Modelo autosupervisado para recomendación visual para ecommerce de moda

Abstract

El problema de fashion compatibility radica en determinar la compatibilidad entre un conjunto de prendas. Este desafío posee gran relevancia y puede ser aplicado en diversos contextos, como plataformas de comercio electrónico de moda y aplicaciones de vestuario. En tales situaciones, una interfaz capaz de sugerir productos compatibles a los usuarios incrementaría los ingresos, mejoraría la experiencia de compra, y aumentaría la retención de clientes. Se han propuesto soluciones de inteligencia artificial para abordar la fashion compatibility mediante modelos supervisados. Estos modelos se entrenan con tripletes de datos: una prenda de referencia, una compatible y una incompatible. A pesar de los resultados positivos, presentan debilidad en los ejemplos negativos de incompatibilidad, seleccionados al azar, lo que puede llevar a aprendizaje no deseado. Esto podría generar recomendaciones erróneas al considerar características irrelevantes, resultando en sugerencias carentes de pertinencia o, peor aún, contraproducentes para la experiencia del usuario y la confianza en la plataforma. Así, es altamente deseable desarrollar modelos de aprendizaje que utilicen exclusivamente pares de prendas compatibles. Esto eliminaría la necesidad de abordar la complejidad asociada con la selección de ejemplos negativos. En el contexto de esta tarea, se exploran dos modelos que han demostrado generar representaciones de alta calidad en tareas como la clasificación de imágenes y la detección de objetos usando solo ejemplos positivos. Este trabajo realiza un estudio exhaustivo de los modelos de recomendación de prendas fundamentados en imágenes. A continuación, se proponen modelos de recomendación en el contexto de su implementación en una plataforma de comercio electrónico de moda. Estos modelos se someten a evaluación utilizando el conjunto de datos Polyvore Outfits, un conjunto de datos diseñado para evaluar tanto la compatibilidad como la recuperación de prendas. Por último, se crea una interfaz web que permite visualizar los resultados obtenidos por los modelos. Después de rigurosas pruebas y comparaciones, se ha constatado que los ejemplos negativos, aunque puedan no ser completamente exactos, proporcionan información relevante y posibilitan el aprendizaje de sistemas capaces de generar recomendaciones más precisas en comparación con aquellos basados únicamente en ejemplos positivos. Estos ejemplos permiten al sistema comprender y diferenciar con mayor precisión las disparidades entre prendas compatibles e incompatibles, lo cual contribuye a una coherencia y robustez superiores en las recomendaciones generadas.