Desenvolvimento de uma Rede Neural/Deep Learning

Primeiro, deve-se acontecer uma etapa de filtragem que remova os estilos, levando em consideração o que o cliente já recebeu em uma remessa anterior ou que possui atributos que o cliente pediu para evitar.

Para cada um dos estilos restantes, a IA deve avaliar a probabilidade relativa de que esse cliente específico adore esse estilo específico.

De certa forma, o problema é um problema clássico de filtragem colaborativa: dado o feedback de diferentes clientes em diferentes estilos, devemos preencher as lacunas na matriz (esparsa) para prever o resultado e enviar um estilo para um cliente que ainda não recebeu isto. Como tal, usamos alguns algoritmos de filtragem colaborativa padrão (por exemplo, aqueles que gostaram do que você gostou também gostaram...).

No entanto, ao contrário da maioria dos problemas de filtragem colaborativa, temos muitos dados explícitos, aproximadamente 150 pontos, tanto da autodescrição dos clientes quanto dos atributos de roupas. Isso ajuda com o problema de partida a frio e também permite maior precisão para empregar-se algoritmos que considerem esses dados.

E, além dos muitos recursos explícitos disponíveis, há alguns recursos latentes (não-declarados) particularmente pertinentes de clientes e estilos que podemos inferir de outros dados (estruturados e / ou não estruturados) e usados ​​para melhorar nosso desempenho.

Levando o nosso problema ainda mais além da filtragem colaborativa clássica, também temos muitos dados fotográficos e textuais a serem considerados: fotos de estilo de inventário, quadros do Pinterest e a grande quantidade de comentários escritos e notas de solicitação que recebemos dos clientes.

ÀS vezes pode ser difícil descrever suas preferências de estilo em palavras, mas você sabe quando as vê - por isso, a IA deve analisar fotos de roupas que os clientes gostam (por exemplo, do Pinterest) e procuram itens visualmente semelhantes em nosso inventário . Gostaríamos de usar redes neurais treinadas para derivar descrições de vetores de imagens 'fixadas' e, em seguida, calcular uma semelhança de cosseno entre esses vetores e vetores pré-calculados para cada item em nosso inventário.

O processamento de linguagem natural pode ser usado para pontuar itens com base na nota de solicitação do cliente e no feedback textual de outros clientes sobre o mesmo item.