論文の概要: Enhancing Personalized Recipe Recommendation Through Multi-Class Classification

• arxiv url: http://arxiv.org/abs/2409.10267v1
• Date: Mon, 16 Sep 2024 13:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 15:30:17.005129
• Title: Enhancing Personalized Recipe Recommendation Through Multi-Class Classification
• Title（参考訳）: 複数クラス分類によるパーソナライズされたレシピレコメンデーションの強化
• Authors: Harish Neelam, Koushik Sai Veerella,
• Abstract要約: 問題領域にはレシピレコメンデーションが含まれており、関連分析や分類といった手法を利用している。 この論文は、レシピを推薦するだけでなく、正確でパーソナライズされたレコメンデーションを達成するためのプロセスを探究する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper intends to address the challenge of personalized recipe recommendation in the realm of diverse culinary preferences. The problem domain involves recipe recommendations, utilizing techniques such as association analysis and classification. Association analysis explores the relationships and connections between different ingredients to enhance the user experience. Meanwhile, the classification aspect involves categorizing recipes based on user-defined ingredients and preferences. A unique aspect of the paper is the consideration of recipes and ingredients belonging to multiple classes, recognizing the complexity of culinary combinations. This necessitates a sophisticated approach to classification and recommendation, ensuring the system accommodates the nature of recipe categorization. The paper seeks not only to recommend recipes but also to explore the process involved in achieving accurate and personalized recommendations.
• Abstract（参考訳）: 本稿では,料理嗜好の多様さの観点から,パーソナライズされたレシピレコメンデーションの課題に対処することを目的とする。 問題領域にはレシピレコメンデーションが含まれており、関連分析や分類といった手法を利用している。 関連分析は、ユーザエクスペリエンスを高めるために、異なる材料間の関係と関係を探索する。 一方、分類の側面は、ユーザーが定義した材料や好みに基づいてレシピを分類することである。 本論文の独特な側面は、料理の組み合わせの複雑さを認識しながら、複数のクラスに属するレシピや材料について考察することである。 これは、分類とレコメンデーションに対する洗練されたアプローチを必要とし、システムがレシピの分類の性質に適合することを保証します。 この論文は、レシピを推薦するだけでなく、正確でパーソナライズされたレコメンデーションを達成するためのプロセスを探究する。

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)
• Food Pairing Unveiled: Exploring Recipe Creation Dynamics through Recommender Systems [0.0]
  西洋料理では、レシピの材料は偶然に予想されるよりも多くのフレーバーを共有していることが多い。 我々の研究は、データセットに最先端の協調フィルタリング技術を適用します。 レシピの具体的外観や、食品間での香料成分の共有を考慮し、コメンデーターを2つの方法で作成する。
  論文  参考訳（メタデータ） (2024-06-21T13:45:42Z)
• Towards Automated Recipe Genre Classification using Semi-Supervised Learning [4.177122099296939]
  Assorted, Archetypal, and Annotated 200 Million Extended (3A2M+ Cooking Recipe dataset")というデータセットを提示する。 このデータには、タイトル、NER、方向、拡張NERなどの様々な特徴と、パン屋、飲み物、非野菜、野菜、ファーストフード、穀物、食事、側面、融合などのジャンルを表す9つの異なるラベルが含まれている。 従来の機械学習、ディープラーニング、事前訓練された言語モデルを用いてレシピをそれぞれのジャンルに分類し、全体的な精度は98.6%に達した。
  論文  参考訳（メタデータ） (2023-10-24T10:03:27Z)
• 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)
• RecipeMind: Guiding Ingredient Choices from Food Pairing to Recipe Completion using Cascaded Set Transformer [15.170251924099807]
  RecipeMindは、食品親和性スコア予測モデルであり、他の成分セットに材料を追加することの適合性を定量化する。 食品親和性スコア予測におけるレシピミンドの学習・評価のために, 成分共起に基づくスコアを含む大規模データセットを構築した。
  論文  参考訳（メタデータ） (2022-10-14T06:35:49Z)
• Cross-lingual Adaptation for Recipe Retrieval with Mixup [56.79360103639741]
  近年,大規模なペアリングデータの提供により,クロスモーダルなレシピ検索が研究の注目を集めている。 本稿では,ソース領域とターゲット領域のレシピが異なる言語で作成される画像からレシピ検索のための教師なし領域適応について検討する。 2つの領域間の移動可能な埋め込み特徴を学習するために,新しいレシピ・ミックスアップ法を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:04:39Z)
• Learning Structural Representations for Recipe Generation and Food Retrieval [101.97397967958722]
  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。 提案モデルは高品質でコヒーレントなレシピを作成でき、ベンチマークRecipe1Mデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-10-04T06:36:31Z)
• 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)
• Classification of Cuisines from Sequentially Structured Recipes [8.696042114987966]
  料理の特徴に基づく料理の分類は 際立った問題です。 我々は、RecipeDBデータセット上のこれらの情報を考慮し、様々な分類手法を実装した。 最先端のRoBERTaモデルは、様々な分類モデルの中で73.30%の精度を示した。
  論文  参考訳（メタデータ） (2020-04-26T05:40:36Z)
• Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
  画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。 本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。 食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
  論文  参考訳（メタデータ） (2020-03-09T07:41:17Z)

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。