Una recomendación de productos de moda basada en el algoritmo adaptativo VPKNN-NET sin una imagen similar difusa

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Tecnología de comercio electrónico

Sus antecedentes:

• Los sistemas de recomendación son cruciales para el comercio electrónico, ya que ayudan a los usuarios en grandes catálogos de productos.
• Los sectores impulsados visualmente, como la moda, presentan desafíos para los sistemas tradicionales de recomendación basados en palabras clave.
• Las preferencias subjetivas de estilo son difíciles de capturar con eficacia para los métodos convencionales.

Objetivo del estudio:

• Proponer un nuevo marco de recomendación de moda utilizando un algoritmo Adaptive VPKNN-net.
• Mejorar la evaluación de la similitud visual en los artículos de moda.
• Abordar las limitaciones de los sistemas existentes en la detección de preferencias de estilo subjetivo.

Principales métodos:

• Extracción de rasgos visuales profundos utilizando una red neuronal convolucional VGG16 (CNN) previamente entrenada.
• Reducción de la dimensión mediante el análisis de componentes principales (PCA).
• Un algoritmo K-Nearest Neighbors (KNN) modificado que integra las métricas de similitud euclidiana y coseno.

Principales resultados:

• El sistema propuesto logró una alta precisión del 98,69%.
• Se demostró un error cuadrado medio de raíz (RMSE) inferior de 0,8213 y un error absoluto medio (MAE) de 0,6045 en comparación con los modelos de referencia.
• Superado el Bosque Aleatorio, la Máquina Vectorial de Apoyo (SVM) y el KNN estándar.

Conclusiones:

• El marco Adaptive VPKNN-net mejora significativamente la precisión, la interpretabilidad y la eficiencia en las recomendaciones de moda visual.
• Supera efectivamente las limitaciones de los modelos de similitud borrosos.
• Proporciona una solución escalable para el comercio electrónico orientado visualmente, en particular para condiciones de arranque en frío y bajo consumo de datos.