फैशन उत्पादों के लिए व्याख्यायित बहु-मोडीय पुनर्प्राप्ति

डीप लर्निंग विधियों को फैशन पुनर्प्राप्ति में सफलतापूर्वक लागू किया गया है। हालाँकि, सीखे गए फीचर वेक्टर का निहित अर्थ पुनर्प्राप्ति परिणामों की व्याख्या और उपयोगकर्ता प्रतिक्रिया के एकीकरण में बाधा डालता है। सौभाग्य से, कई ऑनलाइन शॉपिंग वेबसाइटें फैशन वस्तुओं को उत्पाद वर्गीकरण और डोमेन ज्ञान के आधार पर श्रणात्मक संरचनाओं में व्यवस्थित कर रही हैं। ऐसी संरचनाएँ दर्शाती हैं कि मानव फैशन उत्पादों के बीच समानता को कैसे समझते हैं। फिर भी, गहरे शिक्षण के लिए संरचनात्मक ज्ञान को शामिल करना एक चुनौतीपूर्ण समस्या बनी हुई है। यह पेपर गहरे शिक्षण में फैशन श्रेणियों को व्यवस्थित और उपयोग करने के लिए तकनीकों को प्रस्तुत करता है ताकि खोज परिणामों और उपयोगकर्ता की इच्छा की व्याख्या को सुविधाजनक बनाया जा सके। हमारे काम की नवीनता एक EI (विशिष्ट और स्वतंत्र) पेड़ के विकास से आती है जो एंड-टू-एंड मल्टीमोडल लर्निंग के लिए गहरे मॉडल के साथ सहयोग कर सकता है। EI पेड़ फैशन अवधारणाओं को कई अर्थ स्तरों में व्यवस्थित करता है और वृक्ष संरचना को विशेष और स्वतंत्र प्रतिबंधों के साथ बढ़ाता है। यह भाई अवधारणाओं के बीच विभिन्न संबंधों का वर्णन करता है और मल्टी-लेवल फैशन अर्थशास्त्र के एंड-टू-एंड अध्ययन का मार्गदर्शन करता है। EI पेड़ से, हम फैशन उत्पादों के बीच अर्थ संबंधों का वर्णन करने के लिए एक स्पष्ट श्रेणी समानता समारोह सीखते हैं। यह एक व्याख्यायित पुनर्प्राप्ति योजना को सुविधाजनक बनाता है जो अवधारणा-स्तरीय प्रतिक्रिया को एकीकृत कर सकता है। दो बड़े फैशन डेटा सेट पर प्रयोगात्मक परिणाम दिखाते हैं कि प्रस्तावित दृष्टिकोण फैशन वस्तुओं के बीच अर्थ संबंधों को सटीक रूप से वर्णित कर सकता है और उपयोगकर्ता की खोज की इच्छा को सटीक रूप से पकड़ सकता है, जो अद्यतन विधियों की तुलना में अधिक सटीक खोज परिणाम प्रदान करता है।