POP: Mining des potenziellen Leistungsvermögens neuer Modeprodukte durch webbasierte multimodale Abfrageerweiterung

Wir schlagen eine datenzentrierte Pipeline vor, die in der Lage ist, exogene Beobachtungsdaten für das Problem der Neuen Modellproduktleistungsvorhersage (NFPPF) zu generieren, d.h., die Leistung eines völlig neuen Kleidungsprobes ohne verfügbare Vergangenheitsbeobachtungen vorherzusagen. Unsere Pipeline erzeugt die fehlende Vergangenheit ausgehend von einem einzelnen, verfügbaren Bild des Kleidungsprobes. Sie beginnt damit, textuelle Tags, die dem Bild zugeordnet sind, zu erweitern und nach verwandten modischen oder unmodischen Bildern zu suchen, die zu einem bestimmten Zeitpunkt in der Vergangenheit im Internet hochgeladen wurden. Ein binärer Klassifikator wird durch robustes Lernen auf diesen Web-Bildern trainiert, um zu lernen, was in der Vergangenheit modisch war und wie sehr das Probenbild dieser Vorstellung von Modität entspricht. Diese Übereinstimmung erzeugt die Zeitreihe der Potenziellen Leistung (POP), die anzeigt, wie gut das Probe sich geschlagen hätte, wenn es früher verfügbar gewesen wäre. POP erwies sich als hoch prädiktiv für die zukünftige Leistung des Probes und verbessert die Verkaufsprognosen aller Stand-of-the-Art-Modelle im aktuellen VISUELLE Fast-Fashion-Datensatz. Wir zeigen außerdem, dass POP die tatsächliche Popularität neuer Stile (Ensembles von Kleidungsstücken) im Fashion Forward Benchmark widerspiegelt, was beweist, dass unser webbasiert gelerntes Signal eine ehrliche Ausdrucksform der Popularität ist, von jedem zugänglich und auf jede Analysezeit generalisierbar. Der Quellcode zur Vorhersage, Daten und die POP-Zeitreihe sind unter folgendem Link verfügbar: https://github.com/HumaticsLAB/POP-Mining-POtential-Performance