Fashion Recommender Systems

این کتاب شامل مجموعه مقالات اولین کارگاه در مورد سیستم‌های توصیه‌کننده در مد 2019 است. این کتاب نمای جدیدی از پیشرفت‌ها در زمینه سیستم‌های توصیه را با کاربرد متمرکز ارائه می‌کند. تجارت الکترونیک، خرده فروشی و مد. این جلد شامل مشارکت‌های محققان دانشگاهی و صنعتی فعال در این زمینه جدید در حال ظهور است.

سیستم‌های توصیه‌کننده اغلب برای حل مشکلات پیچیده مختلف در این سناریو، مانند مد اجتماعی استفاده می‌شوند. توصیه های مبتنی بر (لباس های الهام گرفته از اینفلوئنسرها)، توصیه های محصول، یا توصیه های اندازه و تناسب.

تأثیر شبکه‌های اجتماعی و تأثیری که تأثیرگذاران مد بر انتخاب‌هایی که مردم برای خرید انجام می‌دهند غیرقابل انکار است. به عنوان مثال، بسیاری از افراد از اینستاگرام برای اطلاع از روندهای مد از تأثیرگذاران برتر استفاده می کنند، که به آنها کمک می کند تا لباس های مشابه یا حتی دقیق را از برندهای برچسب گذاری شده در پست خریداری کنند. هنگامی که ردیابی می شود، رفتار اجتماعی مشتریان می تواند راهنمای بسیار مفیدی برای وب سایت های خرید آنلاین باشد، بینش هایی را در مورد سبک هایی که مشتریان واقعاً به آنها علاقه مند هستند ارائه می دهد، و از این رو به فروشگاه های آنلاین در ارائه توصیه های بهتر و تسهیل جستجوی مشتریان برای لباس کمک می کند.

یکی دیگر از مشکلات شناخته شده برای توصیه اقلام مشابه، مقادیر زیاد لباس هایی است که می توان آنها را مشابه دانست، اما متعلق به مارک های مختلف است. تنها تکیه بر داده‌های ضمنی رفتار مشتری در آینده آتی برای تمایز بین توصیه‌ای که منجر به خرید و نگهداری یک کالا می‌شود، در مقابل توصیه‌ای که ممکن است منجر به پیروی مشتری از آن شود یا در نهایت آن را بازگرداند، کافی نخواهد بود. مورد

یافتن سایز و تناسب مناسب برای لباس یکی از عوامل مهمی است که نه تنها بر تصمیم خرید مشتریان تأثیر می گذارد، بلکه بر رضایت آنها از پلتفرم های مد تجارت الکترونیک نیز تأثیر می گذارد. علاوه بر این، مقالات مد دارای تغییرات مهم در اندازه هستند. در نهایت، ترجیحات مشتری نسبت به اندازه مقاله و تناسب اندام آنها بسیار شخصی و ذهنی باقی می‌ماند که بر تعریف اندازه مناسب برای هر مشتری تأثیر می‌گذارد.

ترکیب عوامل فوق، مشتریان را تنها می‌گذارد تا با یک مشکل مواجه شوند. مشکل بسیار چالش برانگیز تعیین اندازه و تناسب مناسب در طول سفر خرید آنها، که به نوبه خود باعث شده است که بیش از یک سوم بازگشت پوشاک ناشی از سفارش ندادن اندازه مناسب کالا باشد. این چالش فرصتی بزرگ برای تحقیق در سیستم‌های توصیه‌ای با اندازه و مناسب و راه‌حل‌های یادگیری ماشینی با تأثیر مستقیم بر رضایت مشتری و سودآوری کسب‌وکار ارائه می‌دهد.

This book includes the proceedings of the first workshop on Recommender Systems in Fashion 2019. It presents a state of the art view of the advancements within the field of recommendation systems with focused application to e-commerce, retail and fashion. The volume covers contributions from academic as well as industrial researchers active within this emerging new field.

Recommender Systems are often used to solve different complex problems in this scenario, such as social fashion-based recommendations (outfits inspired by influencers), product recommendations, or size and fit recommendations.

The impact of social networks and the influence that fashion influencers have on the choices people make for shopping is undeniable. For instance, many people use Instagram to learn about fashion trends from top influencers, which helps them to buy similar or even exact outfits from the tagged brands in the post. When traced, customers’ social behavior can be a very useful guide for online shopping websites, providing insights on the styles the customers are really interested in, and hence aiding the online shops in offering better recommendations and facilitating customers quest for outfits.

Another well known difficulty with recommendation of similar items is the large quantities of clothing items which can be considered similar, but belong to different brands. Relying only on implicit customer behavioral data will not be sufficient in the coming future to distinguish between for recommendation that will lead to an item being purchased and kept, vs. a recommendation that might result in either the customer not following it, or eventually return the item.

Finding the right size and fit for clothes is one of the major factors not only impacting customers purchase decision, but also their satisfaction from e-commerce fashion platforms. Moreover, fashion articles have important sizing variations. Finally, customer preferences towards perceived article size and fit for their body remain highly personal and subjective which influences the definition of the right size for each customer.

The combination of the above factors leaves the customers alone to face a highly challenging problem of determining the right size and fit during their purchase journey, which in turn has resulted in having more than one third of apparel returns to be caused by not ordering the right article size. This challenge presents a huge opportunity for research in intelligent size and fit recommendation systems and machine learning solutions with direct impact on both customer satisfaction and business profitability.