Submit Search
Upload
トピックモデルを用いた 潜在ファッション嗜好の推定
•
41 likes
•
119,296 views
Takashi Kaneda
Follow
Fashion Tech meetup #1 の発表資料です!
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 28
Download now
Download to read offline
Recommended
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
[DL輪読会]Learning Latent Dynamics for Planning from Pixels
[DL輪読会]Learning Latent Dynamics for Planning from Pixels
Deep Learning JP
最近思った機械学習(PyTorch)のベストプラクティス
最近思った機械学習(PyTorch)のベストプラクティス
Masato Fujitake
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
Deep Learning JP
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks
Deep Learning JP
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
Recommended
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
[DL輪読会]Learning Latent Dynamics for Planning from Pixels
[DL輪読会]Learning Latent Dynamics for Planning from Pixels
Deep Learning JP
最近思った機械学習(PyTorch)のベストプラクティス
最近思った機械学習(PyTorch)のベストプラクティス
Masato Fujitake
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
Deep Learning JP
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks
Deep Learning JP
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
CRF を使った Web 本文抽出
CRF を使った Web 本文抽出
Shuyo Nakatani
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
ピンホールカメラモデル
ピンホールカメラモデル
Shohei Mori
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
Tsukasa Fukunaga
確率モデルを用いた3D点群レジストレーション
確率モデルを用いた3D点群レジストレーション
Kenta Tanaka
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
Hiroshi Nakagawa
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
異常検知と変化検知で復習するPRML
異常検知と変化検知で復習するPRML
Katsuya Ito
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
GentaYoshimura
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII
初めてのグラフカット
初めてのグラフカット
Tsubasa Hirakawa
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
Toru Tamaki
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
最適化超入門
最適化超入門
Takami Sato
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化
Shunsuke Ono
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
Deep Learning JP
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
Naoki Yanai
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
More Related Content
What's hot
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
CRF を使った Web 本文抽出
CRF を使った Web 本文抽出
Shuyo Nakatani
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
ピンホールカメラモデル
ピンホールカメラモデル
Shohei Mori
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
Tsukasa Fukunaga
確率モデルを用いた3D点群レジストレーション
確率モデルを用いた3D点群レジストレーション
Kenta Tanaka
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
Hiroshi Nakagawa
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
異常検知と変化検知で復習するPRML
異常検知と変化検知で復習するPRML
Katsuya Ito
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
GentaYoshimura
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII
初めてのグラフカット
初めてのグラフカット
Tsubasa Hirakawa
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
Toru Tamaki
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
最適化超入門
最適化超入門
Takami Sato
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化
Shunsuke Ono
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
Deep Learning JP
What's hot
(20)
時系列分析による異常検知入門
時系列分析による異常検知入門
CRF を使った Web 本文抽出
CRF を使った Web 本文抽出
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
ピンホールカメラモデル
ピンホールカメラモデル
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
確率モデルを用いた3D点群レジストレーション
確率モデルを用いた3D点群レジストレーション
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
異常検知と変化検知で復習するPRML
異常検知と変化検知で復習するPRML
変分ベイズ法の説明
変分ベイズ法の説明
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用
初めてのグラフカット
初めてのグラフカット
グラフィカルモデル入門
グラフィカルモデル入門
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
研究効率化Tips Ver.2
研究効率化Tips Ver.2
最適化超入門
最適化超入門
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
Viewers also liked
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
Naoki Yanai
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
toilet_lunch
Simple perceptron by TJO
Simple perceptron by TJO
Takashi J OZAKI
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
決定木学習
決定木学習
Mitsuo Shimohata
SVMについて
SVMについて
mknh1122
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
Teppei Baba
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
Koichi Hamada
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ryota Kamoshida
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
Ken Morishita
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
敦志 金谷
Rによるデータサイエンス13「樹木モデル」
Rによるデータサイエンス13「樹木モデル」
Takeshi Mikami
Pythonで機械学習入門以前
Pythonで機械学習入門以前
Kimikazu Kato
ルールベースから機械学習への道 公開用
ルールベースから機械学習への道 公開用
nishio
30分でわかる『R』によるデータ分析|データアーティスト
30分でわかる『R』によるデータ分析|データアーティスト
Satoru Yamamoto
Viewers also liked
(20)
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
パターン認識 第10章 決定木
パターン認識 第10章 決定木
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
Simple perceptron by TJO
Simple perceptron by TJO
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
決定木学習
決定木学習
SVMについて
SVMについて
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
一般向けのDeep Learning
一般向けのDeep Learning
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
Rによるデータサイエンス13「樹木モデル」
Rによるデータサイエンス13「樹木モデル」
Pythonで機械学習入門以前
Pythonで機械学習入門以前
ルールベースから機械学習への道 公開用
ルールベースから機械学習への道 公開用
30分でわかる『R』によるデータ分析|データアーティスト
30分でわかる『R』によるデータ分析|データアーティスト
Similar to トピックモデルを用いた 潜在ファッション嗜好の推定
マルチアームバンディットアルゴリズムを使ったプッシュ配信の最適化
マルチアームバンディットアルゴリズムを使ったプッシュ配信の最適化
Takashi Kaneda
強化学習を活用して CTRの向上を実現したお話
強化学習を活用して CTRの向上を実現したお話
Takashi Kaneda
八子クラウド座談会 事前配布・趣旨説明 20170617
八子クラウド座談会 事前配布・趣旨説明 20170617
知礼 八子
「JPOHC」のロゴ制作の話
「JPOHC」のロゴ制作の話
典子 松本
Techreaders3
Techreaders3
Daisuke Kasuya
第三者視点で見続けた「日本」、米国から見た強みと課題
第三者視点で見続けた「日本」、米国から見た強みと課題
Nobuhiro Seki
20100701 01 ツイッター浜名湖_プレゼン_i_phoneで動くロボットセミナー
20100701 01 ツイッター浜名湖_プレゼン_i_phoneで動くロボットセミナー
akihiro uehara
WindowsMobile開発者がAndroidに出会ったら…
WindowsMobile開発者がAndroidに出会ったら…
Hiroaki TAKEUCHI
SwiftでSNS投稿を行う
SwiftでSNS投稿を行う
Takashi Matsumoto
デザイナーズハック 008 定例MTG テレビUIの研究
デザイナーズハック 008 定例MTG テレビUIの研究
Chihiro Tomita
Superflat
Superflat
Sachio Kuwahata
まにまにフェスティバルP2(馮資料)
まにまにフェスティバルP2(馮資料)
馮 富久
エンジニアのキャリアを考える
エンジニアのキャリアを考える
MKT International Inc.
ad:tech tokyo 2011 Lean startup: Facebook、twitter、スマートフォン全盛時代のベンチャーへの取り組み
ad:tech tokyo 2011 Lean startup: Facebook、twitter、スマートフォン全盛時代のベンチャーへの取り組み
ブレークスルーパートナーズ 赤羽雄二
会津(地方)にもっと勉強会を
会津(地方)にもっと勉強会を
Wataru Asai
ソーシャルメディア、スマートフォン全盛時代に我々は何ができるか
ソーシャルメディア、スマートフォン全盛時代に我々は何ができるか
ブレークスルーパートナーズ 赤羽雄二
Developers Summit 2017 17-A-7 執筆を支える技術と技術書のトレンド
Developers Summit 2017 17-A-7 執筆を支える技術と技術書のトレンド
Masahiro Hidaka
デジタルツインとシミュレーションで未来を予測する潮流
デジタルツインとシミュレーションで未来を予測する潮流
IoTビジネス共創ラボ
20171113 ntt data
20171113 ntt data
Hideki Ojima
Bp study bmg_ピクト図解_20140226_v2_公開用
Bp study bmg_ピクト図解_20140226_v2_公開用
Hidehiko Akasaka
Similar to トピックモデルを用いた 潜在ファッション嗜好の推定
(20)
マルチアームバンディットアルゴリズムを使ったプッシュ配信の最適化
マルチアームバンディットアルゴリズムを使ったプッシュ配信の最適化
強化学習を活用して CTRの向上を実現したお話
強化学習を活用して CTRの向上を実現したお話
八子クラウド座談会 事前配布・趣旨説明 20170617
八子クラウド座談会 事前配布・趣旨説明 20170617
「JPOHC」のロゴ制作の話
「JPOHC」のロゴ制作の話
Techreaders3
Techreaders3
第三者視点で見続けた「日本」、米国から見た強みと課題
第三者視点で見続けた「日本」、米国から見た強みと課題
20100701 01 ツイッター浜名湖_プレゼン_i_phoneで動くロボットセミナー
20100701 01 ツイッター浜名湖_プレゼン_i_phoneで動くロボットセミナー
WindowsMobile開発者がAndroidに出会ったら…
WindowsMobile開発者がAndroidに出会ったら…
SwiftでSNS投稿を行う
SwiftでSNS投稿を行う
デザイナーズハック 008 定例MTG テレビUIの研究
デザイナーズハック 008 定例MTG テレビUIの研究
Superflat
Superflat
まにまにフェスティバルP2(馮資料)
まにまにフェスティバルP2(馮資料)
エンジニアのキャリアを考える
エンジニアのキャリアを考える
ad:tech tokyo 2011 Lean startup: Facebook、twitter、スマートフォン全盛時代のベンチャーへの取り組み
ad:tech tokyo 2011 Lean startup: Facebook、twitter、スマートフォン全盛時代のベンチャーへの取り組み
会津(地方)にもっと勉強会を
会津(地方)にもっと勉強会を
ソーシャルメディア、スマートフォン全盛時代に我々は何ができるか
ソーシャルメディア、スマートフォン全盛時代に我々は何ができるか
Developers Summit 2017 17-A-7 執筆を支える技術と技術書のトレンド
Developers Summit 2017 17-A-7 執筆を支える技術と技術書のトレンド
デジタルツインとシミュレーションで未来を予測する潮流
デジタルツインとシミュレーションで未来を予測する潮流
20171113 ntt data
20171113 ntt data
Bp study bmg_ピクト図解_20140226_v2_公開用
Bp study bmg_ピクト図解_20140226_v2_公開用
トピックモデルを用いた 潜在ファッション嗜好の推定
1.
トピックモデルを用いた 潜在ファッション嗜好の推定 Fashion Tech Meetup
#1 2015/11/10 Takashi Kaneda Ryosuke Goto
2.
自己紹介 金田 卓士 @kndt84 データサイエンティスト •
2009年に大学院を修了 専攻は計量経済学 • 一休.com、ソフトバンク・テクノロジーを 経て現職 • 趣味では、VRミニ四駆という作品を作って、 Maker Faire に出展したりしてます!
3.
4.
1ABOUT iQON ! 60,000 ! ! 500
600 ! 10,000 4.3 4.5 ( :7,009 ) ( :7,009 ) iQON No.1 ! ! LIKE No.1 No.1 No.1 No.1 No.1 No.1 200 ! 600 1/3
5.
現在ユーザーのタイムラインには、フォロースタ イリストのコンテンツを除き、全てのユーザーに 同じコンテンツが表示されている 新着コーデ 人気コーデ 問題意識
6.
ユーザーの嗜好に近いコンテンツを露出することで、 より感動体験を届けることができるのでは? モード系 かわいい系 モチベーション
7.
しかし、ファッションの嗜好という抽象的な概念 をどうサービスに組み込めばよいのか? トピックモデルが使えるのでは! 課題 どうにかして、行動データからユーザーのファッ ションの潜在的な嗜好を推定したい
8.
トピックモデルとは? • 自然言語処理における潜在意味解析の分野から発展してき た手法で、主に文章解析に使われることが多い • 大量の文章から人の手を介すことなく、話題になっている トピックの抽出が可能 •
また、それぞれの文章がどのトピックに属すのかを判別す ることもできる
9.
出典:岩田具治『トピックモデル』講談社, 2015年 国会 首相 内閣 衆議院 選挙 : 選手 ゴール ボール 試合 球場 : 病院 薬 健康 手術 難病 : トピックを抽出 それぞれの文章がもつトピックを推定 サッカー協会 は代表の強化 のため… 時期衆議院選 挙に向けて与 党は… 難病医療に関 する法律案が 国会 文章集合 スポーツ 政治
医療+政治 政治 スポーツ 医療
10.
• 明示的に「ファッション」という単語が出ていなく ても、ファッションの話題であることを理解できる • トピックごとに確率的に出現しやすい単語があると 考える 人とカブらないのがいい!ヴィンテージ柄 コーデでおしゃれ上級者に
11.
今買い足すならトレンド感も取り入れたおしゃれなデザインを 選びたい。 今 買い足す トレンド
取り入れた おしゃれ デザイン 1 1 1 1 1 1 • 文章を単語ベクトル(Bag of Words)に変換 • ベクトル化することで共起を統計モデルとして扱える • 単語の順番や、文章の構造は無視 Bag of Words (BoW)
12.
出典:Blei, David M.
(2012), “Probablistic Topic Models”, Communications of the ACM 文章中の単語は、文章のトピック分布から確率的に生成 されると仮定してモデル化
13.
ユーザーのファッション嗜好の推定に使えるのでは!
14.
パンツ:dazzlin ブラウス:COCO DEAL カーディガン:MERCURYDUO カチューシャ:Jennifer Ouellette イヤーカフ:Serendip
three バッグ:INDEX 靴:CARVEN ROND POINT ファッションも、その人が何のブランドを着てい るかで、なんとなくその人の嗜好がわかる! ex. 赤文字系、モード系、きれいめOL系 文章からトピックを判別するのと同じでは!?
15.
Cartier Christian Louboutin
DRESSTERIOR Grace Continental IENA TOMORROWLAND 1 1 1 1 1 1 • ユーザーのブランドLike情報をベクトル化 • ベクトル化してしまえば、文章と同様に扱える! Bag of Brands
16.
CHANEL Chloe MOUSSY Dior CELINE : EGOIST SLY moussy MURUA rienda : addidas X-girl NIKE WEGO VANS : ファッションのカテゴリを抽出 それぞれのユーザーが嗜好するカテゴリを推定 EGOIST SLY EMODA STUSSY TOMMY CONVERSE MOUSSY EGOIST MURUA ユーザーの ブランドLike集合 ギャル ストリート OL+ギャル OL系
ギャル系 ストリート系
17.
LDAのグラフィカル表現 出典:Blei, David M.
(2012), “Probablistic Topic Models”, Communications of the ACM
18.
一般的な文章解析の場合 ファッションの嗜好推定 α θの事前分布を生成するパラメータ
同左 η βの事前分布を生成するパラメータ 同左 θ 潜在トピックの確率分布 ファッションカテゴリの確率分布 β 単語の確率分布 ブランドLikeの確率分布 D 文章数 ユーザー数 N 1文章の単語出現回数 ユーザーのブランドLike K トピック数 ファッションのカテゴリ数 Z 単語の潜在トピック ファッションカテゴリ W 単語の集合 ブランドLike集合 文章解析との比較
19.
• 約7000ブランドから上位1000ブランドに限定 • 70万人分の500万個のブランドLikeデータを使用 •
GoogleのCloud Dataproc上で、SparkのMLlib を利用して計算 • LDAの推定には、EMアルゴリズムを利用 データと計算環境
20.
• ユーザーのブランドLike情報をベクトル化して、 トピックモデルを適用したところ、ファッション カテゴリの抽出に成功 • また、それぞれのユーザーが、どういったファッ ションのカテゴリを嗜好するかの判別も可能に 推定結果
21.
青山・表参道OL系 1 CHANEL 2 Chloe 3
BLACK BY MOUSSY 4 Christian Louboutin 5 Christian Dior 6 BURBERRY 7 CELINE 8 Cher 9 FRAY I.D 10 deicy ペルソナ 青山・表参道 sweet モテ OL 28-35 さえこ 元vivi読者 結婚 主婦 ママ友 セレブ好き
22.
ランウェイ系 1 EGOIST 2 LIP
SERVICE 3 EMODA 4 SLY 5 moussy 6 MURUA 7 rienda 8 SPIRAL GIRL 9 DURAS 10 CECIL McBEE ペルソナ 渋谷・原宿 runway系 ギャルと言われがちな人 22-28歳 クラブ・フェス好き SNS好き
23.
セレクトショップ系 1 URBAN RESEARCH 2
URBAN RESEARCH DOORS 3 UNITED ARROWS 4 ROSSO 5 kate spade new york 6 KBF 7 IÉNA 8 nano・universe 9 TOMORROWLAND 10 Spick and Span ペルソナ セレクトショップ好き ニューバランス スニーカーはマスト 海外旅行いく 25-32歳 ベーシック そこそこいいものが欲しい 単価12000円くらい モール好き
24.
ストリート系 1 adidas 2 adidas
Originals 3 X-girl 4 NIKE 5 adidas NEO Label 6 WEGO 7 VANS 8 STUSSY 9 TOMMY HILFIGER 10 adidas by Stella McCartney ペルソナ 原宿・渋谷 スポーツ エッジ 髪の毛に気合い入れる 彼氏もストリート系 ナイロンが愛読書 20-28歳
25.
ユーザーの嗜好カテゴリの推定
26.
今後の課題 • 実際のプロダクトへの実装 • ブランドLike情報以外の、閲覧履歴情報の取り込み •
階層構造や補助情報を取り込んだモデルへの拡張
27.
まとめ • ユーザーのブランドLike情報をトピックモデルに適用する ことで、ファッションカテゴリを抽出することが可能に • また、個々のユーザーのファッションカテゴリの嗜好も数 値として表せるように
プロダクトへ実装可能
28.
We are hiring
! 「ファッション ビックデータ」 の分野を一緒に開拓しましょう!
Download now