New recommendation methods for outfit generation

Traditional Recommender Systems rely on finding similarities between users and/or between items. In its broadest definition, a Recommender System tries to predict the preference a user would give to an item. While Content-Based approaches try to discover similarities between items and then predict a user's preference based on its past interactions with the items, Collaborative-Filtering approaches try to find similarities between users and recommend to an user what similar users already bought. In the fashion domain, though, the user may not buy an item per se, but rather because it would fit in an ideal outfit that the user may want to wear. This behaviour implies that the content similarity between the items already bought by the user is not enough to make accurate predictions. Thus, it would be more reasonable to suggest the purchase of compatible clothes, rather than similar ones. The problem of scoring compatibility of different outfits and learning a concept of style has already been tackled in research community by application of different machine learning techniques; however, tasks and datasets used to evaluate state-of-the-art models make some unrealistic assumptions that would not hold in a real-case scenario. This thesis introduces a novel algorithm to tackle the problem of learning outfit styles, in order to classify ensemble of clothes as fashionable outfits and complete them in a fashionable manner. Moreover, this work presents a proper comparison with the state-of-the-art models on the most used public academic datasets in this domain and on a real industrial dataset, provided by H&M. Additionally, a novel evaluation task, that releases some of the constraints existing in the tasks presented in literature, is introduced in order to assess the potentials of the different algorithms when dealing with problems more similar to those faced in real-case scenarios. Finally, this thesis attempts to move the problem of outfit completion from a general classification problem, into the Recommender Systems domain and evaluates the performances of these algorithms using some of the typical metrics used in Information Retrieval.

I Recommender System tradizionali si basano sul computare similarità tra utenti e/o tra item. Nella sua definizione più comune, un Recommender System punta a predire la preferenza che un utente assegnerebbe ad un item. Mentre gli approcci di tipo Content-Based tentano di imparare le similarità tra items per poi predire le preferenze di un utente sulla base delle sue passate interazioni con gli item, gli approcci di tipo Collaborative-Filtering tentano di trovare similarità tra utenti per poi raccomandare ciò che utenti simili hanno già comprato. Nell'ambito del fashion, in contrasto con quanto detto, l'utente potrebbe non essere interessato ad un item in sé, ma piuttosto perché starebbe in un outfit ideale che interesserebbe l'utente. Questo tipo di comportamento implica che la similarità di contenuto con gli item già comprati dall'utente non è sufficiente per fornire predizioni accurate; di conseguenza sarebbe più ragionevole suggerire l'acquisto di vestiti compatibili piuttosto che semplicemente simili. Il problema di calcolare la compatibilità di outfit diversi ed imparare un concetto di stile è già stato affrontato dalla comunità dei ricercatori applicando diverse tecniche di Machine Learning; tuttavia, i tasks e i datasets usati nella valutazione dei modelli dello stato dell'arte si poggiano su alcune assunzioni poco realistiche che non reggerebbero in un caso d'uso reale. Questo lavoro di tesi presenta un nuovo algoritmo per affrontare il problema dell'apprendimento di stili legati ad outfit, in modo da poter classificare insiemi di vestiti come outfit "alla moda" e completarli rispettandone lo stile. Inoltre, questo lavoro di tesi introduce una comparazione con gli algoritmi dello stato dell'arte sui dataset accademici più utilizzati nella ricerca e su un dataset di tipo industriale, fornito dal nostro partner H&M. In aggiunta a ciò, viene introdotto un nuovo task di valutazione, che consente di superare alcune delle limitazioni esistenti nei precedenti task utilizzati, in modo da poter constatare il potenziale dei diversi algoritmi nell'affrontare problemi più simili a quelli incontrati in reali casi d'uso. Infine, con questa tesi, si cerca di spostare il problema del completamento degli outfit da un generico problema di classificazione nel dominio dei Recommender System, e di valutare le performance degli algoritmi usando le metriche più utilizzate in Information Retrieval.