“我们展示了我们的模型可以用于生成式任务，即给定一个用户和一个产品类别，我们可以生成与用户个人品味最一致的新图像（在此案例中为服装单品），”第一作者、计算机科学博士生王成康说道。“这代表了向构建此类系统迈出的第一步，这些系统超越了从产品语料库中推荐现有商品，进而能够建议风格并帮助设计新产品。”
他们的研究成果于11月初发表在《ArXiv》上，论文题为《基于生成式图像模型的视觉感知时尚推荐与设计》。计算机科学与工程系教授Julian McAuley和他二年级的博士生王成康与来自Adobe研究院的行业专家Chen Fang和Zhaowen Wang合作完成了这项研究。
“这提出了一种新型的推荐方法，可用于推荐、生产和设计，”McAuley和他的同事写道。“这些框架可以带来更丰富的推荐形式，使内容推荐和内容生成更紧密地联系在一起。”
该项目旨在测试人工智能和机器学习工具能在多大程度上帮助时尚产业和消费者——特别是那些日益增长的渴望在网上购买服装的购物者群体。
虽然有许多算法和工具帮助在线零售商向潜在买家推荐设计，但加州大学圣地亚哥分校与Adobe研究院的团队向前迈进了一大步。他们想看看是否可能不仅利用偏好和其他数据进行推荐，还能让计算机生成新的服装设计，这些设计因反映消费者的个人偏好而具有优势。
最初，研究人员专注于设计一个系统以创建更好的推荐，特别是在“视觉”推荐的情况下（如时尚服装或艺术品，消费者会受到产品外观的影响）。
根据这篇新论文，“为时尚等领域构建有效的推荐系统具有挑战性，因为涉及高度的主观性和特征的语义复杂性。”研究人员接着指出，通过使用源自深度网络的现成特征表示，将视觉信号直接纳入推荐目标，可以提高视觉推荐的准确性。
团队证明，通过直接学习“时尚感知”的图像表示，即联合训练图像表示（从像素级别）和推荐系统，可以显著提高推荐性能。这篇论文源于近期使用孪生卷积神经网络的工作，之所以称为孪生，是因为它们是一类包含两个或更多相同子网络的神经网络架构。（孪生卷积神经网络通常用于发现两个可比较项目之间的相似性或关系。）
对于这个时尚项目，研究人员训练孪生卷积神经网络来学习和分类用户对特定商品的偏好。
在此基础上，他们使用了一种称为生成对抗网络（GAN）的神经网络框架，来学习时尚图像的分布，并生成能最大化用户偏好的新颖时尚单品。GAN在一组数据上训练两个网络，它们特别适合生成逼真的图像。最终的系统可以从现有设计中建议购买商品，但也可以用于修改现有商品，或生成针对特定个人偏好量身定制的新设计（基于关于过往购买、调查等的“大数据”）。
人工智能在时尚产业的应用仍处于起步阶段，但全球最大的两家在线零售商——亚马逊和中国的阿里巴巴——已经在使用包括GAN在内的人工智能工具。至于加州大学圣地亚哥分校与Adobe研究院的项目，算法设计的新服装质量充其量还很初级。正如计算机科学与工程系的McAuley告诉《麻省理工科技评论》的一位作者那样，“如果你想称其为某种风格，还得稍微揣摩一番。”但是，他提醒说，将神经网络引入时尚界仍处于起步阶段。