論文の概要: RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation

• arxiv url: http://arxiv.org/abs/2205.14005v1
• Date: Tue, 24 May 2022 22:19:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-12 09:33:01.122054
• Title: RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
• Title（参考訳）: RecipeRec: Recipe Recommendationのための不均一グラフ学習モデル
• Authors: Yijun Tian, Chuxu Zhang, Zhichun Guo, Chao Huang, Ronald Metoyer, Nitesh V. Chawla
• Abstract要約: 我々は,レシピレコメンデーションに協調的なシグナルを組み込むために,グラフを用いてレシピレコメンデーションの問題を定式化する。 最初に、リレーショナルグラフ(Relational-Graph)を提示する。 次にレシピ推薦のための新しい異種グラフ学習モデルであるRecipeRecを提案する。
• 参考スコア（独自算出の注目度）: 26.84274830886026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recipe recommendation systems play an essential role in helping people decide what to eat. Existing recipe recommendation systems typically focused on content-based or collaborative filtering approaches, ignoring the higher-order collaborative signal such as relational structure information among users, recipes and food items. In this paper, we formalize the problem of recipe recommendation with graphs to incorporate the collaborative signal into recipe recommendation through graph modeling. In particular, we first present URI-Graph, a new and large-scale user-recipe-ingredient graph. We then propose RecipeRec, a novel heterogeneous graph learning model for recipe recommendation. The proposed model can capture recipe content and collaborative signal through a heterogeneous graph neural network with hierarchical attention and an ingredient set transformer. We also introduce a graph contrastive augmentation strategy to extract informative graph knowledge in a self-supervised manner. Finally, we design a joint objective function of recommendation and contrastive learning to optimize the model. Extensive experiments demonstrate that RecipeRec outperforms state-of-the-art methods for recipe recommendation. Dataset and codes are available at https://github.com/meettyj/RecipeRec.
• Abstract（参考訳）: レシピレコメンデーションシステムは、人々が何を食べるかを決めるのに重要な役割を果たす。 既存のレシピレコメンデーションシステムは、通常、コンテンツベースのもしくは協調的なフィルタリングアプローチに焦点を合わせ、ユーザ間の関係構造情報やレシピ、食品アイテムなどの高次の協調シグナルを無視している。 本稿では,グラフを用いたレシピレコメンデーションの問題を形式化し,協調的なシグナルをグラフモデリングによりレシピレコメンデーションに組み込む。 特に、我々はまず、新しい大規模ユーザ・レシピ・イングリジェントグラフであるURI-Graphを提示する。 次にレシピ推薦のための新しい異種グラフ学習モデルRecipeRecを提案する。 提案モデルは,階層的注意を伴う不均質なグラフニューラルネットワークと成分セットトランスフォーマを用いて,レシピの内容と協調信号をキャプチャする。 また,情報的グラフ知識を自己指導的に抽出するグラフコントラスト拡張戦略も導入する。 最後に,モデル最適化のための推薦とコントラスト学習の共同目的関数を設計する。 大規模な実験により、RecipeRecはレシピレコメンデーションのための最先端のメソッドよりも優れています。 データセットとコードはhttps://github.com/meettyj/reciperecで入手できる。

関連論文リスト

• Retrieval Augmented Recipe Generation [96.43285670458803]
  本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。 既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。 生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
  論文  参考訳（メタデータ） (2024-11-13T15:58:50Z)
• RECipe: Does a Multi-Modal Recipe Knowledge Graph Fit a Multi-Purpose Recommendation System? [2.969705152497174]
  本稿では多目的レシピレコメンデーションフレームワークとしてRECipeを紹介する。 RECipeは,(1)行動ベースレコメンデータ,(2)レビューベースレコメンデータ,(3)画像ベースレコメンデータの3つのサブシステムから構成される。
  論文  参考訳（メタデータ） (2023-08-08T20:54:59Z)
• Learning to Substitute Ingredients in Recipes [15.552549060863523]
  食材代替によるパーソナライゼーションは、食生活のニーズや嗜好を満たすこと、潜在的なアレルゲンを避けること、およびすべての台所での料理探索を容易にする可能性がある。 標準化された分割、評価指標、ベースラインを備えた置換ペアのデータセットで構成されたベンチマークを構築します。 Ingredient Substitution Module (GISMo) は、レシピのコンテキストと、グラフ内にエンコードされた一般的な成分関係情報を利用して、妥当な代替品のランク付けを行う新しいモデルである。 我々は、GISMoが平均的相互ランクにおいて、最高のパフォーマンスベースラインをはるかに上回っているという総合的な実験的検証を通して示す。
  論文  参考訳（メタデータ） (2023-02-15T21:49:23Z)
• Counterfactual Recipe Generation: Exploring Compositional Generalization in a Realistic Scenario [60.20197771545983]
  本研究では,材料の変化に応じて基本レシピを変更するようモデルに依頼する,反現実的なレシピ生成タスクを設計する。 料理の知識を学習するモデルのために、中国語で大規模なレシピデータセットを収集する。 その結果、既存のモデルでは原文のスタイルを保ちながら素材の変更が困難であり、調整が必要なアクションを見逃すことがしばしばあった。
  論文  参考訳（メタデータ） (2022-10-20T17:21:46Z)
• Recipe2Vec: Multi-modal Recipe Representation Learning with Graph Neural Networks [23.378813327724686]
  マルチモーダルなレシピ表現学習の問題を形式化し、視覚的、テキスト的、リレーショナルな情報をレシピの埋め込みに統合する。 まず、50万以上のノードを持つ新しいレシピグラフデータであるLarge-RGを紹介した。 次に、新しいグラフニューラルネットワークに基づくレシピ埋め込みモデルであるRecipe2Vecを提案し、マルチモーダル情報をキャプチャする。
  論文  参考訳（メタデータ） (2022-05-24T23:04:02Z)
• Assistive Recipe Editing through Critiquing [34.1050269670062]
  RecipeCritは階層的な自動エンコーダで、材料レベルの批判をレシピで編集する。 私たちの研究の主な革新は、ユーザーが予測された材料と対話することでレシピを編集できる教師なしのクオリティリングモジュールです。
  論文  参考訳（メタデータ） (2022-05-05T05:52:27Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Graph Learning based Recommender Systems: A Review [111.43249652335555]
  グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。 本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
  論文  参考訳（メタデータ） (2021-05-13T14:50:45Z)
• Revamping Cross-Modal Recipe Retrieval with Hierarchical Transformers and Self-supervised Learning [17.42688184238741]
  近年, 生活における食品の重要性から, クロスモーダルなレシピ検索が注目されている。 本稿では,テキストおよび画像のエンコーダの確立と高性能化に基づく,簡易なエンド・ツー・エンドモデルを提案する。 提案手法は,Recipe1Mデータセットのクロスモーダルレシピ検索タスクにおける最新性能を実現する。
  論文  参考訳（メタデータ） (2021-03-24T10:17:09Z)
• Structure-Aware Generation Network for Recipe Generation from Images [142.047662926209]
  食品画像と材料のみに基づいて調理指導を行うオープン・リサーチ・タスクについて検討する。 ターゲットレシピは長い段落であり、構造情報に関する注釈を持たない。 本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-02T10:54:25Z)
• Multi-modal Cooking Workflow Construction for Food Recipes [147.4435186953995]
  ワークフロー構築のための最初の大規模データセットであるMM-ReSを構築した。 本稿では、視覚情報とテキスト情報の両方を利用して調理ワークフローを構築するニューラルエンコーダデコーダモデルを提案する。
  論文  参考訳（メタデータ） (2020-08-20T18:31:25Z)

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。