Système de recommandation de mode basé sur le contenu amélioré grâce à un classificateur d'ensemble profond avec apprentissage par transfert

Résumé Avec l'essor du commerce en ligne en raison de la pandémie COVID-19, les systèmes de recommandation sont devenus de plus en plus importants pour fournir des recommandations de produits personnalisées. Les systèmes de recommandation sont confrontés au défi d'extraire efficacement des éléments pertinents à partir de vastes données. De nombreuses méthodes utilisant des approches d'apprentissage profond ont été développées pour classifier les images de mode. Cependant, ces modèles sont basés sur un modèle unique qui peut ou non être fiable. Nous avons proposé un classificateur d'ensemble profond qui prend les probabilités obtenues à partir de cinq modèles pré-entraînés tels que MobileNet, DenseNet, Xception et les deux variétés de VGG. Les probabilités obtenues à partir des cinq modèles pré-entraînés sont ensuite passées en entrée à un classificateur d'ensemble profond pour la prédiction de l'élément donné. Plusieurs mesures de similarité ont été étudiées dans ce travail et la métrique de similarité cosinus est utilisée pour recommander les produits pour un produit classifié donné par un classificateur d'ensemble profond. La méthode proposée est entraînée et validée à l'aide de ensembles de données de référence tels que le jeu de données d'images de produits de mode et le jeu de données de chaussures, démontrant une précision supérieure par rapport aux modèles existants. Les résultats soulignent le potentiel d'exploiter l'apprentissage par transfert et les techniques d'ensemble profond pour améliorer les systèmes de recommandation de mode. Le modèle proposé atteint 96% de précision par rapport aux modèles existants.