Fugu-MT 論文翻訳(概要): WineGraph: A Graph Representation For Food-Wine Pairing

論文の概要: WineGraph: A Graph Representation For Food-Wine Pairing

arxiv url: http://arxiv.org/abs/2407.00107v2
Date: Thu, 11 Jul 2024 12:12:48 GMT
ステータス: 処理完了
システム内更新日: 2024-07-12 22:08:28.079776
Title: WineGraph: A Graph Representation For Food-Wine Pairing
Title（参考訳）: WineGraph:食べ物とワインのペアリングのためのグラフ表現
Authors: Zuzanna Gawrysiak, Agata Żywot, Agnieszka Ławrynowicz,
Abstract要約: WineGraphはワインデータをその構造に組み込んだ異種グラフである。この統合により、味覚とソムリエ定義規則に基づく食品とワインのペアリングが可能になる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present WineGraph, an extended version of FlavorGraph, a heterogeneous graph incorporating wine data into its structure. This integration enables food-wine pairing based on taste and sommelier-defined rules. Leveraging a food dataset comprising 500,000 reviews and a wine reviews dataset with over 130,000 entries, we computed taste descriptors for both food and wine. This information was then utilised to pair food items with wine and augment FlavorGraph with additional data. The results demonstrate the potential of heterogeneous graphs to acquire supplementary information, proving beneficial for wine pairing.
Abstract（参考訳）: We present WineGraph, a extended version of FlavorGraph, a heterogeneous graph in the structure。この統合により、味覚とソムリエ定義規則に基づく食品とワインのペアリングが可能になる。 50万件のレビューと13万件以上のエントリを持つワインレビューデータセットからなる食品データセットを活用し、食品とワインの両方の味覚記述子を計算した。この情報はその後、食品をワインと組み合わせ、FravorGraphを付加データと組み合わせるために利用された。その結果、補足情報を得るための異種グラフの可能性が示され、ワインのペアリングに有益であることが証明された。

関連論文リスト

GSTAM: Efficient Graph Distillation with Structural Attention-Matching [13.673737442696154]
本稿では,グラフ分類データセットを凝縮する新しい手法であるGSTAM(Graph Distillation with Structure Attention Matching)を紹介する。 GSTAMは、GNNの注意マップを利用して、元のデータセットから合成グラフに構造情報を抽出する。総合的な実験では、GSTAMは既存の方法よりも優れており、極端な凝縮比では0.45%から6.5%の性能が向上している。
論文参考訳（メタデータ） (2024-08-29T19:40:04Z)
Learning to Taste: A Multimodal Wine Dataset [5.119970053489524]
We present WineSensed, a large multimodal wine data for study the relationship between visual perception, language, and flavor。データセットには、ワインラベルの897kの画像と、ヴィヴィノ・プラットフォームからキュレートされたワインの824kのレビューが含まれている。人間の経験と自動機械類似性カーネルを組み合わせた低次元概念埋め込みアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-31T17:58:28Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文参考訳（メタデータ） (2022-06-28T02:10:05Z)
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation [26.84274830886026]
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。
論文参考訳（メタデータ） (2022-05-24T22:19:53Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
Inference Attacks Against Graph Neural Networks [33.19531086886817]
グラフの埋め込みは、グラフ分析問題を解決する強力なツールである。グラフ埋め込みの共有は興味深いが、関連するプライバシーリスクは未調査だ。 3つの推論攻撃を組み込むことで,グラフ埋め込みの情報漏洩を系統的に調査する。
論文参考訳（メタデータ） (2021-10-06T10:08:11Z)
FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
論文参考訳（メタデータ） (2020-10-29T10:00:42Z)
Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-07-08T19:48:19Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation [5.710312846460821]
グラフ類似性は、下流アプリケーションを容易にするために、1組のグラフ間の類似度スコアを予測することを目的としている。この問題を効果的に解決するために,PSimGNNと呼ばれるグラフ分割とグラフニューラルネットワークに基づくモデルを提案する。 PSimGNNはグラフ類似度メトリックとして近似グラフ編集距離(GED)を用いてグラフ類似度計算タスクにおける最先端の手法より優れている。
論文参考訳（メタデータ） (2020-05-16T15:01:58Z)

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。