| Título : |
Fashion Recommender Systems |
| Tipo de documento: |
documento electrónico |
| Autores: |
Dokoohaki, Nima, |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2020 |
| Número de páginas: |
VII, 145 p. 64 ilustraciones, 44 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-030-55218-3 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Teoría de grafos Procesamiento de datos Sociología Procesamiento de la señal Minería de datos y descubrimiento de conocimientos Métodos sociológicos Procesamiento de señales voz e imágenes |
| Índice Dewey: |
511.5 |
| Resumen: |
Este libro incluye las actas del primer taller sobre sistemas de recomendación en la moda 2019. Presenta una visión de vanguardia de los avances dentro del campo de los sistemas de recomendación con aplicación enfocada al comercio electrónico, el comercio minorista y la moda. El volumen cubre contribuciones de investigadores académicos e industriales activos en este nuevo campo emergente. Los sistemas de recomendación se suelen utilizar para resolver diferentes problemas complejos en este escenario, como recomendaciones sociales basadas en moda (atuendos inspirados en influencers), recomendaciones de productos o recomendaciones de talla y ajuste. Es innegable el impacto de las redes sociales y la influencia que tienen los influencers de la moda en las elecciones que hacen las personas a la hora de comprar. Por ejemplo, muchas personas usan Instagram para conocer las tendencias de moda de los principales influencers, lo que les ayuda a comprar prendas similares o incluso exactas de las marcas etiquetadas en la publicación. Cuando se rastrea, el comportamiento social de los clientes puede ser una guía muy útil para los sitios web de compras en línea, ya que proporciona información sobre los estilos que realmente interesan a los clientes y, por lo tanto, ayuda a las tiendas en línea a ofrecer mejores recomendaciones y facilitar a los clientes la búsqueda de prendas. Otra dificultad bien conocida a la hora de recomendar artículos similares es la gran cantidad de prendas que pueden considerarse similares, pero pertenecen a marcas diferentes. Depender únicamente de datos implícitos sobre el comportamiento del cliente no será suficiente en el futuro próximo para distinguir entre una recomendación que conducirá a la compra y conservación de un artículo y una recomendación que podría resultar en que el cliente no la siga o eventualmente devuelva el producto. artículo. Encontrar la talla y el ajuste correctos para la ropa es uno de los principales factores que no solo influyen en la decisión de compra de los clientes, sino también en su satisfacción con las plataformas de moda de comercio electrónico. Además, los artículos de moda tienen importantes variaciones de tallas. Por último, las preferencias de los clientes en cuanto al tamaño percibido del artículo y el ajuste a su cuerpo siguen siendo muy personales y subjetivas, lo que influye en la definición de la talla adecuada para cada cliente. La combinación de los factores anteriores deja a los clientes solos frente al difícil problema de determinar el tamaño y el ajuste correctos durante su proceso de compra, lo que a su vez ha resultado en que más de un tercio de las devoluciones de prendas de vestir se deban a no haber pedido el producto correcto. Tamaño del artículo. Este desafío presenta una gran oportunidad para la investigación en sistemas inteligentes de recomendación de tamaño y ajuste y soluciones de aprendizaje automático con un impacto directo tanto en la satisfacción del cliente como en la rentabilidad empresarial. |
| Nota de contenido: |
Part 1. Cold Start in Recommendations -- Chapter 1. Fashion Recommender Systems in Cold Start ( Mehdi Elahi) -- Part 2. Complementary and Session Based Recommendation -- Chapter 2. Enabling Hyper-Personalisation: Automated AdCreative Generation and Ranking for Fashion e-Commerce (Sreekanth Vempati) -- Chapter 3. Two-Stage Session-based Recommendations with Candidate Rank Embeddings (Jose Antonio Sanchez Rodrguez) -- Part 3. Outfit Recommendations -- Chapter 4. Attention-based Fusion for Outfit Recommendation (Katrien Laenen) -- Chapter 5. Outfit2Vec: Incorporating Clothing Hierarchical MetaData into Outfits' Recommendation (Shatha Jaradat) -- Part 4. Sizing and Fit Recommendations -- Chapter 6. Learning Size and Fit from Fashion Images (Nour Karessli) -- Part 5. Generative Outfit Recommendation -- Chapter 7. Generating High-Resolution Fashion Model Images Wearing Custom Outfits (Gokhan Yildirim). |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Fashion Recommender Systems [documento electrónico] / Dokoohaki, Nima, . - 1 ed. . - [s.l.] : Springer, 2020 . - VII, 145 p. 64 ilustraciones, 44 ilustraciones en color. ISBN : 978-3-030-55218-3 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Teoría de grafos Procesamiento de datos Sociología Procesamiento de la señal Minería de datos y descubrimiento de conocimientos Métodos sociológicos Procesamiento de señales voz e imágenes |
| Índice Dewey: |
511.5 |
| Resumen: |
Este libro incluye las actas del primer taller sobre sistemas de recomendación en la moda 2019. Presenta una visión de vanguardia de los avances dentro del campo de los sistemas de recomendación con aplicación enfocada al comercio electrónico, el comercio minorista y la moda. El volumen cubre contribuciones de investigadores académicos e industriales activos en este nuevo campo emergente. Los sistemas de recomendación se suelen utilizar para resolver diferentes problemas complejos en este escenario, como recomendaciones sociales basadas en moda (atuendos inspirados en influencers), recomendaciones de productos o recomendaciones de talla y ajuste. Es innegable el impacto de las redes sociales y la influencia que tienen los influencers de la moda en las elecciones que hacen las personas a la hora de comprar. Por ejemplo, muchas personas usan Instagram para conocer las tendencias de moda de los principales influencers, lo que les ayuda a comprar prendas similares o incluso exactas de las marcas etiquetadas en la publicación. Cuando se rastrea, el comportamiento social de los clientes puede ser una guía muy útil para los sitios web de compras en línea, ya que proporciona información sobre los estilos que realmente interesan a los clientes y, por lo tanto, ayuda a las tiendas en línea a ofrecer mejores recomendaciones y facilitar a los clientes la búsqueda de prendas. Otra dificultad bien conocida a la hora de recomendar artículos similares es la gran cantidad de prendas que pueden considerarse similares, pero pertenecen a marcas diferentes. Depender únicamente de datos implícitos sobre el comportamiento del cliente no será suficiente en el futuro próximo para distinguir entre una recomendación que conducirá a la compra y conservación de un artículo y una recomendación que podría resultar en que el cliente no la siga o eventualmente devuelva el producto. artículo. Encontrar la talla y el ajuste correctos para la ropa es uno de los principales factores que no solo influyen en la decisión de compra de los clientes, sino también en su satisfacción con las plataformas de moda de comercio electrónico. Además, los artículos de moda tienen importantes variaciones de tallas. Por último, las preferencias de los clientes en cuanto al tamaño percibido del artículo y el ajuste a su cuerpo siguen siendo muy personales y subjetivas, lo que influye en la definición de la talla adecuada para cada cliente. La combinación de los factores anteriores deja a los clientes solos frente al difícil problema de determinar el tamaño y el ajuste correctos durante su proceso de compra, lo que a su vez ha resultado en que más de un tercio de las devoluciones de prendas de vestir se deban a no haber pedido el producto correcto. Tamaño del artículo. Este desafío presenta una gran oportunidad para la investigación en sistemas inteligentes de recomendación de tamaño y ajuste y soluciones de aprendizaje automático con un impacto directo tanto en la satisfacción del cliente como en la rentabilidad empresarial. |
| Nota de contenido: |
Part 1. Cold Start in Recommendations -- Chapter 1. Fashion Recommender Systems in Cold Start ( Mehdi Elahi) -- Part 2. Complementary and Session Based Recommendation -- Chapter 2. Enabling Hyper-Personalisation: Automated AdCreative Generation and Ranking for Fashion e-Commerce (Sreekanth Vempati) -- Chapter 3. Two-Stage Session-based Recommendations with Candidate Rank Embeddings (Jose Antonio Sanchez Rodrguez) -- Part 3. Outfit Recommendations -- Chapter 4. Attention-based Fusion for Outfit Recommendation (Katrien Laenen) -- Chapter 5. Outfit2Vec: Incorporating Clothing Hierarchical MetaData into Outfits' Recommendation (Shatha Jaradat) -- Part 4. Sizing and Fit Recommendations -- Chapter 6. Learning Size and Fit from Fashion Images (Nour Karessli) -- Part 5. Generative Outfit Recommendation -- Chapter 7. Generating High-Resolution Fashion Model Images Wearing Custom Outfits (Gokhan Yildirim). |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Fashion Recommender Systems
