Fugu-MT 論文翻訳(概要): Personalized Food Recommendation as Constrained Question Answering over a Large-scale Food Knowledge Graph

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

RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
論文参考訳（メタデータ） (2024-07-17T16:49:34Z)
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)
A Food Recommender System in Academic Environments Based on Machine Learning Models [3.42658286826597]
Decision Tree, k-Nearest Neighbors (kNN), AdaBoost, Baggingなどの機械学習モデルについて, 食品レコメンデーションシステムの分野で検討した。 AdaBoostモデルは73.70%の精度で最高性能である。
論文参考訳（メタデータ） (2023-06-26T11:43:37Z)
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)
Learning Personal Food Preferences via Food Logs Embedding [1.1534313664323634]
食品ログから食品の嗜好を学習する手法を提案する。提案手法は,ユーザの最も頻繁に食べられる食品の82%を同定する。
論文参考訳（メタデータ） (2021-10-29T02:36:24Z)
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)
Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
論文参考訳（メタデータ） (2021-07-13T06:26:53Z)

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。