1.1目的及意义

随着互联网的发展和电商平台的深入连接，让人们做到“足不出户，买尽天下”。电子商务平台方便了人们的商品购买，通常会给出一个较为全面的商品说明，其中包含图片、评论和文字简介。但是由于平台上同一类别的商品众多，相似产品数量过大，以至于用户挑选商品时花费大量时间来筛选出想要的产品。例如：淘宝上搜索“牛仔裤男”的商品数目都达到上万。这种看似提供了更多的选择其实也带来很多“信息过载”问题。为了解决信息过载，一般的平台都是采用信息检索的方式来筛选用户所需要的商品，或者采用推荐系统去分析用户特征和用户的需求来解决这个问题。

其次，电子商务平台无法提供像实体店类似的导购员的服务，一个好的导购员能根据用户的喜好和风格来个性化推荐服装的搭配。为了能够提供更好的购物体验，电子商务平台应向客户提供和实体店类似的个性化服装搭配的推荐服务，以便能更好的扩张和方便人们购物。

个性化服装搭配的研究不仅能够帮助用户在搜索时节省发现商品的时间，还能做到类似实体店导购员的个性化搭配，帮助用户搭配出适合自己的方案。

1.2国内外研究现状分析：

在电商平台越来越普及的时候，人们开始对个性化推荐服务重视了起来。以智能推荐系统为服务热点的平台也越来越多了。例如：亚马逊，淘宝，京东等展示商品时使用的都是综合排序或者智能排序。当前围绕个性化穿衣搭配的研究，需要解决如下问题：

1. 数据稀松性问题

目前的电子商务平台的商品都是上千万级别的，用户都有过亿的。如何获取有效的信息，并降低数据稀疏性，是目前热门的研究方向。运用数据降维法处理数据，这种方法是把高维的数据进行降低维度处理，从而降低数据的稀疏性。以牺牲部分信息为代价提高运算速率的一种算法，主要有奇异值矩阵分解法（Singular Value Decomposition SVD）以及主成分分析法（(Principal Component Analysis,PCA），SVD是按照重要性排列，降维的过程就是舍弃不重要的特征向量的过程，而剩下的特征向量组成的空间即为降维后的空间。Gupta R，Jain A等人运用SVD算法提取与我们的物品相关的特征变量，将其应用在推荐系统中，证明了这种方法能使推荐系统更个性化，相对于其他算法的F1值得到了30%的提高。

此外，采用基于模型的协调过滤推荐技术，基于BP神经网络的算法和将EM应用于Bayes分类模型的推荐算法都能降低稀疏

2. 图片信息提取问题