論文の概要: Food Recommendation With Balancing Comfort and Curiosity

• arxiv url: http://arxiv.org/abs/2503.18355v1
• Date: Mon, 24 Mar 2025 05:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:33:13.131807
• Title: Food Recommendation With Balancing Comfort and Curiosity
• Title（参考訳）: 快適さと好奇心のバランスによる食品推薦
• Authors: Yuto Sakai, Qiang Ma,
• Abstract要約: 本研究では,旅行先の利用者に未知の食品の快適さと好奇心を推定するための新しい手法を提案する。 また,味覚と食材による快適さと好奇心のバランスを測るランキング手法を提案する。
• 参考スコア（独自算出の注目度）: 0.8490659704051299
• License:
• Abstract: Food is a key pleasure of traveling, but travelers face a trade-off between exploring curious new local food and choosing comfortable, familiar options. This creates demand for personalized recommendation systems that balance these competing factors. To the best of our knowledge, conventional recommendation methods cannot provide recommendations that offer both curiosity and comfort for food unknown to the user at a travel destination. In this study, we propose new quantitative methods for estimating comfort and curiosity: Kernel Density Scoring (KDS) and Mahalanobis Distance Scoring (MDS). KDS probabilistically estimates food history distribution using kernel density estimation, while MDS uses Mahalanobis distances between foods. These methods score food based on how their representation vectors fit the estimated distributions. We also propose a ranking method measuring the balance between comfort and curiosity based on taste and ingredients. This balance is defined as curiosity (return) gained per unit of comfort (risk) in choosing a food. For evaluation the proposed method, we newly collected a dataset containing user surveys on Japanese food and assessments of foreign food regarding comfort and curiosity. Comparing our methods against the existing method, the Wilcoxon signed-rank test showed that when estimating comfort from taste and curiosity from ingredients, the MDS-based method outperformed the Baseline, while the KDS-based method showed no significant differences. When estimating curiosity from taste and comfort from ingredients, both methods outperformed the Baseline. The MDS-based method consistently outperformed KDS in ROC-AUC values.
• Abstract（参考訳）: 食べ物は旅行の重要な楽しみだが、旅行者は新しい地元の食べ物を探究することと、快適で親しみやすい選択肢を選ぶことのトレードオフに直面している。 これにより、競合する要因のバランスをとるパーソナライズされたレコメンデーションシステムに対する需要が生まれる。 これまでのレコメンデーション手法では,旅行先の利用者に未知の食品の好奇心と快適さを提供するようなレコメンデーションは提供できない。 本研究では,快適さと好奇心を推定するための新しい定量的手法として,カーネル密度スコアリング(KDS)とマハラノビス距離スコアリング(MDS)を提案する。 KDSはカーネル密度推定を用いて食品史分布を確率的に推定する一方、MDSは食品間のマハラノビス距離を用いる。 これらの方法は、その表現ベクトルが推定分布にどのように適合するかに基づいて食品を評価する。 また,味覚と食材による快適さと好奇心のバランスを測るランキング手法を提案する。 このバランスは、食物を選択する際の快適(リスク)単位当たりの好奇心(リターン)として定義される。 提案手法を評価するため,日本の食品に関するユーザ調査と,快適性と好奇性に関する外国食品の評価を含むデータセットを新たに収集した。 既存の方法と比較して,WilcoxonSigned-rank testでは,成分の味覚や好奇性から快適さを推定した場合,MDS法はベースラインよりも優れ,KDS法では有意な差は認められなかった。 食味や快適さから好奇心を推定すると、どちらの方法もベースラインよりも優れていた。 MDSに基づく手法は、OC-AUC値において一貫してKDSより優れていた。

関連論文リスト

• MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
  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。
  論文  参考訳（メタデータ） (2024-12-12T01:02:09Z)
• A topological analysis of the space of recipes [0.0]
  本稿では、料理レシピの空間を研究するために、トポロジカルデータ分析、特に永続的ホモロジーの利用を紹介する。 特に、永続的ホモロジー分析は、既存のレシピの空間におけるマルチスケールの「穴」を取り巻く一連のレシピを提供する。
  論文  参考訳（メタデータ） (2024-06-12T01:28:16Z)
• Spatial Entity Resolution between Restaurant Locations and Transportation Destinations in Southeast Asia [0.054390204258189995]
  本稿では,POI(Points-of-Interest)とGrabFood(GrabFood)のデータベースから同一の場所エンティティを認識することを試みる。 POI-restaurant Matchはシンガポール、フィリピン、インドネシア、マレーシアで別々に実施された。 実験により、これらの国のレストランの35%以上で、一致するPOIが見つかることが示されている。
  論文  参考訳（メタデータ） (2024-01-16T17:59:54Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• 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)
• Reward Uncertainty for Exploration in Preference-based Reinforcement Learning [88.34958680436552]
  好みに基づく強化学習アルゴリズムを対象とした探索手法を提案する。 我々の基本的な考え方は、学習した報酬に基づいて、斬新さを測定することによって、本質的な報酬を設計することである。 実験により、学習報酬の不確実性からの探索ボーナスは、好みに基づくRLアルゴリズムのフィードバック効率とサンプル効率の両方を改善することが示された。
  論文  参考訳（メタデータ） (2022-05-24T23:22:10Z)
• 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)
• Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
  長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。 本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
  論文  参考訳（メタデータ） (2021-12-08T22:25:52Z)
• 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)
• An Intelligent Passive Food Intake Assessment System with Egocentric Cameras [14.067860492694251]
  栄養失調は低所得国(LMIC)の主要な公衆衛生問題である 我々は,エゴセントリックカメラを用いた知的受動的摂食評価システムの実装を提案する。 摂取量を確実に監視し、ユーザの食行動にフィードバックを与えることができます。
  論文  参考訳（メタデータ） (2021-05-07T09:47:51Z)
• 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。