基于层次化多模态注意力机制循环神经网络的服装新品销售预测

TP183%TS941.13; 在新服装产品销售预测任务中,由于缺乏历史销售数据,通常需要充分利用其他模态的数据作为补充.然而,多模态服装数据通常具有冗余性和异构性.为解决这些问题,提出一种包括三个主要元素的层次化多模态注意力循环神经网络(hierarchical multi-modal attention based recurrent neural network,HMA-RNN).层次化结构将高层语义信息与低层语义信息分离,以避免信息冗余.在模态融合阶段引入多模态注意力机制(multi-modal attention,MMA)以减轻固有的数据不对齐问题.采用共享注意力机制构建跨多模态数据...

Full description

Saved in:
Bibliographic Details
Published in东华大学学报（英文版） Vol. 41; no. 1; pp. 21 - 27
Main Authors 石闻达, 杜劲松, 李笛出乘
Format Journal Article
LanguageChinese
Published 新疆大学 纺织与服装学院,新疆 乌鲁木齐 830046%复旦大学 计算机科学技术学院,上海 200433 2024
东华大学 服装与艺术设计学院,上海 200051%东华大学 服装与艺术设计学院,上海 200051
Subjects
注意力机制(MMA)
deep learning
服装销售预测
attention mechanism
clothing sales forecasting
深度学习
多模态学习
multi-modal learning
Online AccessGet full text

Cover

More Information
Summary:TP183%TS941.13; 在新服装产品销售预测任务中,由于缺乏历史销售数据,通常需要充分利用其他模态的数据作为补充.然而,多模态服装数据通常具有冗余性和异构性.为解决这些问题,提出一种包括三个主要元素的层次化多模态注意力循环神经网络(hierarchical multi-modal attention based recurrent neural network,HMA-RNN).层次化结构将高层语义信息与低层语义信息分离,以避免信息冗余.在模态融合阶段引入多模态注意力机制(multi-modal attention,MMA)以减轻固有的数据不对齐问题.采用共享注意力机制构建跨多模态数据的依赖关系.在 Visuelle 2.0 数据集上的试验结果表明,所提出的方法加权平均百分比误差(weighted average percentage error,WAPE)为 72.07,平均绝对误差(mean absolute error,MAE)为0.80,明显优于现有的方法,表明了该研究所提出的方法的有效性.
ISSN:1672-5220
DOI:10.19884/j.1672-5220.202302017