基于相似度匹配的定制衣柜模塊組合方法研究?

王思航 陶 濤 陳星艷 彭思立

[1.中南林業科技大學，湖南 長沙 410004；2.美宅科技（北京）有限公司，北京 100089]

隨著消費者個性化需求的不斷提升，定制家具越來越受到消費者的青睞。由于市場競爭激烈，行業受疫情影響嚴重，實現引流并獲得訂單是企業生存的前提。對于定制衣柜企業，解決衣柜模塊組合工作復雜且重復度較高的問題，提高設計效率，確保短時間、高效率為消費者設計出符合其需求的衣柜，是未來成功的關鍵[1-4]。

目前，推薦系統已廣泛應用于普通電子商務平臺和學術網站。在推薦系統中，相似度是最常見的計算推薦度的指標之一[5-7]。本文采用相似度匹配的推薦方法，即將用戶信息與柜體數據進行匹配，以實現快速精準地推薦定制衣柜模塊組合方案。

1 數據處理

1.1 研究內容

模塊化定制衣柜的分區處理，是一項重復性高且難度系數偏低的工作，在衣柜設計過程中占據較長時間。為實現快速出單并減少設計師的重復性工作，從而提高生產效率，節約企業成本，本文將推薦系統與衣柜功能設計相結合，根據用戶畫像快速推薦符合用戶需求的模塊組合方案[8-10]。模塊化定制衣柜組合方案推薦可以描述為：某廠家有一定數量的單元柜模塊，每個模塊都具備不同的儲物功能。用戶所表達的信息為用戶畫像，這些信息與衣柜功能有一定的映射關系。通過相似度匹配，選取符合用戶需求的最優模塊組合方案。

1.2 模塊數據化

推薦系統包含2 種：一種是基于協同過濾的推薦，另一種是基于內容的推薦[11-12]。在無數據積累的情況下，本文選用基于內容的推薦，因此需對每個單元柜體模塊進行數據化標注。單元柜模塊間的差異主要體現在功能分區上，為此需根據單元柜模塊的功能特征對模塊賦予數據化標簽，并錄入數據庫[13-14]。本文以10個單元柜模塊為樣例（見圖1），依據衣柜儲物功能進行關聯推薦。

圖1 定制衣柜模塊單元柜示例Fig. 1 Example of customized wardrobe module unit cabinet

衣柜主要功能分區有疊放區、被褥區、褲架區、長衣區、短衣區、抽屜區六類。將每個區所在單元柜的空間體積占比作為此功能分區向量的長度。以B單元柜為例，當無頂柜時，初定柜體高度為2 100 mm，其中被褥區所在區域高度尺寸為400 mm，體積占比約為20%；疊放區所在區域高度尺寸為600 mm，體積占比約為30%；短衣區所在區域高度尺寸為1000 mm，體積占比約為50%。B單元柜中沒有褲架區、長衣區、抽屜區，因此B單元柜數據化處理結果為(0.30,0.20,0,0,0.50,0)。當有頂柜時，頂柜承擔了被褥區功能，因此單元柜模塊中的被褥區變為疊放區，此時應當去掉單元柜模塊中的被褥區數據維度，則B單元柜疊放區空間占比變為50%，短衣區空間占比變為50%，此時B單元柜數據化處理結果變為(0.50,0,0,0.50,0)。對于頂柜，不同廠家會有不同的標準。本文以2 350 mm高度為標準，在柜體超過2 350 mm時作加頂柜處理[15]。通過計算，以上10 個單元柜模塊數據化處理結果如表1、2 所示。

表2 定制衣柜單元柜模塊結構化數據示例（有頂柜）Tab.2 Example of structured data of customized wardrobe unit cabinet module (with top cabinet)

一個衣柜往往是由多個單元柜體組成，因此每個衣柜模塊組合方案的單元柜個數及單元柜體積占比會隨著整體衣柜尺寸的變化而變化。柜體寬度方向尺寸對單元柜個數及尺寸比例的影響如表3 所示。

表3 柜體寬度分區比例示例Tab.3 Example of partition proportion of cabinet width

1.3 用戶分析

用戶在定制衣柜時會與設計師進行溝通交流，在設計衣柜模塊組合方案前，設計師同樣需要獲得用戶的需求信息，這在推薦系統中被定義為用戶表達。影響模塊組合方案的用戶畫像涵蓋四個方面：衣柜尺寸、衣柜使用人數、使用人員的年齡性別、功能分區需求。用戶輸入信息如表4 所示。

表4 用戶輸入信息表Tab. 4 User input information table

將以上用戶信息與衣柜功能分區建立映射關系，根據映射關系進行衣柜組合方案的匹配，實現符合用戶需求的衣柜模塊組合方案推薦。

2 推薦方法

2.1 映射關系建立

相似度匹配的前提是統一用戶輸入層與模塊數據層的維度[16]。模塊數據層為標注在單元柜模塊上各個功能分區（疊放區、被褥區、褲架區、長衣區、短衣區、抽屜區）的空間占比。在用戶的輸入信息中，使用者和功能分區需求影響衣柜模塊種類，衣柜尺寸影響衣柜模塊個數。本文根據調研分析獲得的不同使用者對功能分區的不同需求，將使用者與功能分區建立映射關系，如老年男士對疊放區和短衣區需求較大，其次為存放小件衣物及藥物的抽屜區和放置過季衣物被褥的被褥區，再次為存放褲子的褲架區。將數據合理化處理，即得到老年男士與功能分區之間的映射關系(0.30,0.10,0.10,0,0.30,0.20)，每個向量代表的是此功能分區下的空間占比。以此得到使用者與功能分區的映射關系如表5 所示。這些數據在推薦系統中被定義為專家意見，可作為網絡平臺初期冷啟動的基礎數據[17]。當平臺的用戶數據不斷累積增加到一定量后，可針對用戶數據進行機器學習訓練，從而使得映射關系更加客觀準確[18-19]。

表5 使用者與功能分區的映射關系Tab.5 The mapping relationship between users and functional partitions

上述使用者與功能分區的映射關系是基于對設計師及不同年齡層次的消費者調研結果總結所得，不同用戶對功能分區會有個性化需求。因此為用戶提供的功能分區需求輸入包含多、正常、少、無4 個選項，利用這4 個選項對功能分區需求的影響，建立基礎規則。根據網絡平臺冷啟動及相似度匹配數據相關性規則，選項多、正常、少和無分別表示在表5 體積占比的基礎上+0.10、+0、-0.10 和清零。每一個功能分區的加或減均對應其余功能分區空間占比的平均加減，并最終保持體積占比總和為1，如老年男士在無頂柜柜體尺寸下選擇無褲架區，則向量(0.30,0.20,0,0,0.50,0)變化為(0.32,0.12,0,0.02,0.32,0.22)。以上僅完成了用戶信息輸入與模塊數據維度的數據結構化統一。當平臺積累了一定量的用戶數據后，再針對此基礎規則繼續進行調參優化，以提高客觀性和準確性[20-21]。

2.2 相似度匹配

相似度包含余弦相似度、歐氏距離、皮爾森相似度等。對于不同的樣本數據，可采用不同的計算方式。基于本研究處理的是多維度數據，因此優先采用余弦相似度計算方式。余弦相似度是通過測量兩個向量夾角的余弦值來評估它們的相似度，最終得到的數值位于[-1,1]區間，數值越大說明兩個向量相似度越高，數值越小則相似度越低。其余弦相似性θ由點積和向量長度給出[23-25]，計算公式如下：

式中：A、B分別代表用戶向量和模塊向量；Ai、Bi分別代表A和B的各分向量。

由于對可能性的搭配是采用笛卡爾積的結果，因此會出現多個相同單元柜重復使用的情況。設組成柜體的單元柜總個數為t，重復的單元柜個數為r，則最終柜體組合方案的單元柜重復率L為：

將單元柜重復率以及功能分區相似度作為推薦的兩個維度，并分別設置權重w1、w2，則最終的相似度（Similarity）公式如下：

將組成整個柜體的各個單元柜所占比例設為mi，比例總和設為x，單元柜個數設為n，組成整個柜體的單元柜疊放區、被褥區、褲架區、長衣區、短衣區、抽屜區的占比分別設為ai、bi、ci、di、ei、fi，則整個柜體的各個功能分區的組合向量Bi為：

對用戶輸入轉化的向量Ai與不同柜體個數及樣式組合而成的向量Bi進行相似度計算，最終得出與用戶需求相似度最高的柜體組合方案。

3 應用實例

在確定用戶輸入項，設計并存儲單元柜模塊及其所標注的數據，并建立映射關系后，推薦系統所需的基礎數據準備就緒。下面選取兩個用戶信息，將其輸入系統，進行推薦流程的應用測試。

3.1 用戶畫像數據化處理

兩個用戶模擬輸入表6 信息。

表6 用戶畫像Tab.6 User portrait

根據既定規則，數據化轉換結果為A1=(0.15,0,0.30,0.15,0.20)；A2=(0.27,0.17,0,0,0.38,0.18)。根據柜體寬度方向尺寸，求得用戶畫像1的單元柜個數n=3或4或5，而用戶選擇無褲架，則將含有褲架區的單元柜過濾掉；用戶畫像2的單元柜個數n=2或3。兩個用戶畫像下定制衣柜單元柜模塊組合方案的所有可能性如表7所示。

表7 用戶柜體尺寸所對應的單元柜個數與比例Tab.7 The number and proportion of unit cabinets corresponding to the size of user's cabinet

3.2 相似度匹配

圖2 成年夫妻的模塊組合方案Fig. 2 Modular combination scheme for adult couples

圖3 兒童的模塊組合方案Fig. 3 Module combination scheme for children

將以上組合方案轉化為輸出向量Bi，并與Ai進行余弦相似度計算。如圖2所示，求得在成年夫妻用戶畫像下，單元柜選擇D、D、G、F 4個模塊組合時，相似度值最大為0.94，此時所得輸出向量B1=(0.19,0,0.36,0.24,0.21)；如圖3所示，求得在兒童用戶畫像下，單元柜選擇D、G、H 3個模塊組合時，相似度值最大為0.97，所得向量B2=(0.24,0.15,0,0.23,0.2,0.18)。

3.3 結果分析

由圖2、3可見，在較少單元柜模塊情況下，最終的柜體基本匹配了用戶畫像，滿足了用戶的功能需求。數據庫的單元柜模塊得到進一步豐富，在收集大量用戶數據后，對上述基礎數據進行更新迭代，推薦方案將會更加豐富，更加貼合用戶需求。

4 結語

本文基于定制家具設計與營銷現狀，將基礎研究與新技術融合，對定制衣柜模塊化設計及數據化處理進行了深入研究。在無用戶數據基礎的情況下，探索了定制衣柜組合方案的推薦方法。隨著數據的積累，機器學習可不斷提高推薦的準確性，大大提升企業效益。在不久的將來，人工智能新技術將與傳統家居行業深度融合，更好地為產業賦能，推動行業發展。