1. 目的

根据图片和文字描述，寻找合适的香水，根据消费者调研数据中对香氛的感受，找到合适的的香水。

2. 数据分析

一条原始数据如下，对香氛的感受评价：

1	`Lily,Dewy White floral,Green leaf,Herbal,Watery / dewy Clean,long lasting fresh,Oil control Free,Natural,Young`

首先对消费者的感受进行人群分析，利用AI读取所有感受数据，大概分出几个类别，类别如下：

自然清新类（Natural & Fresh）：

这类产品通常以自然元素如海洋、草本、水果等为香调，强调清新、自然的感觉。
产品效益可能包括清洁、保湿、控油等，适合追求自然生活方式和清新感受的消费者。
奢华优雅类（Luxurious & Elegant）：

这类产品往往含有如玫瑰、香草、木香等高端香调，以及如长期保持清新、滋养修复等高端产品效益。
适合追求高品质生活、喜欢奢华感和优雅气质的消费者。
舒适舒缓类（Comforting & Soothing）：

这类产品以舒缓、放松为主要情感体验，可能包含薰衣草、茶树等具有舒缓效果的成分。
适合需要减压、寻求舒适感和心灵平静的消费者。
活力年轻类（Vibrant & Youthful）：

这类产品可能以柑橘、热带水果等活力四溢的香调为特色，强调保湿、增加头发蓬松度等效益。
适合年轻、活力充沛的消费者，他们喜欢充满活力和时尚感的产品。
专业护理类（Professional & Care）：

这类产品强调专业护理效果，如抗断发、头皮护理、修复损伤等，可能含有专业成分和科技。
适合对头发护理有特定需求的消费者，他们寻求专业级别的产品来解决头发问题。

然后利用ChatGPT对每条数据进行分类， Prompt的设计如下:

你是1个人群分类模型，可以根据给出的用户体验，对用户进行人群分类，下面是一段香氛产品的使用体验，请根据使用体验把用户分到，自然清新类，奢华优雅类，舒适舒缓类，活力年轻类，专业护理类，这5类中的1种。并从体验评价中提取列举出能证明类人群的词语。回答的格式是： 类别：XXX类。词语：XX,XX
体验评价如下：
{{query}}
根据体验对用户分的类别是：

数据处理结果：

1	`类别：自然清新类。词语：Fresh air, long lasting fresh, Hydration, Smooth, Scalp care, Enjoyable, Happy & pleasant, Skincare-ish。`

3. 图片识别模型,ram-plus

用于对上传的图片进行理解

def load_image_model(self,model):
    """
    加载图片识别模型
    Args:
        model ():

    Returns:
    """
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    self.device = device
    self.model_names = []
    if model == "both" or model == "ram":
        self.ram_model, self.transform = self.load_ram_plus_model()
    if model == "both" or model == "blip":
        self.blip_model, self.blip_processor, self.prefix_text = self.load_blip_model()
def load_ram_plus_model(self):
    # 加载RAM-PLUS模型
    logging.info("加载RAM-PLUS模型...")
    model_name = "ram_plus"
    if not os.path.exists(model_name):
        os.mkdir(model_name)
    self.model_names.append(model_name)
    model_path = "ram_plus_swin_large_14m.pth"
    assert os.path.join(model_path),f"{model_path} not exists"
    image_size = 384
    model = ram_plus(pretrained=model_path,
                     image_size=image_size,
                     vit='swin_l')
    model.eval()
    model = model.to(self.device)
    # 图像预处理实例初始化
    transform = get_transform(image_size=image_size)
    return model, transform
def load_blip_model(self):
    logging.info("加载BLIP模型...")
    model_name = "blip"
    if not os.path.exists(model_name):
        os.mkdir(model_name)
    self.model_names.append(model_name)
    model_dir = "blip-image-captioning-large"
    assert os.path.join(model_dir),f"BLIP模型目录不存在：{model_dir}"
    processor = BlipProcessor.from_pretrained(model_dir)
    model = BlipForConditionalGeneration.from_pretrained(model_dir, torch_dtype=torch.float16).to(self.device)
    text = "a photography of"
    return model, processor, text