論文の概要: MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model

• arxiv url: http://arxiv.org/abs/2210.08266v1
• Date: Sat, 15 Oct 2022 11:45:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 21:32:41.489916
• Title: MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model
• Title（参考訳）: MenuAI:トランスフォーマーを用いた深層学習モデルによるレストラン食品推薦システム
• Authors: Xinwei Ju, Frank Po Wen Lo, Jianing Qiu, Peilun Shi, Jiachuan Peng, Benny Lo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.248362664235845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Food recommendation system has proven as an effective technology to provide guidance on dietary choices, and this is especially important for patients suffering from chronic diseases. Unlike other multimedia recommendations, such as books and movies, food recommendation task is highly relied on the context at the moment, since users' food preference can be highly dynamic over time. For example, individuals tend to eat more calories earlier in the day and eat a little less at dinner. However, there are still limited research works trying to incorporate both current context and nutritional knowledge for food recommendation. Thus, a novel restaurant food recommendation system is proposed in this paper to recommend food dishes to users according to their special nutritional needs. Our proposed system utilises Optical Character Recognition (OCR) technology and a transformer-based deep learning model, Learning to Rank (LTR) model, to conduct food recommendation. Given a single RGB image of the menu, the system is then able to rank the food dishes in terms of the input search key (e.g., calorie, protein level). Due to the property of the transformer, our system can also rank unseen food dishes. Comprehensive experiments are conducted to validate our methods on a self-constructed menu dataset, known as MenuRank dataset. The promising results, with accuracy ranging from 77.2% to 99.5%, have demonstrated the great potential of LTR model in addressing food recommendation problems.
• Abstract（参考訳）: 食品推奨システムは食事選択のガイダンスを提供する効果的な技術として証明されており、特に慢性疾患患者にとって重要である。 書籍や映画などの他のマルチメディアレコメンデーションとは異なり、ユーザの食べ物の嗜好は時間とともに非常にダイナミックになるため、現在、食品レコメンデーションタスクはコンテキストに大きく依存している。 例えば、個人は1日早くにより多くのカロリーを摂取し、夕食の時間も少し減る傾向にある。 しかし、食品推奨に現在の文脈と栄養に関する知識を組み込もうとする研究は、まだ限られている。 そこで本稿では, 食事の栄養要求に応じて, 新規なレストラン料理推薦システムを提案する。 提案システムは,光文字認識(OCR)技術とトランスフォーマーに基づくディープラーニングモデルであるLearning to Rank(LTR)モデルを利用して,食品レコメンデーションを行う。 メニューの単一のrgbイメージが与えられると、システムは入力された検索キー(カロリー、タンパク質レベルなど)に基づいて料理をランク付けすることができる。 トランスの特性から,我々のシステムは目に見えない食器のランク付けも可能である。 MenuRank と呼ばれる自己構築型メニューデータセット上で,我々の手法を検証するための総合的な実験を行った。 77.2%から99.5%の精度の有望な結果は、食品推奨問題に対するltrモデルの大きな可能性を示している。

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)
• 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)
• 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)
• 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)
• 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。