論文の概要: Learning Personal Food Preferences via Food Logs Embedding
- arxiv url: http://arxiv.org/abs/2110.15498v1
- Date: Fri, 29 Oct 2021 02:36:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-01 13:38:36.987005
- Title: Learning Personal Food Preferences via Food Logs Embedding
- Title(参考訳): 食品ログ埋め込みによる個人食嗜好の学習
- Authors: Ahmed A. Metwally, Ariel K. Leong, Aman Desai, Anvith Nagarjuna, Dalia
Perelman, Michael Snyder
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.1534313664323634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diet management is key to managing chronic diseases such as diabetes.
Automated food recommender systems may be able to assist by providing meal
recommendations that conform to a user's nutrition goals and food preferences.
Current recommendation systems suffer from a lack of accuracy that is in part
due to a lack of knowledge of food preferences, namely foods users like to and
are able to eat frequently. In this work, we propose a method for learning food
preferences from food logs, a comprehensive but noisy source of information
about users' dietary habits. We also introduce accompanying metrics. The method
generates and compares word embeddings to identify the parent food category of
each food entry and then calculates the most popular. Our proposed approach
identifies 82% of a user's ten most frequently eaten foods. Our method is
publicly available on (https://github.com/aametwally/LearningFoodPreferences)
- Abstract(参考訳): 糖尿病などの慢性疾患の管理には食事管理が重要である。
自動食品推薦システムは、ユーザの栄養目標と食物嗜好に合致した食事推薦を提供することで支援することができる。
現在のレコメンデーションシステムは、食べ物の嗜好に関する知識の欠如、すなわちユーザーが好きな食べ物を頻繁に食べられることによる正確性の欠如に悩まされている。
本研究では,ユーザの食習慣に関する包括的かつ騒々しい情報源である食品ログから食品の嗜好を学習する手法を提案する。
関連するメトリクスも紹介します。
この方法は、単語埋め込みを生成して比較し、各食品エントリの親食品カテゴリを特定し、最も人気のあるものを算出する。
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。
私たちのメソッドは、https://github.com/aametwally/LearningFoodPreferences)で公開されています。
関連論文リスト
- NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳(メタデータ) (2023-11-20T11:05:20Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation
Approaches [60.97896788599621]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳(メタデータ) (2023-09-14T13:29:41Z) - 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) - NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake
Estimation [65.47310907481042]
高齢者の4人に1人は栄養不良です。
機械学習とコンピュータビジョンは、食品の自動栄養トラッキング方法の約束を示す。
NutritionVerse-3Dは、105個の3D食品モデルの大規模な高解像度データセットである。
論文 参考訳(メタデータ) (2023-04-12T05:27:30Z) - 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) - 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) - Personalized Food Recommendation as Constrained Question Answering over
a Large-scale Food Knowledge Graph [16.58534326000209]
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。
論文 参考訳(メタデータ) (2021-01-05T20:38:16Z)
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。