又是一年双11，不知有多少小伙伴先是捧着手机买买买,没过几天又面对着一时冲动买下的东西大喊“蓝瘦，香菇”。与其追悔莫及，不如让AI告诉你如何理智消费。
秘籍一：我思故我买
当你在网购时是否曾遇到过这样的困扰：按输入的关键词搜索了半天都找不到自己想要的商品，不是这里少点什么就是那里有点多余。“货海”茫茫难道就真的没有你的菜？AI答曰：非也，乃是定位不准也。
今日，来自伦敦大学玛丽皇后学院电子工程与计算机科学系的研究员们利用深度学习神经网络开发出了一个新型网购AI——速绘板，用户可以直接绘制出自己想要的商品来对在线商品库进行搜索。
研发该项技术的SketchX实验室的负责人Yi-Zhe Song是这样解释的：“当你看到一双心仪的靴子时，你往往不会真的喜欢它的所有细节。比如说你可能会对它的扣子不太满意，又或者觉得它的鞋跟太高。这时你就可以以这双靴子为原型，绘制出切实符合你想象的款式，然后让电脑根据相似程度为你进行搜索和排序。”
该神经网络在接受了识别近30000张人手速绘图的训练后，已经学会了如何理解用户的绘图。虽说越精确的描绘所得到的搜索结果也会越符合买家的意图，但该神经网络甚至可以从极其有限的细节中准确把握买家的需求。
虽然像淘宝或亚马逊这样的电商有为用户提供按文本或图片搜索商品的功能，但Song认为文本搜索的局限性在于当你输入的文本越多时，反馈结果反而会越不精确；而图片搜索的结果则刚好相反。当你给出一张图片让系统搜索时，系统的反馈往往是与该图高度相似甚至是完全一致的商品，因此会过滤掉很多其他你可能感兴趣的同类商品，局限性较大。相比之下，依据用户手绘图片进行搜索的效果正好可以折中。Song的团队表示目前他们已经和部分网购平台成功对接，希望最早能在明年年初让用户们体验到利用手绘图片网购的便利。更多网购解读：www.yangfenzi.com/tag/wanggou
秘籍二：爱你就要变成你
除了“买买买”，一名成功的网络买手必定也爱“看看看”。只有密切关注街拍或者明星的穿衣搭配才能即时更新自己的购物车，走在时尚最前沿。
为此，来自北卡罗莱纳大学和伊利诺伊大学的研发团队利用404683张来自25个网络服饰零售商的产品图片和20357张街拍图秀搭建了一个覆盖39479款商品的网购图片数据库Street2Shop[1]。通过他们研发的AI，用户只需输入包含心仪服饰的网络街拍图片，即可实现对图中商品的定向搜索。首先，利用ImageNet中的1000个类别的图片对深度神经网络进行预训练。与当前定向性比较模糊的图片搜索不同，为了提高对照片中商品识别的敏感度，除了预训练，该团队还特意增加了针对物品识别的练习，利用Street2Shop中商家提供的图片对神经网络的识别性能进行有效的提升。
至于针对核心的“配对问题”——如何将输入的图片与数据库中的比对以反馈相应的产品，该团队则引入了“三层通联的网络结构”，实现对输入图片参数与库存图片参数相似性的学习。有了对相似性的学习，AI就可以高精度地完成对特定街拍中的服饰的搜索了。
根据该团队的研究数据显示，该AI搜索商品的精准度甚至足以媲美人工的识别。
秘籍三：自己动手，宝贝我有
来自复旦大学和中科院的研究团队[2]显然并不满基于街拍图片的商品搜索，因为他们开发的AI不但能按图搜货，还能让用户自己拍自己搜！
要利用用户自己拍摄的照片进行产品搜索，最大的难点在于用户的拍摄往往比较随意。即使是同一商品，往往也会因为照片拍摄角度或取景大小等不同而造成机器识别出现误差。
对于如何改进AI对商品相似性的学习能力，该团队尝试应用人脸识别中常用以解决配对问题的双连体网络结构（siamese deep networks）来减小同类别产品不同图片间的特征距离，从而有效提高对拍摄商品的搜索准确度。
此外，他们还通过利用正配对（正确的配对）、负配对（错误的配对）和无关背景配对（从图片数据库随机产生的配对）三种类别的图像数据对其进行训练，实现神经网络的多任务微调。
目前，该智能搜索已经在Street2Shop图片数据库和阿里巴巴的产品图片数据库中试验成功。
看完如此智能的AI导购秘籍，我只想说：我要去清空我的购物车压压惊……
参考资料：
http://www.qmul.ac.uk/media/news/items/se/178404.html
[1] M. H. Kiapour, X. Han, S. Lazebnik, A.C. Berg, and T. L. Berg. Where to buy it:matching street clothing photos in onlineshops. In International Conference on Computer Vision, 2015
[2] X Wang, Z Sun, W Zhang, Y Zhou, YGJiang. Matching User Photos to Online Products with Robust Deep Features. In ACMInternational Conference on Multimedia Retrieval (ICMR), 2016.
【文/未来论坛（微信号：futureforum）】
·氧分子网（http://www.yangfenzi.com）延伸阅读：
➤ IDG 资本 2016 投资趋势详解：人工智能、消费升级、泛娱乐
