論文の概要: S2SRec2: Set-to-Set Recommendation for Basket Completion with Recipe

• arxiv url: http://arxiv.org/abs/2507.09101v1
• Date: Sat, 12 Jul 2025 01:09:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:22.37512
• Title: S2SRec2: Set-to-Set Recommendation for Basket Completion with Recipe
• Title（参考訳）: S2SRec2: レシピ付きバスケットボール完成のためのセット・ツー・セット・レコメンデーション
• Authors: Yanan Cao, Omid Memarrast, Shiqin Cai, Sinduja Subramaniam, Evren Korpeoglu, Kannan Achan,
• Abstract要約: 食料品の電子商取引では、顧客は食事の好みによってガイドされる食材バスケットを作るが、完全な食事を作るための専門知識は欠如している。 本稿では,S2SRec2について紹介する。S2SRec2は,Set Transformerをベースとし,マルチタスク学習パラダイムで訓練された,セットツーセットの成分推薦フレームワークである。 大規模なレシピデータセットと定性的分析の実験により、S2SRec2は単一ターゲットのベースラインを著しく上回ることが示された。
• 参考スコア（独自算出の注目度）: 17.475600613098113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In grocery e-commerce, customers often build ingredient baskets guided by dietary preferences but lack the expertise to create complete meals. Leveraging recipe knowledge to recommend complementary ingredients based on a partial basket is essential for improving the culinary experience. Traditional recipe completion methods typically predict a single missing ingredient using a leave-one-out strategy. However, they fall short in two key aspects: (i) they do not reflect real-world scenarios where multiple ingredients are often needed, and (ii) they overlook relationships among the missing ingredients themselves. To address these limitations, we reformulate basket completion as a set-to-set (S2S) recommendation problem, where an incomplete basket is input into a system that predicts a set of complementary ingredients. We introduce S2SRec2, a set-to-set ingredient recommendation framework based on a Set Transformer and trained in a multitask learning paradigm. S2SRec2 jointly learns to (i) retrieve missing ingredients from the representation of existing ones and (ii) assess basket completeness after prediction. These tasks are optimized together, enforcing accurate retrieval and coherent basket completion. Experiments on large-scale recipe datasets and qualitative analyses show that S2SRec2 significantly outperforms single-target baselines, offering a promising approach to enhance grocery shopping and inspire culinary creativity.
• Abstract（参考訳）: 食料品の電子商取引では、顧客は食事の好みによってガイドされる食材バスケットを作るが、完全な食事を作るための専門知識は欠如している。 料理体験を改善するためには、レシピの知識を活用して、部分的なバスケットに基づく相補的な材料を推奨することが不可欠である。 伝統的なレシピの完成法は、通常、欠落した成分を1つの戦略で予測する。 しかし、それらは2つの重要な側面で不足している。 (i)複数の材料が頻繁に必要とされる現実世界のシナリオを反映せず、 (二)行方不明の材料そのものとの関係を見落としている。 これらの制約に対処するため、我々はバスケット補完をセット・トゥ・セット(S2S)レコメンデーション問題として再構成し、不完全なバスケットを相補的な成分の集合を予測するシステムに入力する。 本稿では,S2SRec2について紹介する。S2SRec2は,Set Transformerをベースとし,マルチタスク学習パラダイムで訓練された,セットツーセットの成分推薦フレームワークである。 S2SRec2が共同で学習 一 現存成分の表示から欠落成分を回収し、 二 予測後のバスケット完全性を評価すること。 これらのタスクは一緒に最適化され、正確な検索とコヒーレントなバスケット補完が強制される。 大規模なレシピデータセットと定性的分析の実験は、S2SRec2が単一ターゲットベースラインを著しく上回り、食料品の買い物を強化し、料理の創造性を刺激する有望なアプローチを提供することを示している。

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)
• Enhancing Personalized Recipe Recommendation Through Multi-Class Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2024-09-16T13:21:09Z)
• RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
  Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。 本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:49:34Z)
• CorDA: Context-Oriented Decomposition Adaptation of Large Language Models for Task-Aware Parameter-Efficient Fine-tuning [101.81127587760831]
  現在の微調整手法は、学習すべき下流タスクのコンテキストや、維持すべき重要な知識のコンテキストに広く適用できるアダプタを構築している。 学習可能なタスク対応アダプタを構築するコンテキスト指向の分解適応手法であるCorDAを提案する。 本手法は,知識保存型適応と指導レビュー型適応の2つの選択肢を実現する。
  論文  参考訳（メタデータ） (2024-06-07T19:10:35Z)
• KitchenScale: Learning to predict ingredient quantities from recipe contexts [13.001618172288198]
  KitchenScaleは、レシピのコンテキストからターゲットの材料量と測定単位を予測するモデルである。 本稿では,成分測定型分類,単位分類,量回帰タスクの3つのサブタスクからなる成分量予測タスクを定式化する。 新たに構築したデータセットとレコメンデーションの例での実験では、さまざまなレシピコンテキストに対するKitchenScaleの理解が示されています。
  論文  参考訳（メタデータ） (2023-04-21T04:28:16Z)
• 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)
• 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)
• SHARE: a System for Hierarchical Assistive Recipe Editing [5.508365014509761]
  SHARE: 食生活制限のある家庭料理人を支援する階層的補助レシピ編集システムについて紹介する。 私たちの階層的なレシピエディタは、レシピの成分リストに必要な置換を行い、新しい成分を利用するための方向を書き換えます。 1つのレシピが7つの食事制約のうちの1つを満たす84k組の類似レシピのレシピペアデータセットを紹介する。
  論文  参考訳（メタデータ） (2021-05-17T22:38:07Z)
• 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。