針對街頭場景的女襯衫個性化推薦

楊彥梅, 何 瑛*,2,3

(1.浙江理工大學 服裝學院,浙江 杭州 310018;2. 浙江理工大學 浙江省服裝工程技術研究中心,浙江 杭州 310018; 3. 浙江理工大學 絲綢文化傳承與產品設計數字化技術文化和旅游部重點實驗室,浙江 杭州 310018)

電子商務時代下,淘寶、京東等平臺中海量的服裝產品讓人眼花繚亂,信息超載問題隨之而來[1]。為解決該問題、提高購物效率,個性化推薦技術應運而生[2-3]。傳統的個性化推薦一般基于消費者過往的購買及瀏覽記錄,可一定程度上推薦出符合消費者風格的產品,但忽略了場景效應對推薦結果的影響[4]。對于服裝產品而言,著裝場景與消費者對服裝的選擇息息相關。

近年來,許多學者針對著裝場景因素進行了研究。LIU S等[5]開發了一個名為magic closet的服裝搭配系統,可根據指定的出席場景和想要搭配的衣物推薦網上店鋪中適合的服裝;唐國城等[6]綜合天氣、場景和消費者行為軌跡等因素提出了一種智能服裝推薦策略;劉振娟等[7]結合用戶體貌特征及穿著場景因素建立了基于專家知識的服裝智能推薦系統;ZHANG X S[8]等提出了一種mCNN-SVM(混合卷積神經網絡和支持向量機)方法來捕捉服裝與地點屬性之間的關聯,可根據指定的旅行地點給出服裝穿搭建議?？梢娧芯恐b場景與服裝的內在聯系對服裝推薦有很大意義。

以上研究都將場景因素引入服裝的搭配與推薦中,且推薦遵循符合大眾審美和穿著得體的原則,但忽略了消費者個人偏好,且并不是主要針對購買問題。實際生活中,著裝場景很大程度上是刺激消費者購買的直接因素。在眾多生活場景中,街頭場景最具隨機性、高頻性和時代性,是女性消費者展示個性的生活場景之一。因此,文中將著裝場景作為影響消費者購買服裝的需求因素,并以街頭場景為例深入分析場景對消費者偏好的影響。

此外,現有研究只考慮服裝品類、款式、風格、色彩與場景之間的匹配問題,未考慮場景與其他服裝屬性的內在聯系。女襯衫產品屬性清晰,穿著人群和場景廣泛,在女裝中所占市場份額也較穩定[9]。因此,選取女襯衫為研究對象,深入探究街頭場景和消費者對女襯衫各屬性的影響,并建立相應的個性化推薦模型,旨在滿足女性消費者基于街頭場景對女襯衫產品的個性化需求,嘗試為優化電商平臺的個性化推薦提供思路,以提高電商平臺推薦的準確率和消費者的購物效率。

1 女襯衫產品屬性

進行個性化推薦的核心是了解消費者的偏好,推薦消費者感興趣的產品[10]。本質上,消費者對服裝的偏好直接體現為對服裝屬性的偏好,因此研究消費者對女襯衫屬性的偏好數據是構建個性化推薦模型的關鍵[11]。

1.1 女襯衫關鍵屬性的確定

文中女襯衫屬性來源于兩處:①綜合淘寶、京東、唯品會和蘑菇街平臺中女襯衫的屬性標簽,得到16個屬性;②對熟知女襯衫屬性的8名受訪者(包括服裝相關專業研究生和教師各2名,服裝企業產品部和運營部職工各2名)進行了訪談,總結專家意見得到12個屬性。最后將兩組女襯衫屬性去重整合得到20個產品屬性,具體見表1。

表1 女襯衫產品屬性匯總Tab.1 Summary of blouse product attributes

隨機對25名網購經歷3年以上的消費者進行深度訪談(其中有11名受訪者為在線訪談,14名受訪者為線下訪談)。為了避免出現偏性樣本,所選受訪者職業主要為女性大學生、白領、藍領、教師和其他,年齡均勻分布在18～50歲。要求受訪者從20個屬性中選出自己購買女襯衫時比較關注的若干屬性,去掉被選頻次小于5(被選率小于20%)的屬性,最終整理得到顏色、價格、材質、風格、袖型、圖案、衣長、袖長、版型、領型、廓形、下擺和細節(包括紐扣、線跡、肩部類型、裝飾細節等)13個消費者關注度較高的屬性。

為進一步了解消費者對13個屬性的偏好,文中基于不考慮穿著場景和特定街頭場景兩種情況,問卷調查最能影響消費者購買決策的女襯衫屬性的分布情況,線上線下共發放580份問卷(問卷Ⅰ),通過整理獲取500份有效問卷,有效率86%。圖1為兩種情況下各屬性的分布情況,可以看出兩種情況下消費者對女襯衫同一屬性的關注度是不同的,如在不考慮場景時消費者最關注價格,考慮到街頭場景時對顏色的關注超過了價格,這表明場景因素確實影響消費者對女襯衫屬性的偏好。

圖1 兩種情況下各屬性選擇頻次統計Fig.1 Statistics of the selection frequency of each attribute in both cases

在確定街頭場景下影響消費者購買決策的關鍵屬性時,應用了“帕累托定律”的二八原則。圖2為街頭場景下女襯衫關鍵屬性帕累托圖。文中選擇達到累計比率80%的屬性作為關鍵屬性,即顏色、價格、材質、版型、廓型、領型,而累計頻率80%～100%對應的屬性重要性較低,不予考慮。

圖2 街頭場景下女襯衫關鍵屬性帕累托圖Fig.2 Key attribute Pareto diagram in street scene

1.2 女襯衫屬性的表示

用a,b,c,d,e,f分別表示襯衫屬性顏色、版型、廓形、領型、材質、價格,并將每個屬性的子屬性用阿拉伯數字編號,具體見表2。表2中,a=1表示為白色。那么每件女襯衫A用一個六維向量式表示為

表2 屬性匯總表Tab.2 Summary of attribute values

A=(a,b,c,d,e,f)。

(1)

如A=(a,b,c,d,e,f)=(1,3,2,6,1,4)表示女襯衫A的各屬性為白色、寬松、A型、V領、棉、價格在131～180元。

2 街頭場景中女襯衫的個性化推薦模型

街頭場景下,屬性的偏好度越高,說明消費者對該屬性越感興趣,若一款襯衫各屬性偏好度都較高,那么消費者對這款襯衫的綜合興趣度就高,購買的概率就越大[10]。因此文中基于綜合興趣度為消費者進行女襯衫推薦,街頭場景下女襯衫的推薦模型構建步驟如圖3所示。

圖3 推薦模型構建流程Fig.3 Building flowchart of recommended model

2.1 確定關鍵屬性權重

用Wa,Wb,Wc,Wd,We,Wf表示顏色、版型、廓形、領型、材質、價格的權重值,數據由問卷Ⅰ調查獲得,采用AHP層次分析法計算權重值。表3為對6個關鍵產品屬性構建的六階判斷矩陣,采用和積法計算該矩陣,得到表4的AHP層次分析結果。

表3 AHP層次分析判斷矩陣Tab.3 Judgment matrix of AHP level analysis

表4 AHP層次分析結果Tab.4 Results of AHP level analysis

在RI表格查詢得到隨機一致性RI值為1.260,計算一致性指標CR值(CR=CI/RI),結果見表5。

表5 一致性檢驗結果匯總Tab.5 Summary of consistency test results

當CR值小于0.1時,判斷矩陣滿足一致性檢驗,反之要先調整判斷矩陣后再對數據進行分析。表5中計算所得CR值為0.000,表明判斷矩陣滿足一致性檢驗,即所得的屬性權重值是具有一致性的?；诮诸^場景的關鍵屬性權重見表6。

2.2 確定屬性偏好度

為確定消費者對女襯衫顏色、廓型、版型、領型屬性值的偏好度,采用較客觀的街拍圖片分析法來獲取相關數據。由于圖片分析不能直接得到價格、材質等屬性偏好度,因此改用問卷調查進行數據采集,為區別于問卷Ⅰ,稱該次調研為問卷Ⅱ。

2.2.1屬性數據采集 街拍慢慢成為人們表達審美的一種方式,街拍圖片可以真實地反映街頭場景下人們的時尚穿搭和當下的流行趨勢[12]。微博是街拍的主要傳播媒介,因此文中選取了微博平臺上粉絲人數較高且更新速度較快的兩位街拍時尚博主“私服街拍”(粉絲922萬)、“她街拍”(粉絲851萬)作為采樣對象,利用python軟件爬取了這兩個博主2019年全年的街拍圖片,并篩選出了520張有女襯衫產品的街拍圖片作為分析樣本,將圖片中女襯衫的屬性信息根據屬性匯總表(表2)進行數字轉化。

針對街頭場景中女襯衫材質和價格偏好進行問卷調查,問卷為線上、線下結合發放,發放對象為隨機女性,其中線下發放200份,發放地點集中在大學校園、公園和商場;線上通過微信、QQ全國性發放,發放400份。去掉性別為男性、答題時間不足和樣本分太少的問卷,共得到有效答卷520份。有效率為87%,且有效樣本的年齡(18～50歲)和職業分布較均勻。通過對520份問卷Ⅱ統計分析得到價格和材質屬性的屬性數據,進而建立完整的女襯衫屬性數據表。

2.2.2女襯衫屬性值偏好度的計算 屬性在街拍圖片和答卷中出現的頻率越高,消費者對該屬性的偏好度就越高[10]。根據消費者對屬性的選擇與否建立0-1判斷矩陣B,表示如下:

(2)

式中:樣本數n=520,子屬性數m因不同屬性取值不同,如當矩陣為B(a)時,代表顏色對應的11個子屬性的判斷矩陣,此時m取值為11。各屬性的偏好度計算公式可以表示為

(3)

式中:P表示某屬性的偏好度 ,如P(b)表示某個版型的偏好度;α表示判斷矩陣中某屬性的取值,取值為0表示該屬性未被選中,取值為1則表示選中。

用式(3)計算出各屬性偏好度,具體見表7,結果與表2各子屬性一一對應。

表7 屬性偏好度Tab.7 Attribute value preference

2.3 計算綜合興趣度與推薦

關鍵屬性權重W與屬性偏好度P已確定,則消費者對目標集合中目標產品A偏好模型特征向量MA可表示為

MA={(a,Wa,Pa),(b,Wb,Pb),…,
(f,Wf,Pf)} 。

(4)

消費者對目標產品A的綜合興趣度(rA)計算如下:

rA=Wa×P(a)+Wb×P(b)+…+Wf×P(f)。

(5)

用式(5)計算出目標集合中的每款產品綜合興趣度,按照綜合興趣度大小進行降序排列,把綜合興趣度高的產品推薦給消費者。

3 實驗與評估

為驗證推薦模型的有效性和推薦準確率,對30名精通網購的女性消費者(包含大學生、企事業單位人員、普通工人等各年齡段的女性消費者)進行了模擬實驗。實驗所用電商平臺為手機淘寶,由于不同受訪者的過往瀏覽、購買記錄不同,導致淘寶推薦結果會有差異。因此對每位受試者進行了單獨采樣及實驗。

3.1 實驗方案

實驗流程如圖4所示。文中以1#受試者為例進行詳細說明。

圖4 實驗流程Fig.4 Experimental flowchart

1)在受試者手機淘寶APP中搜索“女襯衫”,按手機淘寶的綜合排序規則排序后,取前50個產品作為初選樣本。

2)剔除初選樣本中6個屬性值完全相同的款,保留最高排名的樣本,按綜合排序保留編號得到評價樣本N(N=50);用式(5)計算出每個樣本的綜合興趣度后,分別按平臺推薦順序(手機淘寶的綜合排序規則)和模型推薦順序排序,得到Z1,Z2…和O1,O2…。

3)讓1#受試者分別對兩組排序前10的樣本進行滿意度評價并計分(滿分5分,不低于3分代表滿意,反之則不滿意),得到1#受試者的樣本評分集C1#(S1,…,S10;B1,…,B10)。

對30名受訪者進行如上的實驗,涉及初始產品樣本1 500個。對比每位受試者評分集的兩種推薦結果的得分(C1#,…,C30#為對應的得分集),計算出模型推薦和淘寶推薦產品的平均分;同時根據30個樣本評分集的兩種推薦滿意度得分情況(各300個樣本得分),計算出兩種推薦的準確率。

3.2 結果分析

以1#受試者的評價結果為例,從50件初選樣本中篩選得到48件不重復產品并按照淘寶推薦的順序編號,取前10。用式(5)計算出48款產品的綜合興趣度并降序排列,取排興趣度排名前10的產品。兩組產品得分見表8。由表8可以看出,模型推薦的10款中不低于3分的有9款,平均分3.50;淘寶推薦的10款中不低于3分的有4款,平均分2.75,且編號3,6的產品也出現在模型推薦的產品中。

表8 評分結果Tab.8 Score results

忽略不同參試者推薦結果款式的重合,模型推薦的300款產品中有251款得分不低于3分,推薦準確率83.7%;淘寶推薦的300款中有145款得分不低于3分,推薦準確率48.3%。30名推薦者對兩種推薦結果的平均分如圖5所示。圖5中模型推薦結果的平均分都不低于3分,且分數都明顯高于淘寶推薦,說明模型推薦結果優于淘寶推薦,模型有效性得到驗證。

圖5 推薦結果平均分Fig.5 Average of recommended results

4 結 語

模型的推薦結果優于淘寶隨機推薦,說明基于場景的服裝個性化推薦是可行的。由于女襯衫穿著場景的多元化,文中基于街頭場景的女襯衫推薦模型可為女襯衫在其他場景中的推薦研究提供參考,進而建立一個完整的基于不同場景需求的女襯衫個性化推薦模型,同時也可以拓展到其他服裝品類的研究中。生活中消費者常常因為需要出席某特定場景而購買服裝,故基于場景需求的服裝個性化推薦可為電商平臺個性化推薦技術的優化提供新思路。