Neues Graph‑Attention‑Netz verbessert Outfit‑Vorschläge durch Hierarchie

Die rasante Expansion der Modebranche hat die Suche nach passenden Kleidungsstücken auf Online‑Marktplätzen erschwert. Ein effektives Empfehlungssystem muss daher nicht nur passende Artikel filtern, sondern auch die individuellen Vorlieben der Nutzer berücksichtigen.

In dieser Studie wird das neue Framework FGAT vorgestellt, das sich vom HFGN‑Modell inspirieren lässt. FGAT baut ein dreistufiges hierarchisches Graphenmodell auf, das Nutzer, Outfits und einzelne Artikel miteinander verbindet. Dabei werden sowohl visuelle als auch textuelle Merkmale integriert, sodass die Komplexität von Stilpräferenzen und Produktattributen gleichzeitig erfasst wird.

Ein zentrales Merkmal von FGAT ist die Graph‑Attention‑Mechanik, die während der Repräsentations‑Propagation die Wichtigkeit einzelner Knoten dynamisch gewichtet. Dadurch werden die relevanten Interaktionen zwischen Kleidungsstücken und den Präferenzen der Nutzer präziser erfasst, was zu einer verbesserten Modell‑darstellung führt.

Die Evaluation auf dem POG‑Datensatz zeigt, dass FGAT die Basis‑Modelle wie HFGN deutlich übertrifft. Die Metriken Precision, Hit‑Rate, Recall, NDCG und Accuracy weisen signifikante Verbesserungen auf. Diese Ergebnisse demonstrieren, dass die Kombination aus multimodalen Features, hierarchischer Graphstruktur und Attention‑Mechanismen die Genauigkeit und Effizienz personalisierter Modeempfehlungen nachhaltig steigert.