earticle

영어

Deep learning technologies are increasingly being used to create personalized recommendation services in the fashion industry. However, many recommendation systems focus on suggesting a single item based on limited attribute information, which makes it difficult to suggest well-coordinated and harmonized outfits. To address this limitation, this study proposes an optimized fashion coordination system. The system supports style probability vectors from deep learning-based image classification models and adopts a multi-objective optimization approach based on NSGA-II. With the experiment results, the system aims to suggest item combination methodologies which effectively address both style similarity and user satisfaction. For this purpose, this study conducted experiments using the AI-Hub K-Fashion dataset and real-world product data collected from the “A” company’s platform. Three analysis models—ViT-B/16, ResNet-50, and EfficientNet-B0 —were adopted to compare the performances. The ViT-B/16 model among those models showed the highest classification accuracy to be selected to generate style vectors for the optimization process. This study demonstrates that the proposed method successfully generates optimal outfit combination recommendations considering both stylistic coherence and user-centric preferences.

한국어

최근 패션 업계에서는 딥러닝 기술을 활용한 개인화 추천 서비스에 대한 관심이 증가하고 있다. 그러나 현재 대부분의 추천 시스템은 단일 상품 중심이거나 제한된 속성 정보에 의존하는 방식으로, 스타일 간의 조화를 고려한 조합 추천에는 한계가 존재한다. 본 연구는 이러한 한계를 해결하고자, 딥러닝 기반 이미지 분류 모델을 활용하여 상품의 스타일 확률 벡터를 생성하고, NSGA-II 기반 다목적 최적화 기법을 적용하여 스타일 유사성과 사용자 만족도를 고려한 최적의 패션 스타일 조합을 제안한다. 실험은 AI-Hub의 K-Fashion 데이터셋과 “A”사의 플랫폼에서 수집한 실제 상품 데이터를 활용하였으며, 이미지 분류에는 ViT-B/16, ResNet-50, EfficientNet-B0 세 가지 모델을 비교하였다. 그 결과, 가장 높은 분류 정확도를 보인 ViT-B/16 모델을 기반으로 스타일 벡터를 생성하고 최적화에 적용하여 최적의 조합을 도출하였다.