2012年，导购开始出现在市场上，主要是针对个别商品进行个性化推荐。虽然现在很普遍，但是在2012年、2013年是一个很新的方式。然后在内容导购上尝试新的突破，主要是图文、短视频、直播作为导购的载体。
随着3D技术的成熟，3D自动理解、自动创建和渲染技术可以进一步将物理世界和虚拟世界结合起来，形成新的用户场景。我们开发了一种新的导购产品——平躺。大家可以在淘宝搜索框搜索“平躺”，体验一下3D场景导购的初步效果。 （猎屏是淘宝近期发布的涵盖大家居行业产供、设计生态、设计师工具、场景化导购平台的平台，更多详情请关注文章底部内容.推荐阅读）
为什么3D导购值得关注？我们先回到内容导购场景。我们拍摄一些照片，在上面编辑文字，或者录制视频，这些更接近数字世界中的通常做法。文字是一维的，图片是二维的，视频增加了时间维度。而3D是三维的，更符合我们生活的物理世界。
3D场景生成
通过3D技术将产品形态升级到一个维度，极有可能开拓新的商机。让我们回到导购场景。在传统的线下场景中，顾客通过导购员的介绍，看到橱窗里的商品，就会产生购买的欲望。同样，在线用户将在线产品视为单件商品，这比商场导购的体验要弱得多。所以，我们需要为用户创造一个场景，让用户在场景中了解这个产品，推荐更多相关的产品。这样，用户的感知就会有更丰富的层次。
例如，如果用户对一张桌子感兴趣，当他看到桌子上放着茶壶之类的物品时，就将用户带入了一个场景。也许用户也对这些东西感兴趣。需求不再是单点的刺激方式，而是通过网状、多角度的刺激方式来激发用户更多的需求。这是导购。的价值。
在导购中，3D可以解决哪些问题？首先想到的是尺寸和视觉问题。用户总是关心产品的尺寸和视觉问题。从尺寸和视觉上来说，用户肯定对3D有需求。用户购买服装需要尺码和视觉体验。即使是冰箱和洗衣机等标准化物品也需要 3D 来感知产品。
购买什么产品有尺码要求吗？比如我们可能需要去线下买家具。我们会去家装商场看看颜色、款式、尺寸是否相配。现在这些都可以通过虚拟化技术以3D形式实现，所见即所得。它还可以与AR相结合，形成更流畅的用户体验。
从可实现性的角度来说，模拟一个人穿衣服的感觉是非常困难的。像大型电影制作那样用设计师画视频动画是非常昂贵的，不可能用这样的成本来支持3D导购项目。我们选择的场景在内容制作技术上一定要比较成熟，在执行上相对可控。家装行业是一个不错的选择。
导购最重要的两个部分是个性化和内容生产。以抖音为例，其核心创新之一就是让用户通过简单的操作就可以生成优质的内容。对于我们来说，大量的导购内容是由机器自动生成，然后通过个性化推荐技术，形成精准的需求匹配。
3D场景内容优化
为了生成一个场景，首先需要一套搭配算法。我们通过算法搭配将两者结合起来，结合设计师的知识图谱，形成高质量的搭配结果。设计师的专业投入如何在算法中得到流畅丰富的表达？是值得研究的问题之一。
通过将其与专家支持相结合，并结合机器学习模型，我们可以从大量 3D 产品模型中生成内容。使用匹配结果在3D场景背景中进行布局，布局后进行渲染，然后将商品的锚点打在上面，用户可以点击这些锚点进行购物。怀孕基于3D场景的内容可以在推荐流或搜索场景中展示给用户。
根据以往的项目经验，从大数据或推荐的角度做匹配是很难的，准确率是一个难以逾越的鸿沟。在更丰富更大的数据中，我们如何去做呢？虽然我们有用户数据，但是用户数据不是万能的。需要结合其他数据进行精准匹配。在这个过程中，我们引入了3种主要的数据。
首先是用户行为：用户买了什么，购买过程中的顺序，选择过程都可以体现在应用行为上。数据量大，缺点是噪声也大。用户不是按照设计逻辑购买产品，而是根据实际需求购买产品，其背景非常复杂，难以准确建模。
二是设计师的作品：具有一定的艺术价值。通过设计师的作品，我们可以提升自己的设计感，而不仅仅是功能设计。设计师数据的缺点是数据量比较小，优点是精度高，有审美价值。
三是利用公开的搭配图片数据集，抓取一些搭配图片，从图片中提取搭配信息。
在以上数据的基础上，综合运用可解释逻辑和深度学习技术构建算法。可解释性的关键是提取语义标签，包括类别、风格、颜色等。另外，从视觉方面提取隐含的特征向量，最后用深度学习建模，这将形成整个算法方案。
风格非常重要。平时大家会看到很多现代简约的款式，但是整个家居市场的款式很多，款式之间是不能混搭的。例如，不允许将美式风格与欧式风格和简约混搭。
为了准确提取样式，我们需要一套方法，从零到一。没有人告诉我们家是什么风格，所以我们需要建立这个系统。利用数据结合算法和人工输入，逐步丰富标签体系。即使有必要，也会扩充一些详细的标签，人机结合会有一个循环的过程.
以上图为例。这件看起来像柜子的家具有很多表达风格的元素，但这个元素必须通过机器学习方法来捕捉。这里有很多细节工作。
直接在3D上提取样式非常复杂，而2D图像已经积累了很多成熟的技术。先将3D模型渲染成不同视角的图片，预测图片代表什么风格。但是，风格是在细微之处，而不是在整体上，即整体不能完全体现产品的风格。细微之处，需要引入Attention机制。我们可以观察到，这些Attentions出现在最能体现产品风格的地方，比如家底下的腿的形状，上面的装饰，最能体现它的风格。相应地，我们通过多个Attentions的部分匹配来构建相应的网络。
为什么我们要用样式特征的多个部分来匹配，而不是用一个部分来匹配呢？分别对多个部分进行匹配，并在统计上相互校验和加强，从而提取出准确的风格标签。
有了这个风格之后，最后生成一个搭配。这是一个类似于推荐技术的过程，先粗选再细选。匹配是一个迭代过程。上图展示了候选模型和选择的模型，对候选模型中的产品进行逐步评估，选择合适的候选产品进入选择的产品集合。
说到视觉，深度学习是标配。通过轻量级网络提取相应的视觉特征，针对当前商品提取注意力特征，形成精准的搭配质量评分模型。
总的来说，匹配起来比较难，不仅要相似，还要有一定的差异。什么配什么，既要有相似又要有互补关系，而互补关系需要引入新的信息视角。
得到匹配结果后，进入下一步——布局。布局之前一定要有个放这个东西的空间，这个空间需要在现场体现出来风景的美和品位，不能放在特别土的地方。这个空间就是背景，描述了一定的场景，比如会面地点、生活背景、自然背景等等。
根据这些搭配的结果，我们会计算出这些配饰的空间关系。这种关系必须是灵活的，不能正面交锋。为了形成更灵活的布局能力，通过概率图组合的逻辑生成关系的概率。该算法提供了卧室、餐厅、厨房等场景的布局能力。
布局的关键是舒适度。看到布局结构是否会让人感到舒适，需要进行舒适度分析。舒适度分析需要机器学习技术，我们甚至引入了GPU来优化其舒适度分析的结果。
在3D转2D图片方面，我们需要在构图的时候选择视角。有直视和侧视之分，总有一种视角更适合场景。再加上一些规则，防止选择的空间太深、太空或太挤，视觉上看起来更舒服，这对我们后续的效果评估有很大关系。
上图就是我们搭配的结果。我们可以看到场景中不仅可以干放一张桌椅，还可以有一些代表场景本身的物体。这些物体比较小，比如花，小笔记本。这些东西在视觉上也可以点缀场景，也可以说明场景。我们将小物件放在上面，形成最终的搭配结果。
排版完成后，会产生一张二维图片。上图是直接从 3D 场景生成的。最后一步视觉感受的关键——光，大家可以对比一下。同一个场景，左图没有自动打光，右图用算法优化了打光。从视觉上看，右侧看起来比左侧更漂亮。
对于基于海量内容的导购来说，最终决定内容质量的是用户的行为反馈。生成一段内容。内容投放后，会产生点击率。通过点击率来判断用户是否感兴趣。一些专家认为它既美观又实用，但用户可能会有不同的意见，我们必须依靠用户的反馈来判断这个内容的价值。
一段时间后，你就会知道不同内容的点击率是多少，通过模型就可以知道内容好不好。比如一个新内容出来后，如果点击率比较低，用户不接受，就需要剔除该内容，如果点击率比较高，就会被选入图书馆。
我们生成的内容的丰富度还是很高的。办公桌、餐厅、卧室、会议室和吧台都可以生成。
概括
3D 和机器学习的结合仍然是一个相对较新的话题。 3D场景生成、3D搭配推荐、机器学习、深度学习都有涉及。
对了，3D建模很关键，是第一个环节。 3D 搭配紧随其后。目前3D搜索还没有涉及，AR、VR、MR还有想象空间。这些行业亟待解决的问题，也为科研提供了许多具有启发价值的广阔场景。
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表品名开淘网立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：https://www.4ppmm.cn/60396.html
如若内容造成侵权/违法违规/事实不符，请联系品名开淘网进行投诉反馈，一经查实，立即删除！