基于AI和大数据的个性化服装设计推荐系统及方法

专利名称：基于AI和大数据的个性化服装设计推荐系统及方法

专利类型：实用新型专利

专利申请号：CN202410700023.7

专利申请（专利权）人：吉林工程技术师范学院
权利人地址：吉林省长春市凯旋路3050号

专利发明（设计）人：王方明

专利摘要：本申请涉及AI和大数据技术领域，且更为具体地公开了一种基于AI和大数据的个性化服装设计推荐系统及方法，通过获取用户的服装浏览和购买数据，以及待推荐服装的特征数据，利用特征向量和分类器来确定是否推荐该服装，从而提供用户定制化的服装推荐服务。

主权利要求：
1.一种基于AI和大数据的个性化服装设计推荐系统，其特征在于，包括：服装设计数据采集模块，用于获取用户对服装的浏览数据与用户购买服装的订单数据，以及获取待推荐服装设计的特征数据，其中，所述待推荐服装设计的特征数据，包括：款式、颜色、材质；
服装设计数据处理模块，用于分别从所述用户对服装的浏览数据、所述用户购买服装的订单数据和所述待推荐服装设计的特征数据提取浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量；
服装设计数据融合模块，用于构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵；
服装设计数据分析模块，用于将所述优化服装设计推荐分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否推荐该服装；
其中，所述服装设计数据融合模块，包括：
融合特征向量单元，用于融合所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量以得到所述服装设计推荐分类特征矩阵；
优化特征矩阵单元，用于对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到所述优化服装设计推荐分类特征矩阵；
其中，所述优化特征矩阵单元，包括：
计算所述服装设计推荐分类特征矩阵中各个位置的自然指数函数值以得到发散服装设计推荐分类特征矩阵；
对所述发散服装设计推荐分类特征矩阵进行累加求和以得到所述发散服装设计推荐分类特征矩阵的总和值；
将所述发散服装设计推荐分类特征矩阵的总和值与所述服装设计推荐分类特征矩阵的各个位置的特征值的绝对值相乘后再计算以二为底的对数函数值以得到对数变化后服装设计推荐分类特征矩阵；
将所述对数变化后服装设计推荐分类特征矩阵与所述服装设计推荐分类特征矩阵进行按位置相乘以得到所述优化服装设计推荐分类特征矩阵。
2.根据权利要求1所述的基于AI和大数据的个性化服装设计推荐系统，其特征在于，所述服装设计数据处理模块，包括：浏览数据处理单元，用于将所述用户对服装的浏览数据进行分词处理后通过编码以得到所述浏览数据文本理解特征向量；
订单数据处理单元，用于将所述用户购买服装的订单数据通过基于第二卷积神经网络模型的订单数据提取器以得到所述订单数据语义特征向量；
特征数据处理单元，用于将所述待推荐服装设计的特征数据进行分词后通过特征提取以得到所述特征数据文本关联特征向量。
3.根据权利要求2所述的基于AI和大数据的个性化服装设计推荐系统，其特征在于，所述浏览数据处理单元，包括：浏览数据分词子单元，用于将所述用户对服装的浏览数据进行分词处理后通过词嵌入层以得到浏览数据词嵌入向量的序列；
浏览数据构造矩阵子单元，用于将所述浏览数据词嵌入向量的序列构造为浏览数据词特征矩阵；
浏览数据特征提取子单元，用于将所述浏览数据词特征矩阵通过特征提取以得到所述浏览数据文本理解特征向量。
4.根据权利要求3所述的基于AI和大数据的个性化服装设计推荐系统，其特征在于，所述浏览数据特征提取子单元，包括：第一卷积编码二级子单元，用于将所述浏览数据词特征矩阵通过作为特征提取器的第一卷积神经网络模型以得到浏览数据文本理解特征图；
浏览数据特征降维二级子单元，用于对所述浏览数据文本理解特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述浏览数据文本理解特征向量。
5.根据权利要求4所述的基于AI和大数据的个性化服装设计推荐系统，其特征在于，所述订单数据处理单元，包括：语义理解子单元，用于使用语义理解模型从所述用户购买服装的订单数据获得·订单数据特征向量；
第二卷积编码子单元，用于将所述订单数据特征向量通过基于第二卷积神经网络模型的订单数据提取器以得到所述订单数据语义特征向量。
6.根据权利要求5所述的基于AI和大数据的个性化服装设计推荐系统，其特征在于，所述特征数据处理单元，包括：特征数据分词子单元，用于将所述待推荐服装设计的特征数据进行分词后通过词嵌入模型以得到特征数据词向量的序列；
特征数据排列子单元，用于将所述特征数据词向量的序列中所有词向量进行排列后通过编码以得到所述特征数据文本关联特征向量。
7.根据权利要求6所述的基于AI和大数据的个性化服装设计推荐系统，其特征在于，所述特征数据排列子单元，包括：特征数据排列矩阵二级子单元，用于将所述特征数据词向量的序列中所有词向量进行二维排列为特征数据词特征矩阵；
文本卷积编码二级子单元，用于将所述特征数据词特征矩阵通过作为特征提取器的文本卷积神经网络模型以得到特征数据文本关联特征图；
特征数据降维二级子单元，用于对所述特征数据文本关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述特征数据文本关联特征向量。
8.一种基于AI和大数据的个性化服装设计推荐方法，其特征在于，包括：获取用户对服装的浏览数据与用户购买服装的订单数据，以及获取待推荐服装设计的特征数据，其中，所述待推荐服装设计的特征数据，包括：款式、颜色、材质；
分别从所述用户对服装的浏览数据、所述用户购买服装的订单数据和所述待推荐服装设计的特征数据提取浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量；
构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵；
将所述优化服装设计推荐分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否推荐该服装；
其中，构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵，包括：融合所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量以得到所述服装设计推荐分类特征矩阵；
对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到所述优化服装设计推荐分类特征矩阵；
其中，对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到所述优化服装设计推荐分类特征矩阵，包括：计算所述服装设计推荐分类特征矩阵中各个位置的自然指数函数值以得到发散服装设计推荐分类特征矩阵；
对所述发散服装设计推荐分类特征矩阵进行累加求和以得到所述发散服装设计推荐分类特征矩阵的总和值；
将所述发散服装设计推荐分类特征矩阵的总和值与所述服装设计推荐分类特征矩阵的各个位置的特征值的绝对值相乘后再计算以二为底的对数函数值以得到对数变化后服装设计推荐分类特征矩阵；
将所述对数变化后服装设计推荐分类特征矩阵与所述服装设计推荐分类特征矩阵进行按位置相乘以得到所述优化服装设计推荐分类特征矩阵。 说明书 : 基于AI和大数据的个性化服装设计推荐系统及方法技术领域[0001] 本申请涉及AI和大数据技术领域，且更为具体地，涉及一种基于AI和大数据的个性化服装设计推荐系统及方法。背景技术[0002] 在当前信息时代，人们面临着海量的信息输入，很容易错过一些关键信息。一些商家通过广撒网的方式向用户推荐服装定制，希望让更多用户了解服装定制的好处，并引导实际需要这项服务的用户享受定制带来的优势。然而，这种推广方式存在一些问题。广撒网的推荐方式缺乏针对性，没有考虑到用户的实际消费情况，导致部分潜在需要服装定制服务的用户仍未了解或接触到这项服务。[0003] 为了解决这一问题，商家可以采取更精准的推荐策略，基于个性化推荐算法和用户行为数据，为用户量身定制推送内容。通过分析用户的浏览历史、购买偏好和需求，商家可以更好地理解用户，向其推荐符合其兴趣和需求的定制服务。这种个性化推荐不仅可以提高用户体验，还能增加用户对服装定制服务的了解和接受度。[0004] 因此，期望一种基于AI和大数据的个性化服装设计推荐系统及方法。发明内容[0005] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于AI和大数据的个性化服装设计推荐系统及方法，利用用户行为数据和特征向量构建分类器，实现精准推荐定制服装，提升用户体验和服务接受度。[0006] 相应地，根据本申请的一个方面，提供了一种基于AI和大数据的个性化服装设计推荐系统，其包括：[0007] 服装设计数据采集模块，用于获取用户对服装的浏览数据与用户购买服装的订单数据，以及获取待推荐服装设计的特征数据，其中，所述待推荐服装设计的特征数据，包括：款式、颜色、材质；[0008] 服装设计数据处理模块，用于分别从所述用户对服装的浏览数据、所述用户购买服装的订单数据和所述待推荐服装设计的特征数据提取浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量；[0009] 服装设计数据融合模块，用于构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵；[0010] 服装设计数据分析模块，用于将所述优化服装设计推荐分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否推荐该服装。[0011] 根据本申请的另一个方面，提供了一种基于AI和大数据的个性化服装设计推荐方法，其包括：[0012] 获取用户对服装的浏览数据与用户购买服装的订单数据，以及获取待推荐服装设计的特征数据，其中，所述待推荐服装设计的特征数据，包括：款式、颜色、材质；[0013] 分别从所述用户对服装的浏览数据、所述用户购买服装的订单数据和所述待推荐服装设计的特征数据提取浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量；[0014] 构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵；[0015] 将所述优化服装设计推荐分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否推荐该服装。[0016] 与现有技术相比，本申请提供的一种基于AI和大数据的个性化服装设计推荐系统及方法，通过获取用户的服装浏览和购买数据，以及待推荐服装的特征数据，利用特征向量和分类器来确定是否推荐该服装，从而提供用户定制化的服装推荐服务。附图说明[0017] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。[0018] 图1为根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统的框图示意图。[0019] 图2为根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统中服装设计数据处理模块的框图示意图。[0020] 图3为根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统中浏览数据处理单元的框图示意图。[0021] 图4为根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统中订单数据处理单元的框图示意图。[0022] 图5为根据本申请实施例的基于AI和大数据的个性化服装设计推荐方法的流程图。具体实施方式[0023] 以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。[0024] 在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。[0025] 另外，为了更好地说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。[0026] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0027] 图1图示了根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统的框图示意图。如图1所示，根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统100，包括：服装设计数据采集模块110，用于获取用户对服装的浏览数据与用户购买服装的订单数据，以及获取待推荐服装设计的特征数据，其中，所述待推荐服装设计的特征数据，包括：款式、颜色、材质；服装设计数据处理模块120，用于分别从所述用户对服装的浏览数据、所述用户购买服装的订单数据和所述待推荐服装设计的特征数据提取浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量；服装设计数据融合模块130，用于构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵；服装设计数据分析模块140，用于将所述优化服装设计推荐分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否推荐该服装。[0028] 在本申请实施例中，服装设计数据采集模块110，用于获取用户对服装的浏览数据与用户购买服装的订单数据，以及获取待推荐服装设计的特征数据，其中，所述待推荐服装设计的特征数据，包括：款式、颜色、材质。应可以理解，为了了解用户的喜好和购买行为，从而更好地个性化推荐服装设计。浏览数据可以反映用户的兴趣和偏好，而订单数据则可以揭示用户的实际购买行为和偏好。通过分析这些数据，系统可以更准确地了解用户的喜好，从而提供更符合用户需求的个性化推荐。获取待推荐服装设计的特征数据，包括款式、颜色和材质，是为了确保系统在推荐过程中考虑到这些关键因素。款式、颜色和材质是用户选择服装时非常重要的考虑因素，影响着用户的购买决策。因此，将这些特征数据纳入系统中可以更精准地匹配用户的喜好，提高推荐的准确性和用户满意度。具体地，可以通过网站或应用程序的日志记录用户在平台上浏览服装的行为，包括点击、浏览时长、浏览的具体服装款式等。可以从电子商务平台或系统中获取用户的购买订单数据，包括购买的服装款式、颜色、材质、购买时间等信息。可以通过服装设计师提供的信息或者系统自动分析待推荐服装设计的款式、颜色、材质等特征数据。使用数据处理模块提取用户浏览数据、订单数据和待推荐服装设计的特征数据。[0029] 在本申请实施例中，服装设计数据处理模块120，用于分别从所述用户对服装的浏览数据、所述用户购买服装的订单数据和所述待推荐服装设计的特征数据提取浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量。应可以理解，浏览数据中可能包含用户对服装的评论、描述或标签，通过文本理解可以更好地理解用户的兴趣和偏好。提取文本中的关键词和特征，有助于识别用户对款式、颜色、材质等的偏好，从而更好地进行个性化推荐。订单数据中包含用户购买的服装信息，通过提取语义特征向量，可以更好地理解用户的购买行为和偏好。通过订单数据的语义特征向量，可以更准确地理解用户购买的款式、颜色、材质等偏好，进而提供更精准的推荐。待推荐服装设计的特征数据包括款式、颜色、材质等信息，通过文本关联特征向量，可以更好地理解这些特征之间的关联性。将款式、颜色、材质等特征进行关联分析，可以提供更全面、综合的特征向量，有助于系统更好地理解用户需求和偏好，从而实现更精准的推荐。通过提取这些不同类型的特征向量，系统可以更全面地理解用户的行为和需求，从而实现更精准的个性化服装设计推荐，提升用户体验和满意度。[0030] 具体地，在本申请的一个实施例中，图2图示了根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统中服装设计数据处理模块的框图示意图。如图2所示，在上述基于AI和大数据的个性化服装设计推荐系统100中，所述服装设计数据处理模块120，包括：浏览数据处理单元121，用于将所述用户对服装的浏览数据进行分词处理后通过编码以得到所述浏览数据文本理解特征向量；订单数据处理单元122，用于将所述用户购买服装的订单数据通过基于第二卷积神经网络模型的订单数据提取器以得到所述订单数据语义特征向量；特征数据处理单元123，用于将所述待推荐服装设计的特征数据进行分词后通过特征提取以得到所述特征数据文本关联特征向量。[0031] 具体地，所述浏览数据处理单元121，用于将所述用户对服装的浏览数据进行分词处理后通过编码以得到所述浏览数据文本理解特征向量。应可以理解，将文本数据进行分词可以将连续的文本序列划分为有意义的词语单位，有助于系统更好地理解用户的意图和偏好。通过编码将分词后的文本转换为特征向量，可以将文本信息转化为计算机可处理的数值形式，方便后续的数据分析和建模。将文本信息转换为特征向量可以帮助系统捕捉关键词、主题和语义信息，从而更好地表示用户对服装的浏览偏好。通过编码后的特征向量，系统可以更好地理解用户的喜好和需求，有助于提高个性化推荐的准确性和效果。将文本数据转换为向量形式可以提高数据处理和计算的效率，加快系统对用户行为数据的分析和推荐过程。特征向量的形式更适合于机器学习模型的应用，可以帮助系统更好地理解用户行为数据，提高推荐系统的性能和效果。通过将用户对服装的浏览数据进行分词处理并转换为特征向量，系统可以更好地理解用户的浏览行为，从而实现更精准的个性化服装设计推荐，提升用户体验和满意度。[0032] 进一步，图3图示了根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统中浏览数据处理单元的框图示意图。如图3所示，在上述基于AI和大数据的个性化服装设计推荐系统100的服装设计数据处理模块120中，所述浏览数据处理单元121，包括：浏览数据分词子单元1211，用于将所述用户对服装的浏览数据进行分词处理后通过词嵌入层以得到浏览数据词嵌入向量的序列；浏览数据构造矩阵子单元1212，用于将所述浏览数据词嵌入向量的序列构造为浏览数据词特征矩阵；浏览数据特征提取子单元1213，用于将所述浏览数据词特征矩阵通过特征提取以得到所述浏览数据文本理解特征向量。[0033] 具体地，所述浏览数据分词子单元1211，用于将所述用户对服装的浏览数据进行分词处理后通过词嵌入层以得到浏览数据词嵌入向量的序列。应可以理解，词嵌入是一种将词语映射到连续向量空间的技术，可以捕捉词语之间的语义相似性和语法关系。通过词嵌入，可以更好地表示词语的语义信息。将分词后的词语转换为词嵌入向量序列可以更好地表达用户对服装的浏览行为，帮助系统理解用户的偏好和需求。词嵌入向量通常是高维的，包含了丰富的语义信息。通过词嵌入层将高维的词嵌入向量序列转换为更紧凑的表示形式，有助于减少计算复杂度和提高效率。词嵌入向量序列通常作为神经网络的输入，帮助模型学习用户的浏览行为特征。神经网络可以通过学习词嵌入向量序列中的特征，提高对用户行为的理解和建模能力。词嵌入向量可以捕捉词语之间的语义相似性，有助于系统更好地理解用户对服装的浏览偏好。通过词嵌入向量序列，系统可以更准确地推断用户的兴趣和喜好，提供更个性化的服装设计推荐。通过将用户对服装的浏览数据进行分词处理并转换为词嵌入向量序列，系统可以更全面、准确地理解用户的浏览行为，为个性化推荐提供更好的基础和支持。[0034] 具体地，所述浏览数据构造矩阵子单元1212，用于将所述浏览数据词嵌入向量的序列构造为浏览数据词特征矩阵。应可以理解，将词嵌入向量序列构造为矩阵可以将数据从序列形式转换为矩阵形式，方便后续的处理和分析。构造特征矩阵可以将每个词嵌入向量的信息整合到一个矩阵中，有利于特征的综合分析和提取。通过构建特征矩阵，可以更全面地表达用户对服装的浏览行为，包括词语之间的关联和语义信息，为后续的特征提取和分析提供更好的基础。构造特征矩阵有助于系统更好地捕捉用户的兴趣和偏好，从而提高个性化推荐的准确性和效果。将词嵌入向量序列构造为特征矩阵可以更好地适配各种机器学习模型的输入要求，便于后续的数据处理和建模。特征矩阵的构建有助于对浏览数据进行更深入的分析和挖掘，提高系统对用户行为的理解和预测能力。通过将词嵌入向量序列构造为特征矩阵，系统可以更好地利用用户的浏览数据，提高个性化推荐系统的性能和效果。[0035] 具体地，所述浏览数据特征提取子单元1213，用于将所述浏览数据词特征矩阵通过特征提取以得到所述浏览数据文本理解特征向量。应可以理解，通过特征提取，可以将高维的词特征矩阵转换为更低维度的特征向量，减少数据的复杂度和冗余信息，提高模型的效率和性能。特征提取过程可以帮助系统从原始的词特征矩阵中提取出最具代表性和重要性的特征。通过提取关键特征，可以更好地理解用户对服装的浏览行为，捕捉用户的偏好和需求。得到的浏览数据文本理解特征向量可以作为模型的输入，帮助系统更好地学习用户的行为模式和偏好。通过文本理解特征向量，系统可以更准确地推断用户的兴趣，提供更个性化的服装设计推荐。将浏览数据词特征矩阵转换为文本理解特征向量后，可以将不同来源的特征进行整合，提高系统对用户行为的综合理解能力。通过将浏览数据词特征矩阵通过特征提取得到文本理解特征向量，系统可以更好地理解用户的浏览行为，为个性化推荐提供更精准的基础和支持。[0036] 相应地，所述浏览数据特征提取子单元，包括：第一卷积编码二级子单元，用于将所述浏览数据词特征矩阵通过作为特征提取器的第一卷积神经网络模型以得到浏览数据文本理解特征图；浏览数据特征降维二级子单元，用于对所述浏览数据文本理解特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述浏览数据文本理解特征向量。[0037] 具体地，所述第一卷积编码二级子单元，用于将所述浏览数据词特征矩阵通过作为特征提取器的第一卷积神经网络模型以得到浏览数据文本理解特征图。应可以理解，卷积神经网络(CNN)在处理文本数据时可以有效地提取局部特征，捕捉词语之间的关联性和语义信息。通过卷积操作和激活函数，CNN可以将输入的词特征矩阵转换为更具代表性和抽象的特征图，有助于更好地理解用户的浏览行为。CNN可以通过多层次的卷积操作和池化操作逐渐提取更高级别的特征，有助于系统更全面地理解用户的浏览数据。得到的特征图可以包含不同层次和抽象程度的特征，为后续的特征提取和分析提供更丰富的信息。CNN在处理文本数据方面表现出色，能够有效地捕捉文本数据的局部特征和结构信息。通过使用CNN作为特征提取器，可以更好地适应处理浏览数据的特点，提高系统对用户行为的理解和预测能力。通过将浏览数据词特征矩阵通过第一卷积神经网络模型作为特征提取器，可以有效地提取出文本数据中的重要特征，为后续的特征降维和推荐系统提供更有意义的信息。[0038] 具体地，所述浏览数据特征降维二级子单元，用于对所述浏览数据文本理解特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述浏览数据文本理解特征向量。应可以理解，全局均值池化可以将特征图的空间维度降低为一个值，从而减少参数数量，降低计算复杂度，有助于提高模型的效率和速度。通过池化操作，可以减少特征图中的冗余信息，有助于降低模型过拟合的风险，提高模型的泛化能力。全局均值池化可以保留每个特征图中所有通道的重要信息，并将其整合到一个特征向量中，有助于保持主要特征的表达性，提高模型对关键特征的识别能力。全局均值池化操作是平移不变的，即对输入特征图的平移不敏感，有助于提高模型对输入数据的稳定性。池化操作也具有一定的尺度不变性，即对输入特征图的尺度变化不敏感，有助于提高模型对不同尺度的数据的处理能力。通过全局均值池化操作，可以将复杂的特征图转换为紧凑的特征向量，保留主要信息的同时降低维度，为后续的个性化服装设计推荐系统提供更简洁和有效的特征表示。[0039] 相应地，在本申请一个具体的示例中，所述订单数据处理单元122，用于将所述用户购买服装的订单数据通过基于第二卷积神经网络模型的订单数据提取器以得到所述订单数据语义特征向量。应可以理解，卷积神经网络(CNN)能够有效地提取数据中的空间特征，对于订单数据中的序列信息和结构信息有很好的表达能力，有助于捕捉订单数据的语义信息。通过卷积操作和池化操作，CNN可以将订单数据转换为更具代表性和抽象的特征向量，有助于提取订单数据中的关键特征。CNN在处理序列数据时具有一定优势，可以有效地捕捉数据中的局部关联性和结构信息，适合处理订单数据这种具有序列性质的数据。通过使用CNN作为订单数据提取器，可以更好地表达订单数据的语义信息，提高系统对用户购买行为的理解和预测能力。订单数据经过第二卷积神经网络模型提取器处理后，可以转换为更高维度的语义特征向量，包含了订单数据中的重要信息。通过学习订单数据的语义特征向量，系统可以更好地理解用户的购买行为模式，为个性化推荐提供更有针对性的建议。通过将用户购买服装的订单数据通过基于第二卷积神经网络模型的订单数据提取器，可以有效地提取订单数据中的语义特征，为系统提供更准确和个性化的推荐服务。[0040] 进一步，图4图示了根据本申请实施例的基于AI和大数据的个性化服装设计推荐系统中订单数据处理单元的框图示意图。如图4所示，在上述基于AI和大数据的个性化服装设计推荐系统100的服装设计数据处理模块120中，所述订单数据处理单元122，包括：语义理解子单元1221，用于使用语义理解模型从所述用户购买服装的订单数据获得订单数据特征向量；第二卷积编码子单元1222，用于将所述订单数据特征向量通过基于第二卷积神经网络模型的订单数据提取器以得到所述订单数据语义特征向量。[0041] 具体地，所述语义理解子单元1221，用于使用语义理解模型从所述用户购买服装的订单数据获得订单数据特征向量。应可以理解，语义理解模型能够帮助系统理解订单数据中的语义信息，包括用户购买的服装类型、风格偏好、购买习惯等，从而更好地捕捉用户的行为模式和需求。通过语义理解模型，可以将订单数据转化为具有语义信息的特征向量，这些特征向量能够更好地表示用户的购买行为和偏好。通过提取订单数据特征向量，系统可以对用户进行更准确的建模，了解用户的个性化需求和喜好，从而为用户提供更符合其喜好的服装设计推荐。基于订单数据特征向量的语义信息，系统可以实现更精准的个性化推荐，提高用户体验和购买转化率。语义理解模型可以帮助系统学习订单数据中的重要特征，包括关键词、描述信息、购买行为等，从而提高系统对订单数据的理解和分析能力。通过订单数据特征向量的学习，系统可以更好地表征用户的购买行为模式，为后续的推荐算法和模型提供更有力的数据支持。因此，使用语义理解模型从用户购买服装的订单数据中获得订单数据特征向量，可以帮助系统更好地理解用户行为，提高个性化推荐的准确性和效果。这样的做法有助于提升系统的用户体验和推荐效果。[0042] 相应地，所述语义理解子单元，包括：词向量转化二级子单元，用于使用所述语义理解模型的词嵌入层将所述用户购买服装的订单数据中各个词映射为词向量以获得订单数据信息词向量序列；语义处理二级子单元，用于使用所述语义理解模型的Bert模型对所述订单数据信息词向量序列进行处理以获得订单数据信息词特征向量序列；上下文编码二级子单元，用于使用所述语义理解模型的双向LSTM网络对所述订单数据信息词特征向量序列进行上下文编码以获得所述订单数据特征向量。[0043] 具体地，所述词向量转化二级子单元，用于使用所述语义理解模型的词嵌入层将所述用户购买服装的订单数据中各个词映射为词向量以获得订单数据信息词向量序列。应可以理解，词嵌入技术可以将词语映射到连续向量空间中，使得具有相似语义的词在向量空间中距离较近。这样的表示能够更好地捕捉词语之间的语义关系，有助于理解订单数据中的词语含义。通过词嵌入层，订单数据中的每个词都被表示为一个密集的词向量，这些词向量包含了词语的语义信息和特征。这有助于系统学习订单数据中的重要特征，为后续的处理和分析提供基础。词嵌入将原始的高维稀疏的词袋模型表示转换为低维稠密的连续向量表示，这样的表示更具有信息量，能够更有效地表达词语的语义信息。通过词嵌入层将词语映射为词向量，可以在模型训练时更好地处理文本数据，提高训练效率和模型性能。词嵌入能够捕捉词语在上下文中的语义关系，有助于系统更好地理解订单数据中词语之间的关联和语义含义。因此，使用词嵌入层将用户购买服装的订单数据中的词映射为词向量可以提供更丰富的语义信息和特征表示，有助于系统更好地理解和处理订单数据，从而实现更准确和有效的个性化推荐。[0044] 进一步，所述语义处理二级子单元，用于使用所述语义理解模型的Bert模型对所述订单数据信息词向量序列进行处理以获得订单数据信息词特征向量序列。应可以理解，Bert模型是基于Transformer架构的预训练语言模型，能够捕捉词语在上下文中的语义信息。这有助于更好地理解订单数据中词语的含义，考虑到上下文对词语语义的影响。Bert模型能够生成更丰富和准确的词特征表示，这些特征向量能够更好地捕捉词语之间的复杂语义关系。通过Bert模型处理后的特征向量序列可以更好地表达订单数据的语义信息。Bert模型在大规模语料上进行了预训练，具有很强的泛化能力和迁移学习性能。因此，使用Bert模型对订单数据信息词向量序列进行处理，可以充分利用其在大规模数据上学到的语言表示能力，提高订单数据的特征表征质量。[0045] 通过使用Bert模型对订单数据信息词向量序列进行处理，可以更好地理解订单数据中的语义信息，提取更丰富和准确的特征表示，为后续的个性化推荐系统提供更有力的支持。[0046] 更进一步，上下文编码二级子单元，用于使用所述语义理解模型的双向LSTM网络对所述订单数据信息词特征向量序列进行上下文编码以获得所述订单数据特征向量。应可以理解，双向LSTM网络能够有效地捕捉词语在序列中的上下文信息，包括前后词语之间的依赖关系。这有助于更好地理解订单数据信息词特征向量序列中词语之间的语义关联，提高特征表征的连续性和一致性。通过双向LSTM网络对序列进行建模，可以将整个订单数据信息词特征向量序列作为一个整体来考虑，而不是独立处理每个词语。这有助于系统更好地理解整个订单数据的语义结构和序列信息。LSTM网络通过门控单元的设计，能够有效地捕捉长期依赖关系，避免梯度消失或爆炸的问题。这对于处理订单数据信息词特征向量序列中的长距离依赖关系非常重要。双向LSTM网络能够提取更丰富和抽象的特征表示，将订单数据信息词特征向量序列转换为更高层次的语义特征表示。这有助于系统更好地理解订单数据并提取重要的特征信息。通过使用双向LSTM网络对订单数据信息词特征向量序列进行上下文编码，可以更好地建模订单数据的语义信息和序列结构，提取更丰富和准确的特征表示，为个性化推荐系统提供更有力的支持。[0047] 具体地，所述第二卷积编码子单元1222，用于将所述订单数据特征向量通过基于第二卷积神经网络模型的订单数据提取器以得到所述订单数据语义特征向量。应可以理解，卷积神经网络(CNN)在处理图像等数据时擅长提取局部特征，对于订单数据中的特征提取也同样有效。通过CNN模型，可以有效地捕捉订单数据特征向量中的空间特征，从而更好地表征订单数据的语义信息。CNN模型能够将输入的高维特征映射到更高层次的抽象特征表示，有助于发现订单数据中隐藏的重要特征。这样可以帮助提取更具语义的特征向量，进一步丰富订单数据的表征。通过CNN模型，系统可以学习订单数据中的模式和结构，识别重要的特征组合。这有助于提高订单数据的语义理解能力，使得语义特征向量更具有表征性和区分性。CNN模型通过卷积核的参数共享机制，可以减少模型的参数量，提高模型的效率和泛化能力。这对于处理订单数据的特征提取是非常有益的，能够更好地处理大规模数据。通过将订单数据特征向量通过基于第二卷积神经网络模型的订单数据提取器，可以更好地提取订单数据的语义特征向量，丰富订单数据的表征，提高系统对订单数据的理解和处理能力，从而为个性化推荐系统提供更准确和有效的支持。[0048] 相应地，在本申请一个具体的示例中，所述特征数据处理单元123，用于将所述待推荐服装设计的特征数据进行分词后通过特征提取以得到所述特征数据文本关联特征向量。应可以理解，通过对文本进行分词，可以将文本数据拆分为更小的语义单元，如单词或短语。这有助于提取文本中的语义信息，使得系统能够更好地理解文本数据的含义和内容。通过对分词后的文本进行特征提取，可以将文本数据转换为数值型的特征表示。这些特征表示可以更好地表征文本数据的关键信息和特征，为后续的处理和分析提供基础。将文本数据转换为特征向量后，可以更容易地进行文本之间的关联和比较。这有助于系统理解文本数据之间的相似性和差异性，从而更好地支持个性化推荐系统的推荐过程。将文本数据转换为特征向量后，可以作为模型的输入，用于训练和预测。这样可以更好地利用机器学习和深度学习模型来处理文本数据，实现更准确和有效的特征学习和推荐。通过将待推荐服装设计的特征数据进行分词并通过特征提取得到文本关联特征向量，系统能够更好地处理文本数据，提取关键特征信息，实现文本数据的语义理解和关联分析，从而为个性化推荐系统提供更精准和个性化的推荐服务。[0049] 具体地，所述特征数据处理单元，包括：特征数据分词子单元，用于将所述待推荐服装设计的特征数据进行分词后通过词嵌入模型以得到特征数据词向量的序列；特征数据排列子单元，用于将所述特征数据词向量的序列中所有词向量进行排列后通过编码以得到所述特征数据文本关联特征向量。[0050] 进一步，所述特征数据分词子单元，用于将所述待推荐服装设计的特征数据进行分词后通过词嵌入模型以得到特征数据词向量的序列。应可以理解，词嵌入模型能够将词语映射到连续向量空间中，使得语义相近的词在向量空间中距离较近。这样，通过词嵌入模型得到的词向量序列能够更好地表征文本数据中的语义信息，帮助系统理解词语之间的关系。词嵌入模型能够将离散的词语转换为连续的词向量表示，这些词向量携带了丰富的语义信息。通过词嵌入模型得到的词向量序列可以作为特征数据的有效表示，有助于后续的特征提取和分析。词嵌入模型考虑了词语在上下文中的出现情况，能够捕捉词语的语境信息。因此，通过词嵌入模型得到的词向量序列能够更好地反映文本数据中词语的语义和上下文关系。将文本数据转换为词向量序列后，可以将高维的文本数据表示压缩为低维的词向量表示。这有助于减少数据的维度，提高计算效率，并且更适合用于机器学习和深度学习模型的处理。词向量序列可以作为神经网络等模型的输入，用于训练和预测。通过将文本数据转换为词向量序列，可以更好地利用深度学习模型来处理文本数据，实现更准确和有效的特征学习和推荐。因此，通过将待推荐服装设计的特征数据进行分词后通过词嵌入模型得到特征数据词向量的序列，能够更好地表征文本数据的语义信息、提取关键特征、考虑上下文信息，并为后续的处理和分析提供更有效的特征表示。[0051] 更进一步，所述特征数据排列子单元，用于将所述特征数据词向量的序列中所有词向量进行排列后通过编码以得到所述特征数据文本关联特征向量。应可以理解，通过排列词向量序列，可以更好地捕捉文本数据中词语之间的顺序关系和上下文信息。这有助于系统更准确地理解文本数据的语义和逻辑结构。排列后的词向量序列通过编码可以转换为一个更高维度的特征向量，这个特征向量能够更全面地表征文本数据的关联特征。这种关联特征包含了词语之间的语义关系和文本的整体信息，有助于系统更好地理解和推断文本数据。通过将词向量序列进行排列和编码，可以提高特征数据的表征能力，使得后续的模型能够更准确地利用这些特征进行学习和推断。这有助于提高个性化推荐系统的性能和准确度。因此，通过排列和编码特征数据词向量序列，可以更好地提取文本数据的关联特征，帮助系统更好地理解和处理文本信息，从而提高推荐系统的效果和性能。[0052] 相应地，所述特征数据排列子单元，包括：特征数据排列矩阵二级子单元，用于将所述特征数据词向量的序列中所有词向量进行二维排列为特征数据词特征矩阵；文本卷积编码二级子单元，用于将所述特征数据词特征矩阵通过作为特征提取器的文本卷积神经网络模型以得到特征数据文本关联特征图；特征数据降维二级子单元，用于对所述特征数据文本关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述特征数据文本关联特征向量。[0053] 具体地，所述特征数据排列矩阵二级子单元，用于将所述特征数据词向量的序列中所有词向量进行二维排列为特征数据词特征矩阵。应可以理解，通过将词向量排列成矩阵的形式，可以更好地保留词语之间的顺序关系和上下文信息。这有助于系统更好地理解文本数据中词语的语义关联和逻辑顺序。将词向量排列成矩阵后，可以利用卷积操作等方法从局部区域提取特征。这有助于系统捕捉文本数据中局部特征的信息，从而更好地理解文本数据的结构和含义。神经网络模型通常更适合处理二维数据，将词向量排列成矩阵形式可以更好地适应这些模型的输入要求，同时也有利于后续的特征提取和学习过程。因此，将特征数据词向量的序列进行二维排列为特征数据词特征矩阵有助于保留上下文信息、提取局部特征以及适应神经网络等模型的输入要求，从而更好地理解和处理文本数据，提高系统的性能和准确度。[0054] 具体地，所述文本卷积编码二级子单元，用于将所述特征数据词特征矩阵通过作为特征提取器的文本卷积神经网络模型以得到特征数据文本关联特征图。应可以理解，文本卷积神经网络是一种擅长提取局部特征的深度学习模型。通过将特征数据词特征矩阵输入到文本卷积神经网络中，可以有效地从文本数据中提取各种层次的特征，包括局部特征和全局特征。文本卷积神经网络在处理文本数据时可以帮助系统更好地理解文本的语义信息。通过卷积操作和池化操作，文本卷积神经网络可以捕捉词语之间的关联性，从而提取出更高层次的语义特征。通过文本卷积神经网络提取特征，可以将原始的词特征矩阵转换为更紧凑、更高级的特征表示，这有助于降低数据的维度和复杂度，同时保留重要的信息。通过文本卷积神经网络提取特征，可以为后续的模型提供更具有表征能力的特征表示，从而提高整体模型的性能和准确度。因此，通过文本卷积神经网络模型处理特征数据词特征矩阵可以帮助系统提取文本数据中的关键特征、理解语义信息、降低数据维度，并提高模型性能，从而更好地支持个性化推荐系统的需求。[0055] 具体地，所述特征数据降维二级子单元，用于对所述特征数据文本关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述特征数据文本关联特征向量。应可以理解，全局均值池化是一种降维的操作，通过对特征图沿通道维度进行全局均值池化，可以将高维的特征图转换为固定长度的特征向量。这有助于减少数据的维度，简化后续的特征处理和模型计算。全局均值池化可以保留特征图中的重要信息。通过对每个通道上的特征进行均值池化，可以提取出每个通道上的平均特征值，从而保留了每个通道中的信息。全局均值池化有助于减少过拟合的风险。通过降低特征的维度，可以减少模型的参数数量，降低模型复杂度，从而有助于提高模型的泛化能力。获得固定长度的特征表示：通过全局均值池化得到的特征数据文本关联特征向量具有固定的长度，这有助于后续的特征表示和分类任务。[0056] 在本申请实施例中，服装设计数据融合模块130，用于构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵。应可以理解，浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量分别代表了用户的浏览行为、订单信息和特征数据之间的关联信息。将这些不同来源的特征向量综合起来，可以更全面地捕捉用户的行为和偏好，提高推荐系统对用户的理解能力。通过将多个不同来源的特征信息整合到一个特征矩阵中，可以提高分类模型的准确度和泛化能力。不同类型的特征向量可以相互补充，帮助模型更好地区分不同类别的服装设计。不同类型的特征向量可能包含不同层次和角度的信息。通过将它们结合到一个特征矩阵中，可以丰富特征表达，提高模型对数据的理解能力。将多个特征向量整合到一个特征矩阵中可以减少信息丢失的风险。在特征融合的过程中，可以更好地保留每个特征向量中的重要信息，避免信息的冗余和丢失。综合不同来源的特征信息可以提高模型的鲁棒性，使其更能适应不同的数据分布和用户行为模式。因此，构造浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵有助于提高模型性能、准确度和泛化能力，从而更好地支持服装设计推荐系统的任务。[0057] 特别地，在本申请的技术方案中，服装设计推荐分类特征矩阵是通过整合用户浏览数据、购买订单数据和待推荐服装设计特征数据得到的，用于推荐用户感兴趣的服装设计。提高服装设计推荐分类特征矩阵的信息聚合度对于精准推荐用户喜欢的服装设计、提高推荐系统的准确性至关重要。具体地，提高服装设计推荐分类特征矩阵的信息聚合度可以综合考虑用户的浏览数据和购买订单数据。通过整合用户不同行为数据，可以更全面地了解用户的喜好和购买行为，提高推荐的准确性和个性化程度。信息聚合度高意味着能够更好地整合用户行为数据和待推荐服装设计的特征数据。通过综合考虑用户行为和服装设计特征之间的关联，可以更好地捕捉用户的喜好和需求，提高推荐的精度和用户满意度。信息聚合度高可以提高推荐系统对用户兴趣的理解和分析能力，有助于实现个性化推荐。准确的推荐结果可以帮助提升用户体验，增加购买转化率。通过提高服装设计推荐分类特征矩阵的信息聚合度，可以更好地理解用户需求，提供符合用户喜好的服装设计推荐，从而提升用户满意度和忠诚度。基于此，对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵。[0058] 相应地，在本申请的一个实施例中，所述服装设计数据融合模块130，包括：融合特征向量单元，用于融合所述浏览数据文本理解特征向量、所述订单数据特征向量和所述特征数据文本关联特征向量以得到所述服装设计推荐分类特征矩阵；优化特征矩阵单元，用于对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到所述优化服装设计推荐分类特征矩阵。[0059] 进一步，所述优化特征矩阵单元，包括：计算所述服装设计推荐分类特征矩阵中各个位置的自然指数函数值以得到发散服装设计推荐分类特征矩阵；对所述发散服装设计推荐分类特征矩阵进行累加求和以得到所述发散服装设计推荐分类特征矩阵的总和值；将所述发散服装设计推荐分类特征矩阵的总和值与所述服装设计推荐分类特征矩阵的各个位置的特征值的绝对值相乘后再计算以二为底的对数函数值以得到对数变化后服装设计推荐分类特征矩阵；将所述对数变化后服装设计推荐分类特征矩阵与所述服装设计推荐分类特征矩阵进行按位置相乘以得到所述优化服装设计推荐分类特征矩阵。[0060] 具体地，对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵，包括：以如下公式对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合，其中，所述公式为：[0061][0062] 其中，mi，j是所述服装设计推荐分类特征矩阵的第(i，j)位置的特征值，且W和H是所述服装设计推荐分类特征矩阵的宽度和高度，log2表示以2为底的对数，m′i，j是所述优化服装设计推荐分类特征矩阵的第位置的特征值。[0063] 这里，为了提高服装设计推荐分类特征矩阵的信息聚合度，在本申请的技术方案中，对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合，其首先通过计算所述服装设计推荐分类特征矩阵中各个位置的自然指数函数值以对该位置的特征信息进行发散，并使用类小波函数对所述服装设计推荐分类特征矩阵中所有位置的发散信息进行结构性聚合以得到全局发散因子，在将所述全局发散因子作用于所述服装设计推荐分类特征矩阵的各个位置后计算其以二为底的对数函数值以对该位置的发散调制信息进行回归，这样通过仿发散‑回归的机制来对所述服装设计推荐分类特征矩阵的各个位置的特征值进行特征膨胀和浓缩，通过这样的方式，提高所述服装设计推荐分类特征矩阵的信息聚合度。[0064] 在本申请实施例中，服装设计数据分析模块140，用于将所述优化服装设计推荐分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否推荐该服装。应可以理解，分类器可以帮助系统做出决策，判断用户对某件服装的喜好程度。通过分类结果，系统可以更准确地判断是否推荐某件服装给用户，提高推荐的精准度。分类结果可以帮助系统实现个性化推荐。通过对用户的浏览和订单数据进行分类，系统可以更好地理解用户的偏好和行为，从而向用户推荐更符合其口味和需求的服装。通过分类结果来表示是否推荐某件服装，可以帮助系统在用户界面上直观地呈现推荐结果。用户可以更清晰地了解系统为其推荐的服装是否符合其期望，提高用户体验和满意度。分类器可以帮助系统快速而准确地对大量服装进行推荐分类。通过自动化分类和推荐过程，系统可以提高推荐效率，减少人工干预，同时保持推荐的准确性。因此，将服装设计推荐分类特征矩阵通过分类器以得到分类结果，并将分类结果用于表示是否推荐该服装，可以有效地提高推荐系统的个性化程度、用户体验和推荐效果。[0065] 相应地，在本申请的一个实施例中，所述服装设计数据分析模块140，包括：服装设计矩阵展开单元，用于将所述优化服装设计推荐分类特征矩阵按照行向量或列向量展开为优化服装设计推荐分类特征向量；服装设计全连接编码单元，用于使用所述分类器的全连接层对所述优化服装设计推荐分类特征向量进行全连接编码以得到全连接编码服装设计推荐分类特征向量；服装设计概率获得单元，用于将所述全连接编码服装设计推荐分类特征向量通过所述分类器的Softmax分类函数以得到归属于推荐该服装的第一概率以及归属于不推荐该服装的第二概率；服装设计分类结果确定单元，用于基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。[0066] 综上，基于本申请实施例的所述基于AI和大数据的个性化服装设计推荐系统及方法，通过获取用户的服装浏览和购买数据，以及待推荐服装的特征数据，利用特征向量和分类器来确定是否推荐该服装，从而提供用户定制化的服装推荐服务。[0067] 如上所述，根据本申请实施例的所述基于AI和大数据的个性化服装设计推荐系统100可以实现在各种终端设备中，例如基于AI和大数据的个性化服装设计推荐系统的服务器等。在一个示例中，根据基于AI和大数据的个性化服装设计推荐系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于AI和大数据的个性化服装设计推荐系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于AI和大数据的个性化服装设计推荐系统100同样可以是该终端设备的众多硬件模块之一。[0068] 替换地，在另一示例中，该基于AI和大数据的个性化服装设计推荐系统100与该终端设备也可以是分立的设备，并且该基于AI和大数据的个性化服装设计推荐系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。[0069] 图5为根据本申请实施例的基于AI和大数据的个性化服装设计推荐方法的流程图。如图5所示，根据本申请实施例的所述基于AI和大数据的个性化服装设计推荐方法，包括步骤：S110,获取用户对服装的浏览数据与用户购买服装的订单数据，以及获取待推荐服装设计的特征数据，其中，所述待推荐服装设计的特征数据，包括：款式、颜色、材质；S120,分别从所述用户对服装的浏览数据、所述用户购买服装的订单数据和所述待推荐服装设计的特征数据提取浏览数据文本理解特征向量、订单数据语义特征向量和特征数据文本关联特征向量；S130,构造所述浏览数据文本理解特征向量、所述订单数据语义特征向量和所述特征数据文本关联特征向量之间的服装设计推荐分类特征矩阵，并对所述服装设计推荐分类特征矩阵进行仿发散‑回归多级结构的信息整合以得到优化服装设计推荐分类特征矩阵；S140，将所述优化服装设计推荐分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否推荐该服装。[0070] 这里，本领域技术人员可以理解，上述基于AI和大数据的个性化服装设计推荐方法中的各个步骤的具体操作已经在上面参考图1到图4的基于AI和大数据的个性化服装设计推荐系统的描述中得到了详细介绍，并因此，将省略其重复描述。[0071] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。[0072] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0073] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0074] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0075] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0076] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。[0077] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

专利地区：吉林

专利申请日期：2024-05-31

专利公开日期：2024-11-29

专利公告号：CN118445490B