論文の概要: MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation

• arxiv url: http://arxiv.org/abs/2412.08847v1
• Date: Thu, 12 Dec 2024 01:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 17:01:54.595890
• Title: MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation
• Title（参考訳）: MOPI-HFRS : LLMを付加した多目的健康食品推薦システム
• Authors: Zheyuan Zhang, Zehong Wang, Tianyi Ma, Varun Sameer Taneja, Sofia Nelson, Nhi Ha Lan Le, Keerthiram Murugesan, Mingxuan Ju, Nitesh V Chawla, Chuxu Zhang, Yanfang Ye,
• Abstract要約: Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。 我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。 ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
• 参考スコア（独自算出の注目度）: 50.309987904297415
• License:
• Abstract: The prevalence of unhealthy eating habits has become an increasingly concerning issue in the United States. However, major food recommendation platforms (e.g., Yelp) continue to prioritize users' dietary preferences over the healthiness of their choices. Although efforts have been made to develop health-aware food recommendation systems, the personalization of such systems based on users' specific health conditions remains under-explored. In addition, few research focus on the interpretability of these systems, which hinders users from assessing the reliability of recommendations and impedes the practical deployment of these systems. In response to this gap, we first establish two large-scale personalized health-aware food recommendation benchmarks at the first attempt. We then develop a novel framework, Multi-Objective Personalized Interpretable Health-aware Food Recommendation System (MOPI-HFRS), which provides food recommendations by jointly optimizing the three objectives: user preference, personalized healthiness and nutritional diversity, along with an large language model (LLM)-enhanced reasoning module to promote healthy dietary knowledge through the interpretation of recommended results. Specifically, this holistic graph learning framework first utilizes two structure learning and a structure pooling modules to leverage both descriptive features and health data. Then it employs Pareto optimization to achieve designed multi-facet objectives. Finally, to further promote the healthy dietary knowledge and awareness, we exploit an LLM by utilizing knowledge-infusion, prompting the LLMs with knowledge obtained from the recommendation model for interpretation.
• Abstract（参考訳）: 不健康な食事習慣の流行は、米国でますます問題になっている。 しかし、主要な食品レコメンデーションプラットフォーム(Yelpなど)は、ユーザの選択した健康性よりも、ユーザの食事の嗜好を優先し続けている。 健康に配慮した食品レコメンデーションシステムの開発が試みられているが、ユーザーの特定の健康状態に基づく個人化は未検討のままである。 さらに,これらのシステムの解釈可能性に注目する研究はほとんどなく,ユーザがレコメンデーションの信頼性を評価するのを妨げ,実際のシステム展開を妨げている。 このギャップに対応するために、まず最初に、2つの大規模パーソナライズされた健康に配慮した食品レコメンデーションベンチマークを最初の試みで確立した。 次に, ユーザの嗜好, パーソナライズされた健康度, 栄養多様性の3つの目標を, 推奨結果の解釈を通じて健康的な栄養知識を促進するための大規模言語モデル(LLM)強化推論モジュールとともに共同で最適化し, 食品レコメンデーションを提供する新しい枠組みであるMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。 具体的には、この総合的なグラフ学習フレームワークは、まず2つの構造学習と構造プールモジュールを使用して、記述的特徴と健康データの両方を活用する。 次に、Pareto最適化を用いて、設計された多面的目的を達成する。 最後に、健康的な食事に関する知識と意識をさらに促進するために、私たちは、知識の注入を利用してLLMを活用し、解釈のための推奨モデルから得られた知識をLLMに促す。

関連論文リスト

• NGQA: A Nutritional Graph Question Answering Benchmark for Personalized Health-aware Nutritional Reasoning [49.06840168630573]
  食事は人間の健康において重要な役割を担っているが、個々の健康状態に対する食事の理由付けは大きな課題である。 栄養質問回答(QA)は,この問題に対処するための一般的な方法である。 栄養学的健康推論のために設計された最初のグラフ質問応答データセットであるNGQA(Nutritional Graph Question Answering)ベンチマークを紹介する。
  論文  参考訳（メタデータ） (2024-12-20T04:13:46Z)
• All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era [63.649070507815715]
  我々は、リコメンデータシステムをより広い視野に統合し、将来の研究のためのより包括的なソリューションの道を開くことを目指しています。 我々は、リストワイズレコメンデーションと会話レコメンデーションを通じて、現代のレコメンデーションシステムの2つの進化経路を特定する。 本稿では,ユーザの獲得コストを削減しつつ,推薦情報の有効性を高めることを指摘する。
  論文  参考訳（メタデータ） (2024-07-14T05:02:21Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• 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)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• 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)
• Semantic Modeling for Food Recommendation Explanations [0.5833117322405447]
  食品に関する推奨事項について,ユーザに説明をモデル化するための形式主義を提供する食品説明オントロジー(FEO)を提示する。 FEOはモジュール構造を使用しており、重要なセマンティックな詳細を保存しながら、さまざまな説明に役立てている。 FEOの使用に対する私たちの動機は、ユーザーの健康に関する決定を、ユーザの質問に関連するAIレコメンデータシステムの理解を十分に備えた上で、ユーザに権限を与えることです。
  論文  参考訳（メタデータ） (2021-05-04T03:25:36Z)
• 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)
• Spoiled for Choice? Personalized Recommendation for Healthcare Decisions: A Multi-Armed Bandit Approach [1.6058099298620423]
  本稿では,医療介入の選択を支援するレコメンデーションフレームワークを提案する。 ユーザの健康行動が極めてダイナミックで多様なものであることを考慮し,マルチアーム・バンディット(MAB)によるレコメンデーションフレームワークを提案する。 そこで我々は、MABを医療の文脈に適応させるために、2つの革新的なモデル要素を顕著な健康理論に基づいて合成する。
  論文  参考訳（メタデータ） (2020-09-13T22:55:59Z)

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。