論文の概要: Personalized Food Recommendation as Constrained Question Answering over a Large-scale Food Knowledge Graph

• arxiv url: http://arxiv.org/abs/2101.01775v1
• Date: Tue, 5 Jan 2021 20:38:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 11:37:38.096886
• Title: Personalized Food Recommendation as Constrained Question Answering over a Large-scale Food Knowledge Graph
• Title（参考訳）: 大規模食品知識グラフを用いた限定質問回答としての個人化食品推薦
• Authors: Yu Chen, Ananya Subburathinam, Ching-Hua Chen and Mohammed J. Zaki
• Abstract要約: 本稿では,大規模食品知識ベース/グラフ(KBQA)上での制約付き質問応答として,食品推薦のための新たな問題定式化を提案する。 ユーザクエリからの要求に加えて、ユーザの食事嗜好と健康ガイドラインからのパーソナライズされた要求が統一された方法で処理される。 我々のアプローチは非パーソナライズドのアプローチを大きく上回っている。
• 参考スコア（独自算出の注目度）: 16.58534326000209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Food recommendation has become an important means to help guide users to adopt healthy dietary habits. Previous works on food recommendation either i) fail to consider users' explicit requirements, ii) ignore crucial health factors (e.g., allergies and nutrition needs), or iii) do not utilize the rich food knowledge for recommending healthy recipes. To address these limitations, we propose a novel problem formulation for food recommendation, modeling this task as constrained question answering over a large-scale food knowledge base/graph (KBQA). Besides the requirements from the user query, personalized requirements from the user's dietary preferences and health guidelines are handled in a unified way as additional constraints to the QA system. To validate this idea, we create a QA style dataset for personalized food recommendation based on a large-scale food knowledge graph and health guidelines. Furthermore, we propose a KBQA-based personalized food recommendation framework which is equipped with novel techniques for handling negations and numerical comparisons in the queries. Experimental results on the benchmark show that our approach significantly outperforms non-personalized counterparts (average 59.7% absolute improvement across various evaluation metrics), and is able to recommend more relevant and healthier recipes.
• Abstract（参考訳）: 食品レコメンデーションは、ユーザーが健康的な食事習慣を身につけるための重要な手段となっている。 食品推奨に関する以前の研究(i) ユーザの明示的な要求を考慮しない、(ii) 重要な健康要因(アレルギーや栄養要求など)を無視している、(iii) 健康的なレシピを推薦するために豊富な食品知識を活用しない、のいずれかである。 そこで本研究では,本課題を大規模食品知識ベース/グラフ(kbqa)上での制約付き質問応答としてモデル化し,食品推薦のための新しい問題定式化を提案する。 ユーザクエリからの要求に加えて、ユーザの食事嗜好や健康ガイドラインからのパーソナライズされた要件は、QAシステムへの追加的な制約として統一された方法で処理される。 このアイデアを検証するために,大規模食品知識グラフと健康ガイドラインに基づいて,個人化された食品推奨のためのqaスタイルのデータセットを作成する。 さらに,クエリのネゲーション処理や数値比較を行う新しい手法を備えた,kbqaベースのパーソナライズドフードレコメンデーションフレームワークを提案する。 ベンチマーク実験の結果,提案手法は非個人化レシピ(評価指標の平均59.7%の絶対的改善)を著しく上回り,より関連性が高く健康的なレシピを推奨できることがわかった。

関連論文リスト

• NGQA: A Nutritional Graph Question Answering Benchmark for Personalized Health-aware Nutritional Reasoning [49.06840168630573]
  食事は人間の健康において重要な役割を担っているが、個々の健康状態に対する食事の理由付けは大きな課題である。 栄養質問回答(QA)は,この問題に対処するための一般的な方法である。 栄養学的健康推論のために設計された最初のグラフ質問応答データセットであるNGQA(Nutritional Graph Question Answering)ベンチマークを紹介する。
  論文  参考訳（メタデータ） (2024-12-20T04:13:46Z)
• MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
  Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。 我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。 ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
  論文  参考訳（メタデータ） (2024-12-12T01:02:09Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
  現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。 本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。 本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
  論文  参考訳（メタデータ） (2024-05-12T00:16:02Z)
• Human Behavior-based Personalized Meal Recommendation and Menu Planning Social System [9.633565294243175]
  提案するフレームワークには、異なる食事の影響を認識するソーシャル・アフェクティブ・コンピューティング・モジュールが含まれている。 脳波は脳の信号を捉え、それを分析し、食べ物に対する感情を予測できる。 実験結果から, 感情計算, 食事推奨, メニュー計画アルゴリズムは, 様々な評価パラメータで良好に機能することが示唆された。
  論文  参考訳（メタデータ） (2023-08-12T12:19:23Z)
• MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model [15.248362664235845]
  本稿では,新しいレストラン料理推薦システムを提案する。 光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。 我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-15T11:45:44Z)
• Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
  栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。 米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。 提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
  論文  参考訳（メタデータ） (2022-06-05T02:41:44Z)
• Investigating Health-Aware Smart-Nudging with Machine Learning to Help People Pursue Healthier Eating-Habits [12.07862191291072]
  本稿では,より健康的なレシピを選択するための3つの新しいヌード技術であるWHO-BubbleSlider,FSA-ColorCoading,DRCI-MLCPを提案する。 その結果、食品の意思決定プロセスの間、適切な健康対策により、ユーザーはより健康的なレシピをクリックし、閲覧し、選択しやすくなった。
  論文  参考訳（メタデータ） (2021-10-05T10:56:02Z)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。