随着互联网迅速发展,消费群体热衷于网上购物,为线上顾客带来专业的购物体验成为当前的研究热点之一。现有的服装款式推荐系统通常基于顾客对自身体貌特征的判断推荐服装,由于顾客对自身的体貌特征定位不清晰导致推荐结果的主观性和不准确性。另一方面,基于顾客的喜好取向和购买习惯的推荐方法,并没有考虑顾客的实际体貌特征,且缺乏专业人士的服装推荐意见。随着图像识别技术和深度学习的迅速发展,将其融入电子商务成为服装销售领域的发展趋势。本课题所设计的服装专家推荐系统(Costume Expert Recommendation System,简称CERS)首先通过人机交互获取顾客的照片,应用基于卷积神经网络的支持向量机(简称CNN-SVM)的多分类器模型,提取照片中顾客的体貌特征;其次,CERS将顾客的特定体貌特征信息存入专家系统的事实库中,并把服装专家知识以产生式规则方式存入规则库,进一步对系统推理机所采用的传统串行黑板模型新增动态搜索机制改进,系统基于顾客不同的体貌特征和服装搭配专家经验两方面提供智能化、个性化的服装推荐。支持向量机(Support Vector Machine,简称SVM)分类精度高、泛化能力强,本文选用SVM作为顾客体貌特征分类器。以脸型为例,为提取脸部特征,本文对比分析了监督下降法(Supervised Descent Method,简称SDM)算法和卷积神经网络(Convolutional Neural Networks,简称CNN)算法,实验结果表明,相较于SDM算法,CNN算法无需图像预处理可以直接隐式提取特征,且不易丢失脸型轮廓信息。将SVM和CNN算法结合,所得到CNN-SVM多分类器作为顾客信息自动采集模块的核心技术,自动获取顾客的肤色、脸型、肩型、身型特征,可解决由于目前客户手动输入或选择的文字信息所带来的主观性和不确定性。本文所设计的基于专家系统的CERS模拟服装专家的思维过程,针对顾客的肤色、身型、脸型、肩型的体貌特征按照搭配知识规则正向推理得到服装推荐清单。其知识库采用产生式规则形式保存顾客、服装信息以及搭配知识。推理机采用添加动态搜索机制的黑板结构,在搜索过程中根据规则结论数据重新调整知识源(Knowledge Source,简称KS)的优先级顺序,确保下一级KS在更小范围的数量空间进行搜索,解决专家系统中经典黑板模型的缺点,有效提高规则匹配和搜索的速度。