基于异质图神经网络的服装兼容性预测

针对目前服装兼容性预测模型效果虚高,且对服装单品关系的建模没有考虑单品的类型,以及样本不均衡导致模型训练不充分的问题,提出一个基于异质图神经网络的服装兼容性预测模型.首先采用一种负样本采样策略,使用同类替换的原则重新构造负样本集,解决了现有模型效果虚高的问题;然后采用异质图神经网络,结合图全局池化技术实现了对同一套装内不同类型单品之间复杂关系的建模;最后通过难例学习,使得样本量较少的类型单品有更加均衡的训练机会.在Polyvore数据集上的实验结果表明,所提模型的AUC值达到0.838,综合兼容性预测性能优于对比方法.