論文の概要: Machine Learning for Food Review and Recommendation

• arxiv url: http://arxiv.org/abs/2201.10978v1
• Date: Sat, 15 Jan 2022 02:33:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-30 13:16:38.265657
• Title: Machine Learning for Food Review and Recommendation
• Title（参考訳）: 食品レビューとレコメンデーションのための機械学習
• Authors: Tan Khang Le and Siu Cheung Hui
• Abstract要約: 我々は、感情分析、自動レビュータグ生成、食品レビューの検索といった問題に、異なるディープラーニングアプローチを用いて対処する。 我々は,南陽工業大学においてNTU Food HunterというWebベースの食品レビューシステムを開発することを提案する。
• 参考スコア（独自算出の注目度）: 15.373693401378834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Food reviews and recommendations have always been important for online food service websites. However, reviewing and recommending food is not simple as it is likely to be overwhelmed by disparate contexts and meanings. In this paper, we use different deep learning approaches to address the problems of sentiment analysis, automatic review tag generation, and retrieval of food reviews. We propose to develop a web-based food review system at Nanyang Technological University (NTU) named NTU Food Hunter, which incorporates different deep learning approaches that help users with food selection. First, we implement the BERT and LSTM deep learning models into the system for sentiment analysis of food reviews. Then, we develop a Part-of-Speech (POS) algorithm to automatically identify and extract adjective-noun pairs from the review content for review tag generation based on POS tagging and dependency parsing. Finally, we also train a RankNet model for the re-ranking of the retrieval results to improve the accuracy in our Solr-based food reviews search system. The experimental results show that our proposed deep learning approaches are promising for the applications of real-world problems.
• Abstract（参考訳）: 食品レビューとレコメンデーションは、常にオンライン食品サービスウェブサイトにとって重要である。 しかし、異なる文脈や意味に圧倒される可能性が高いため、食品の見直しや推奨は簡単ではない。 本稿では,感情分析,自動レビュータグ生成,食品レビューの検索といった問題に対処するために,さまざまなディープラーニング手法を用いる。 我々は,南陽工業大学(NTU)において,食品選択を支援するさまざまな深層学習アプローチを取り入れた,NTU Food HunterというWebベースの食品レビューシステムを開発することを提案する。 まず、食品レビューの感情分析システムにBERTおよびLSTM深層学習モデルを実装した。 そこで我々は,POSタグと依存性解析に基づくレビュータグ生成のためのレビューコンテンツから,形容詞と名詞のペアを自動的に識別し抽出するPOSアルゴリズムを開発した。 最後に,検索結果の再ランク付けのためにranknetモデルをトレーニングし,solrベースの食品レビュー検索システムにおける精度を向上させる。 実験の結果,本提案手法は実世界の問題に適用できる可能性が示唆された。

関連論文リスト

• NutrifyAI: An AI-Powered System for Real-Time Food Detection, Nutritional Analysis, and Personalized Meal Recommendations [14.036206693783198]
  本稿では,先進的なコンピュータビジョン技術と栄養分析を組み合わせた総合システムを提案する。 予備的な結果は、即時かつ正確な食事の洞察を提供することによって、システムの有効性を示し、食品認識精度は80%近くである。
  論文  参考訳（メタデータ） (2024-08-20T04:18:53Z)
• 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)
• Sentiment Polarity Analysis of Bangla Food Reviews Using Machine and Deep Learning Algorithms [1.102674168371806]
  人口の大部分は、自宅に食事を届けるためにオンライン食品注文サービスを利用している。 我々の努力は、食べ物が良質なのか、それとも良質なのかを判断できるモデルを確立することであった。 私たちは、Food PandaやHungryNakiなど、著名な食品注文プラットフォームから1484以上のオンラインレビューのデータセットを収集しました。
  論文  参考訳（メタデータ） (2024-05-03T09:49:46Z)
• 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)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• 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)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• 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)
• MyFood: A Food Segmentation and Classification System to Aid Nutritional Monitoring [1.5469452301122173]
  食料モニタリングの欠如は、人口の体重増加に大きく寄与している。 食品画像を認識するためにコンピュータビジョンでいくつかのソリューションが提案されているが、栄養モニタリングに特化しているものはほとんどない。 本研究は, ユーザの食事と栄養摂取の自動モニタリングを支援するために, 画像に提示された食品を分類・分別するインテリジェントシステムの開発について述べる。
  論文  参考訳（メタデータ） (2020-12-05T17:40:05Z)

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。