[好文分享] Walmart 運用機器學習個性化「完整造型」模型

現代工業電子商務平台通常提供顧客多種選擇。過多的選擇通常需要推薦系統來引導使用者有效地發現他們想要的商品。這對於時尚和家居等以風格為導向的行業尤為重要。在這些領域，顧客幾乎擁有無限的選擇，並依靠零售商和推薦系統輕鬆有趣地發現「正確」的產品系列，以完成特定場合的服裝或為他們的家佈置一個房間。

完整造型 (Complete the Look，CTL) 模型的目標是滿足時尚和家居領域的此類需求：開發一個模型，圍繞客戶在給定商品頁面上考慮的當前商品生成完整的風格化服裝。為了有效地做到這一點，需要一個模型( Model )，不僅可以找到正確的產品類型（服裝），共同構成一套完整的造型，而且還可以從款式/品牌/價格/顏色中選擇相互補充的正確的單品，呈現整體主題營造連貫的外觀。

這篇是 Walmart 全球科技部落格中分享其使用多種演算法來產生和擴展 CTL 建議。本文解釋和闡述了演算法外觀產生和外觀覆蓋擴展演算法。

原文網址

文章鏈結：Personalized ‘Complete the Look’ model

筆記

完整造型 (Complete the Look，CTL) 模型的好處 :

讓客戶更容易跨類找到符合起想要風格的組合，提供靈感更快發現想要的商品，提升購買體驗
更好想像組合起來的造型或整體房間形象，增加顧客購買考慮的信心
更凝聚與方便的購物體驗，不用一樣一樣尋找和購買

演算法外觀生成

完整造型 (Complete the Look，CTL)是一個以風格為中心的概念，目標是幫助顧客組合出整套服裝，而不是僅僅挑選一件衣服。這可能是一項具有挑戰性的任務，因為它需要了解哪些服裝可以完美搭配，以及它們如何相互作用以創造出有凝聚力的時尚外觀。本文帶你探索用於生成完整造型的模型架構，包括五個主要步驟：(1)候選物件選擇、(2)外觀定義、(3)外觀生成、(4)服裝匹配和(5)變體擴展。候選物件選擇為第一個步驟步驟，它涉及識別適合包含在服裝中的服裝項目。在外觀定義步驟中，使用服裝產品類型或產品類型群組的組合來定義基本外觀。 外觀生成步驟涉及根據上一個步驟中定義的基本外觀創建多套服裝。這可以透過使用補充建議來指導選擇要創建基本外觀的項目來完成。服裝搭配是第四步-服裝匹配，則涉及透過評估服裝中不同單品之間的視覺相似性來增強外觀風格。最後一步-變體擴展，負責產生前面步驟中創建的服裝的附加變體。

外觀覆蓋擴展演算法

商家和造型師是前瞻性風格創作的重要來源，但任何基於機器學習的生成演算法都無法與之匹敵。儘管人類非常擅長創造新的前所未見的款式，但他們無法以涵蓋沃爾瑪目錄所需的規模提供這些款式。為了解決這一差距，Walmart 開發了一種搜尋和優化演算法，將有限數量的人類創造的款式擴展到整個 Walmart 的服裝和配件。此類擴展的範例如下圖所示。為黑色連身裙開發的 CTL 推薦集可用於數十種其他看起來相似的黑色連身裙。

推薦者可以使用類似的過程來替換原始外觀中的所有項目。對於每個具有特定人造外觀的項目，推薦系統可能會使用視覺搜尋找到數百個視覺上相似的項目。這些新物品的組合將原來的外觀擴展到大量套裝。然而，只有一些新外觀是連貫的。由於視覺搜尋僅依賴項目的外觀，因此新衍生的集合可能由視覺上相容但其他方面不相容的項目組成。細化步驟試圖消除或修改內部不相容的集合。服裝相容性所需的典型附加屬性包括每件商品的尺寸、年齡和性別。這種方法的一大吸引力在於，只需在精煉步驟中稍作修改，就可以快速應用於家居和辦公家具等新領域。

搜尋和最佳化演算法的各個步驟的摘要請點入原文參考圖 8 所示。視覺搜尋是一種基於嵌入的搜索，其中使用預先訓練的模型將項目圖像映射到嵌入。利用近似最近鄰方法來找出嵌入空間中的相似影像。修改和消除步驟取決於領域：大床應該與大號床墊相匹配，並且成人褲子不能成為兒童外觀的一部分。

想了解 Walmart 如何分類分類 (如定義其為褲子、夾克、運動鞋還是錢包，可互補的產品有哪些，還要考慮大小、季節、性別、年齡等屬性)、如何訓練和評分( 如三元組學習、搜尋和細化演算法 )以給客戶多種合適的推薦組合和漂亮呈現，請點入原文。

結論

總而言之，創建完整的外觀是一項具有挑戰性的任務，需要了解哪些項目可以完美搭配以及它們如何相互作用以創建有凝聚力的外觀。 CTL模型超越了傳統的基於相似或互補的推薦模型，有助於提高產品的發現和認知度，增加客戶對其購買考慮的信心，並提供更有凝聚力和便捷的購物體驗。它使用多種演算法，包括演算法外觀生成和外觀覆蓋擴展演算法，本文對此進行了解釋和詳細說明。這種模式有可能大大增強時尚和家居部門的客戶體驗。

註: 文中附圖來自原文