Deep Learning-Based Outfit Generator System for Zara.com

El comercio electrónico ha adquirido una relevancia fundamental en la vida del consumidor moderno, lo cual ha generado la necesidad de reemplazar las recomendaciones personales por soluciones online. Dentro de la industria de la moda, determinar qué productos combinan bien entre sí formando un outfit es uno de los mayores desafíos y ha sido una tarea que tradicionalmente han desempeñado estilistas humanos. Sin embargo, cada vez existe una mayor demanda de sistemas automatizados de generación de conjuntos que puedan imitar la habilidad de los estilistas con tan solo un clic.
En este artículo, se propone un sistema integral de generación de conjuntos basado en técnicas de clasificación. El objetivo principal es proporcionar al usuario una recomendación de un conjunto completo a partir de un producto de moda seleccionado del catálogo de Zara.
Se aprovechan los conocimientos de los estilistas de Zara, quienes han validado conjuntos compatibles y se utiliza un enfoque de incrustación multimodal para modelar la compatibilidad de los conjuntos. Mediante el uso de Transfer Learning, se extraen características visuales que se integran con atributos relevantes y descripciones textuales.
La información combinada de los productos en un conjunto se introduce en una arquitectura de Deep Learning para asignar una puntuación a cada conjunto propuesto. Este estudio investiga dos enfoques distintos para aprender la compatibilidad de los conjuntos considerando el contexto global del conjunto en combinación con la contribución individual de cada artículo. Para ello, se emplean Redes Neuronales Convolucionales (CNNs) para capturar patrones jerárquicos complejos y Redes Neuronales Recurrentes (RNN) para captar dependencias secuenciales entre los artículos. Por último, se evalúa y compara el rendimiento de ambas metodologías.
Para mejorar la eficacia de las recomendaciones de conjuntos, el sistema realiza un diagnóstico del conjunto para identificar prendas que puedan reducir la puntuación global y sugiere sustituciones adecuadas.
El sistema propuesto demuestra un rendimiento destacado en comparación con los enfoques más avanzados y es el primero en considerar todas las secciones (hombre, mujer y niños) en sus resultados. Este proyecto de investigación contribuye al avance de sistemas confiables y eficientes de recomendación de conjuntos en el ámbito del comercio electrónico de moda, satisfaciendo la creciente demanda de soluciones automatizadas que imiten la experiencia estilística de Zara.

E-commerce has become one of the needs of the modern consumer, and its rise has been accompanied by the need to replace interpersonal recommendations with online solutions. Maybe one of the most difficult tasks in the fashion industry is determining what products fit well together to form an outfit, a job that has been traditionally undertaken by human commercials. However, there is a growing demand for an automated outfit generation system that can imitate stylist expertise with a single click.
This research paper proposes an end-to-end outfit generator system based on classification. The primary objective is to provide the user with a recommendation of a complete outfit given a selected apparel fashion product from Zara’s catalog.
Leveraging the expertise of Zara’s stylists, who have validated compatible outfits, a multimodal embedding approach is employed to model outfit compatibility. By combining image, text, and attribute information from fashion products, leveraging Transfer Learning visual features are extracted that are then integrated with relevant attributes and textual descriptions.
The combined product information in an outfit is fed into a deep-learning architecture to assign a score to each proposed outfit. Two distinct approaches are investigated to learn outfit compatibility, utilizing global outfit context in combination with individual item contribution. Firstly, Convolutional Neural Networks (CNNs) are employed to capture complex hierarchical patterns underlying item combinations. Secondly, Recurrent Neural Networks (RNNs) are employed to capture sequential dependencies between items. The performance of both methodologies is evaluated and compared.
To enhance the effectiveness of outfit recommendations, the system utilizes outfit diagnoses to identify items within an outfit that may lower the overall score and suggests replacements.
The proposed system demonstrates strong performance compared to state-of-the-art approaches and is the first to consider all sections (Man, Woman, and Kids) in its results. The research project contributes to the advancement of reliable and efficient outfit recommendation systems in the e-commerce fashion domain, meeting the growing demand for automated solutions that mimic Zara’s stylistic expertise.