Verbessertes inhaltsbasiertes Modeempfehlungssystem durch einen tiefen Ensemble-Klassifikator mit Transferlernen

Zusammenfassung: Mit dem Anstieg des Online-Shoppings aufgrund der COVID-19-Pandemie sind Empfehlungssysteme zunehmend wichtig geworden, um personalisierte Produktempfehlungen zu bieten. Empfehlungssysteme stehen vor der Herausforderung, relevante Artikel aus einer riesigen Datenmenge effizient zu extrahieren. Zahlreiche Methoden unter Verwendung von Deep-Learning-Ansätzen wurden entwickelt, um Modebilder zu klassifizieren. Diese Modelle basieren jedoch auf einem einzigen Modell, das zuverlässig sein kann oder auch nicht. Wir schlugen einen tiefen Ensemble-Klassifikator vor, der die Wahrscheinlichkeiten von fünf vortrainierten Modellen wie MobileNet, DenseNet, Xception und den zwei Varianten von VGG nutzt. Die von den fünf vortrainierten Modellen erhaltenen Wahrscheinlichkeiten werden dann als Eingaben an einen tiefen Ensemble-Klassifikator zur Vorhersage des gegebenen Artikels übergeben. Mehrere Ähnlichkeitsmaße wurden in dieser Arbeit untersucht, und die Kosinusähnlichkeit wird verwendet, um die Produkte für ein klassifiziertes Produkt, das von einem tiefen Ensemble-Klassifikator bereitgestellt wird, zu empfehlen. Die vorgeschlagene Methode wird mit Benchmark-Datensätzen wie dem Fashion-Produktbilder-Datensatz und dem Schuh-Datensatz trainiert und validiert, was eine überlegene Genauigkeit im Vergleich zu bestehenden Modellen zeigt. Die Ergebnisse verdeutlichen das Potenzial, Transferlernen und tiefe Ensemble-Techniken zur Verbesserung von Modeempfehlungssystemen zu nutzen. Das vorgeschlagene Modell erreicht eine Genauigkeit von 96 % im Vergleich zu den bestehenden Modellen.