論文の概要: A Food Recommender System in Academic Environments Based on Machine Learning Models

• arxiv url: http://arxiv.org/abs/2306.16528v1
• Date: Mon, 26 Jun 2023 11:43:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 15:44:12.790685
• Title: A Food Recommender System in Academic Environments Based on Machine Learning Models
• Title（参考訳）: 機械学習モデルに基づく学術環境における食品推薦システム
• Authors: Abolfazl Ajami, Babak Teimourpour
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.42658286826597
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background: People's health depends on the use of proper diet as an important factor. Today, with the increasing mechanization of people's lives, proper eating habits and behaviors are neglected. On the other hand, food recommendations in the field of health have also tried to deal with this issue. But with the introduction of the Western nutrition style and the advancement of Western chemical medicine, many issues have emerged in the field of disease treatment and nutrition. Recent advances in technology and the use of artificial intelligence methods in information systems have led to the creation of recommender systems in order to improve people's health. Methods: A hybrid recommender system including, collaborative filtering, content-based, and knowledge-based models was used. Machine learning models such as Decision Tree, k-Nearest Neighbors (kNN), AdaBoost, and Bagging were investigated in the field of food recommender systems on 2519 students in the nutrition management system of a university. Student information including profile information for basal metabolic rate, student reservation records, and selected diet type is received online. Among the 15 features collected and after consulting nutrition experts, the most effective features are selected through feature engineering. Using machine learning models based on energy indicators and food selection history by students, food from the university menu is recommended to students. Results: The AdaBoost model has the highest performance in terms of accuracy with a rate of 73.70 percent. Conclusion: Considering the importance of diet in people's health, recommender systems are effective in obtaining useful information from a huge amount of data. Keywords: Recommender system, Food behavior and habits, Machine learning, Classification
• Abstract（参考訳）: 背景:人々の健康は、重要な要因として適切な食事の使用に依存する。 現在、人々の生活の機械化が進み、適切な食事習慣や行動は無視されている。 一方で、健康分野の食品推奨もこの問題に対処しようと試みている。 しかし、西洋の栄養様式の導入と西洋の化学薬品の進歩により、疾病治療や栄養学の分野で多くの問題が浮上している。 近年のテクノロジーの進歩と情報システムにおける人工知能の活用により、人々の健康を改善するためのレコメンデーションシステムの構築が進められている。 方法: 協調フィルタリング, コンテンツベース, 知識ベースモデルを含むハイブリッドレコメンダシステムを用いた。 大学栄養管理システムの2519名の学生を対象に, 食品推薦システムにおいて, 決定木, k-nearest neighbors (knn), adaboost, baggingなどの機械学習モデルを検討した。 基礎代謝率、学生予約記録、選択された食事タイプのプロファイル情報を含む学生情報をオンラインで受信する。 栄養専門家の相談を経て収集された15の特徴のうち、最も効果的な特徴は特徴工学によって選択される。 学生によるエネルギー指標と食品選択履歴に基づく機械学習モデルを用いて,大学メニューからの食品を学生に推奨する。 結果: AdaBoostモデルは73.70%の精度で最高の性能を持つ。 結論: 健康における食事の重要性を考えると, 推薦システムは大量のデータから有用な情報を得るのに有効である。 キーワード:推薦システム、食行動と習慣、機械学習、分類

関連論文リスト

• NUTRIVISION: A System for Automatic Diet Management in Smart Healthcare [0.0]
  NutriVisionは、スマートヘルスケアとコンピュータビジョンと機械学習を組み合わせて、栄養と食事管理の課題に対処する。 本稿では,食品の特定,量推定,包括的栄養情報の提供が可能な新しいシステムを提案する。 NutriVisionはスマートフォンベースの画像キャプチャーを通じて、マクロ栄養素の分解、カロリー数、微小栄養素の詳細などのインスタント栄養データを提供する。
  論文  参考訳（メタデータ） (2024-09-30T17:10:25Z)
• 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)
• Image-Based Dietary Assessment: A Healthy Eating Plate Estimation System [0.0]
  食生活の栄養質は過去20年から30年の間に著しく悪化し、人々はしばしば低下を過小評価している。 本稿では,イメージ分析による食事の健康度評価を目的とした,革新的なイメージベース食事アセスメントシステムを提案する。 本システムでは, 皿上の食品を解析し, その割合を評価し, ハーバード大学の健康食品推奨事項に対する食事の付着度を計算するために, 高度な画像分割と分類技術を用いている。
  論文  参考訳（メタデータ） (2024-03-02T21:01:01Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  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)
• 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)
• 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。