論文の概要: Sentiment Polarity Analysis of Bangla Food Reviews Using Machine and Deep Learning Algorithms
- arxiv url: http://arxiv.org/abs/2405.06667v1
- Date: Fri, 3 May 2024 09:49:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 03:27:39.867119
- Title: Sentiment Polarity Analysis of Bangla Food Reviews Using Machine and Deep Learning Algorithms
- Title（参考訳）: 機械学習アルゴリズムと深層学習アルゴリズムを用いたバングラ食品レビューの感度極性解析
- Authors: Al Amin, Anik Sarkar, Md Mahamodul Islam, Asif Ahammad Miazee, Md Robiul Islam, Md Mahmudul Hoque,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.102674168371806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Internet has become an essential tool for people in the modern world. Humans, like all living organisms, have essential requirements for survival. These include access to atmospheric oxygen, potable water, protective shelter, and sustenance. The constant flux of the world is making our existence less complicated. A significant portion of the population utilizes online food ordering services to have meals delivered to their residences. Although there are numerous methods for ordering food, customers sometimes experience disappointment with the food they receive. Our endeavor was to establish a model that could determine if food is of good or poor quality. We compiled an extensive dataset of over 1484 online reviews from prominent food ordering platforms, including Food Panda and HungryNaki. Leveraging the collected data, a rigorous assessment of various deep learning and machine learning techniques was performed to determine the most accurate approach for predicting food quality. Out of all the algorithms evaluated, logistic regression emerged as the most accurate, achieving an impressive 90.91% accuracy. The review offers valuable insights that will guide the user in deciding whether or not to order the food.
- Abstract（参考訳）: インターネットは現代の人々にとって欠かせないツールになっている。
人間は、すべての生物と同様に、生存に必須の要件を持っている。
これには、大気中の酸素、可溶性水、保護シェルター、サステランスへのアクセスが含まれる。
世界の絶え間ないフラックスは、我々の存在をより複雑にしている。
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。
食品の注文方法は多々あるが、客は受け取った食品に失望することがある。
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。
我々は、フードパンダやハングリーナキなど、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広範なデータセットを収集した。
収集したデータを利用して、食品の品質を予測するための最も正確なアプローチを決定するために、さまざまなディープラーニングおよび機械学習技術の厳密な評価を行った。
評価された全てのアルゴリズムのうち、ロジスティック回帰が最も正確であり、90.91%の精度を達成した。
このレビューは、ユーザーが食べ物を注文するかどうかを決めるための貴重な洞察を提供する。
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) - 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 [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) - Cook-Gen: Robust Generative Modeling of Cooking Actions from Recipes [6.666528076345153]
食品計算モデルは、健康的な食事習慣を維持するのを助けることで、ますます人気が高まっている。
本研究では,調理行動を含む現在の食品計算モデルを拡張するための生成AI手法について検討する。
本稿では,レシピから調理動作を確実に生成する新しいアグリゲーションベースの生成AI手法であるCook-Genを提案する。
論文 参考訳（メタデータ） (2023-06-01T18:49:47Z) - Machine Learning for Food Review and Recommendation [15.373693401378834]
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。
論文 参考訳（メタデータ） (2022-01-15T02:33:59Z) - 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)
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。