关性的问题,并结合局部敏感哈希算法进行图像哈希编码用于图像检索。实验表明,相较于传统降维方法,多线性主成分分析法对于卷积神经网络提取特征具有更好的降维效果。(4)研究并设计了一个图像推荐原型系统。该系统以本文设计的三个深度神经网络为基础,使用Python语言编写实现。本文将该系统应用于电商图像推荐中,取得了较好的推荐效果。