Исследование программных решений для определения оптимального решения по заданным параметрам

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В данной работе рассматривается исследование программных решений для оптимизации принятия решения, в частности, выбора наиболее подходящего размера одежды. Целью работы является проведение исследования и сравнения трех методов машинного обучения относительно вопроса предсказания размера одежды. Разработка программных решений проводилась на основе открытого набора данных, содержащего мерки пользователей, информацию о товарах, размерах и типах заказанных товаров, отзывы и комментарии к заказам. В ходе работы были реализованы три алгоритма машинного обучения: метод k-ближайших соседей, использование многослойной полносвязной нейронной сети, использование нейронной сети со смешными входами данных. Представлены и протестированы возможные решения и архитектуры нейронных сетей относительно вопроса оптимизации принятия решения относительно размера по критериям самого пользователя. Предложено использование нейронной сети со смешанными входами данных на языке программирования JavaScript с использованием TensorFlow.JS, где под смешанными входами подразумеваются данные о личных мерках пользователя и оставленные комментарии о соответствии заявленного размера. Последующее предложенного решения возможно в качестве самостоятельного веб-приложения или для интеграции модуля на веб-площадки с соответствующей тематикой.

Полный текст

Доступ закрыт

Об авторах

Дарья Борисовна Пугачева

МИРЭА – Российский технологический университет

Автор, ответственный за переписку.
Email: pugacheva@mirea.ru
ORCID iD: 0009-0008-5792-3240

кафедра компьютерного дизайна, Институт перспективных технологий и индустриального программирования

Россия, Москва

Майя Викторовна Юдина

МИРЭА – Российский технологический университет

Email: yudina_m@mirea.ru

кандидат технических наук; доцент, кафедра компьютерного дизайна, Институт перспективных технологий и индустриального программирования

Россия, Москва

Список литературы

  1. Clothing fit dataset for size recommendation. kaggle. URL: https://www.kaggle.com/datasets/rmisra/clothing-fit-dataset-for-size-recommendation (data of accesses: 21.03.2024).
  2. Итоги 2022 года от АКИТ // E-PEPPER журнал об электронной коммерции. URL: https://e-pepper.ru/news/itogi-2022-goda-ot-akit.html?ysclid=lu8p3v8kyj470047044 (дата обращения: 21.03.2024).
  3. Keras: Multiple inputs and mixed data. pyimagesearch. URL: https://pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/ (data of accesses: 21.03.2024).
  4. Кудрявцев М.А. Методология проектирования модели костюма на основе готовой коллекции с использованием машинного обучения // Научные исследования. 2018. № 6 (26).
  5. Ларионова М.А., Бабешко В.Н. Перспективы применения искусственного интеллекта в легкой промышленности // МНИЖ. 2021. № 7-1 (109).
  6. Балашов М.К. Будущее маркетинга: нейронные сети как инструмент обслуживания клиентов // Наука и образование сегодня. 2017. № 11 (22).
  7. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А.А. Слинкина. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
  8. Моралес М. Грокаем глубокое обучение с подкреплением. СПб.: Питер, 2023. 464 с. (Серия «Библиотека программиста»).
  9. Rishabh M., Mengting Wan, McAuley J. Decomposing fit semantics for product size recommendation in metric spaces. In: Proceedings of the 12th ACM Conference on Recommender Systems. 2018. Pp. 422–426.
  10. Rishabh M., Grover J. Sculpting data for ML: The first act of machine learning. 2021. ISBN: 9798585463570.
  11. Sklearn API Reference. scikit-learn. URL: https://scikit-learn.org/stable/modules/classes.html#module-sklearn.neighbors (data of accesses: 18.03.2024).
  12. Satyasangram sahoo, received MTech (CSE), Dr. R. Lakshmi: Mixed data through multiple input for price prediction with multilayer perception and mini VGG // International Journal of Recent Technology and Engineering (IJRTE). No. 8 (2). Pp. 6317–6320.
  13. Ramé A., Sun R., Cord M. MixMo: Mixing multiple inputs for multiple outputs via deep subnetworks. 2020. URL: https://www.researchgate.net/publication/349963564_MixMo_Mixing_Multiple_Inputs_for_Multiple_Outputs_via_Deep_Subnetworks
  14. Linjun Zhang, Zhun Deng, Kawaguchi K. et al. How does mixup help with robustness and generalization? // ICLR. 2021.
  15. Borugadda P. et al. Transfer learning VGG16 model for classification of tomato plant leaf diseases: A novel approach for multi-level dimensional reduction. Pertanika Journal of Science and Technology. 2023. N. pag.
  16. Анализ рынка одежды в России – демоверсия отчета BusinesStat // BusinesStat. URL: https://businesstat.ru/images/demo/clothes_russia_demo_businesstat.pdf (дата обращения: 25.03.2024).
  17. Рынок интернет-торговли в России // Ассоциация компаний интернет-торговли – АКИТ. URL: https://akit.ru/ (дата обращения: 21.03.2024).
  18. Модели TensorFlow.JS // TensorFlow. URL: https://www.tensorflow.org/js/models?hl=ru (дата обращения: 18.03.2024).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Визуализация мерок и заказанных размеров для первых 100 пользователей (сантиметры, российская размерная сетка)

Скачать (238KB)
Метаданные
3. Рис. 2. Параметры ближайших соседей для одного из выводов

Скачать (77KB)
Метаданные
4. Рис. 3. Архитектура нейронной сети для распознавания рукописных цифр

Скачать (578KB)
Метаданные
5. Рис. 4. Архитектура полносвязной нейронной сети для предсказания размера комплекта одежды по трем меркам

Посмотреть 
Метаданные
6. Рис. 5. Архитектура нейронной сети со смешанными входами данных, используемая для предсказания стоимости дома

Скачать (100KB)
Метаданные
7. Рис. 6. Архитектура нейронной сети со смешанными входами данных для предсказания размера комплекта одежды

Скачать (419KB)
Метаданные