研究项目 / ACM MM 2025
case 01StePO-Rec
把专业穿搭知识转成可追踪、可解释、个性化的推荐决策链。
StePO-Rec 不再把穿搭推荐停留在黑盒生成，而是把用户偏好、专业搭配原则与趋势变化组织进一条可拆解、可回溯、可解释的树状推理链路。
Research Problem
让时尚知识真正进入推荐决策链
这项研究要解决的，不是普通商品召回，而是更复杂的个性化 outfit styling assistant 任务：系统不仅要懂用户，还要懂时尚原则、趋势变化与推荐解释。
issue 01
专业穿搭知识难以进入推荐流程，常被压扁成标签或隐藏在黑盒模型里。
issue 02
用户长期偏好与短期趋势变化难以同时成立，结果往往不是过时，就是不够像这个人。
issue 03
推荐结果缺少清晰解释路径，用户只能看到答案，却看不到为什么这样搭配。
PAFA Knowledge Base
PAFA：把时尚经验组织成可调用知识库
PAFA 不是资料拼贴，而是把专业理论、场景语境、潮流信号与用户偏好组织进同一套多模态结构，供后续检索、推理与重排序调用。
Three-Layer Architecture
PAFA 采用 Metadata / Principle / Semantic 三层结构，把单品属性、搭配原则与高层风格语义依次串联起来。
METADATA Layer
作为数据基础层，承载单品、组合与场景的细粒度属性，为后续检索与匹配建立统一的服装特征空间。
PRINCIPLE Layer
把色彩、廓形、比例与场景约束形式化为可计算的专业规则，是系统专业判断的核心中层。
SEMANTIC Layer
通过 style-rule graph 与 case library，把规则映射到更高层的风格语境，让推荐更接近真实造型判断。
Knowledge Sources
PAFA 的可信度不来自单一数据源，而来自多来源、多模态知识的整理、对齐与持续更新。
source 01
专业书籍与文献：沉淀色彩、廓形、比例等稳定搭配原则。
source 02
趋势报告与时尚媒体：补充季节性流行、色彩迁移与轮廓变化。
source 03
用户历史语料：提取个人稳定偏好与短期兴趣波动。
Modular Knowledge Base
最终的 PAFA 不是静态知识图，而是一套可进入推荐流程、支持混合检索与多步推理的 fashion knowledge operating system。
Reasoning Pipeline
树结构推理，让搭配决策逐步收敛
StePO-Rec 结合 hybrid retrieval、tree-search multi-step reasoning 与 preference-trend re-ranking，不让模型一步跳到答案，而是沿着场景、风格、颜色、廓形逐步细化。
step 01
输入与锚点单品：从用户、单品与上下文出发，而不是从热门结果出发。
step 02
混合知识检索：同时调取案例、原则、趋势与个人偏好，而不是只做相似向量召回。
step 03
树结构多步推理：沿着场景-风格-色彩-廓形等路径逐步展开决策。
step 04
偏好-趋势协同重排序：在“像这个人”与“不过时”之间重新平衡输出。
Case Study
解释路径，让推荐结果真正可被看见
案例研究把抽象方法落到用户可感知结果：系统不仅给出推荐，还支持从结果回看依据，或从关键节点反查理论规则与用户历史。
reading 01
个性化关联：从相似场景与历史偏好中建立与用户的连接。
reading 02
关键要素说明：明确指出色彩、廓形、风格等因素如何参与决策。
reading 03
具像化评分：偏好与趋势不再是隐含权重，而是可被理解的判断信号。
reading 04
自然语言解释：最终把知识依据与推荐建议转译成用户能读懂的报告。
Results
实验验证：知识、推理与重排序协同
在 IQON-3000 数据集上，以 Recall@K 与 MAP 评估，StePO-Rec 的性能提升并非来自单一 prompt 技巧，而是知识检索、树结构推理与偏好-趋势重排序的联动。
Recall@1
0.55
较最佳基线提升 28.3%
MAP
0.85
较最佳基线提升 32.8%
proof 01
相较最佳基线 Two-Stage RAG with reranking，Recall@1 提升 28.3%，MAP 提升 32.8%。
proof 02
去掉 knowledge retrieval 后，R@1 从 0.55 降到 0.34；去掉 reranking 后，MAP 从 0.85 降到 0.57。
proof 03
结果说明个性化穿搭推荐并非只能依赖黑盒生成，结构化知识与递进推理可以显著增强 top-1 精度与整体排序质量。
Closing Reflection
从论文到系统：StePO-Rec 是后续工作的起点
StePO-Rec 在这个作品集中的价值，不只是论文发表，而是它率先系统性证明：时尚知识可以被结构化，推荐过程可以被解释，研究方法可以继续长出后续系统与产品。
value 01
它把时尚知识转成了可计算、可检索、可推理的系统骨架。
value 02
它为 FashionAgent 与 OUTFITTED 提供了方法论源头，而不只是概念背景。
value 03
它证明我的工作不只是视觉表达，也包括问题定义、知识工程、系统设计与实验验证。