研究人员开发了可以推荐个性化和健康食谱的系统

导读 Rensselaer理工学院和纽约IBM Research的研究人员最近创建了pFoodReQ,该系统可以根据个人用户的喜好和饮食需求推荐量身定制的食谱。该系

Rensselaer理工学院和纽约IBM Research的研究人员最近创建了pFoodReQ,该系统可以根据个人用户的喜好和饮食需求推荐量身定制的食谱。该系统在arXiv上预发表的一篇论文中进行了概述,并将在3月的第14届国际Web搜索和数据挖掘国际会议(WSDM)上进行介绍。

“我们的工作集中在个性化食品推荐上,”开发该系统的研究人员之一穆罕默德·扎基(Mohammed J. Zaki)告诉TechXplore。“特别是,给定用户使用自然语言的查询,我们希望在配方数据集中检索最匹配的内容。”

Zaki和他的同事进行的这项研究的短期目标是帮助人们找到既能满足饮食需求又能满足其饮食习惯的健康食谱。理想情况下,他们希望这些食谱既能反映出用户的意图(即,他们是否计划做一顿快速或更精致的饭菜),他们的喜好(即,他们是否喜欢或不喜欢特定的食材或美食),饮食上的限制(即,他们对某些产品过敏或不耐受)和健康状况(例如,糖尿病,超重或有特定的健康状况)。

扎基说:“关键思想是,给定相同的查询,对于不同的用户,响应实际上应该是不同的。” “换句话说,响应应该个性化。这是一项非常具有挑战性的任务,尤其是在确定与查询实际相关的隐式约束方面。”

Zaki和他的同事们研究的一个更广泛的目标是将机器学习方法与语义相结合,语义是与意义相关的语言学分支。为此,研究人员将深度学习技术与他们开发的大型食品知识图谱FoodKG结合使用。可在线在线获得的FoodKG图包含超过6700万条记录(或三重记录)。这些记录包括大约一百万个食谱,这些食谱与完成它们所需的食材之间的关系的图形表示,以及与食材的特性,营养成分和不同美食或食物类别有关的数据。

Zaki解释说:“与专注于食品推荐的现有工作相比,我们的框架具有许多独特的优势。” “首先,我们的目标是将个性化食谱推荐任务转换为以自然语言回答的问题,以易于使用。其次,我们的系统可以处理明确的要求,其中涉及食品标签(例如意大利菜)和允许的配料(例如必须包含菠菜)以及否定项(例如,不应包含核桃)。”

对于深度学习系统来说,否定或突出强调不应包含在推荐项目中的内容的陈述非常困难。这主要是因为深度神经网络并不总是擅长区分正面陈述和负面陈述(例如,食谱必须包含花生,而食谱必须不含花生)。研究人员能够通过为神经网络引入特定的正/负线索来克服这一限制。

食品推荐系统的另一个独特特征是,它既可以捕捉用户的独特品质或偏好,也可以捕捉健康营养的一般准则。这使其可以提供个性化的食谱建议,从而促进良好的营养和健康。

“为实现这一目标,我们通过对用户的喜好和健康指南(例如,根据美国糖尿病协会生活方式指南,所有成年人的总脂肪摄入量应占总卡路里摄入量的20-35%)进行建模,利用了基于语义的方法,知识子图与相关的FoodKG子图结合以检索良好的建议。”

该框架是自适应的,可以从用户的过去日志中学习。这意味着它会随着时间的推移获取有关一个人的饮食偏爱和需求的信息,然后使用此信息来建议符合这些偏爱和需求的新的健康食谱。

Zaki说:“我们的推荐系统背后的幕后技术方法依赖于三个模块,这些模块利用了底层的问题解答深度学习系统。” “第一个也是最重要的一个是查询扩展模块,其中原始的自然语言查询被扩展为包括来自用户和健康知识子图的隐式约束,因此发送到问答模块的最终查询具有所有要求和约束。明确。”

框架的第二个组件,约束模型模块,处理正和负成分约束(例如,必须包含或不能包含花生)。另一方面,最后一个模块执行所谓的知识图扩充。

扎基解释说:“深度学习系统在数值比较约束(例如,低于500卡路里的菜肴)中挣扎。” “我们通过动态地'重写'或将FoodKG子图扩展为与给定数值约束相对应的布尔约束(真/假)来转换数字比较约束来解决此问题(例如,满足约束的配方被动态标记为真) 。”

该框架的三个模块结合在一起,可以提供健康且个性化的食谱建议。除了这种高性能的食物推荐系统外,研究人员还创建了自然语言问题和与食物建议相关的地面真相答案的基准。值得注意的是,在这项研究之前,还没有这样的基准。此外,其中包含的问题是根据用户在Reddit上发布的与食物相关的真实问题而设计的。

为了评估其框架并将其与现有食品推荐系统进行比较,研究人员进行了一项用户研究,其中要求一些参与者评估不同系统(包括他们自己的系统)的建议。所有系统都根据参与者对50个问题的回答提出建议,这些问题探讨了他们与食物有关的偏好和饮食需求。值得注意的是,由Zaki及其同事创建的框架的性能优于与之相比的所有技术,大多数参与者表示,与其他系统提出的建议相比,他们更偏爱其提供的建议。

扎基说:“我们希望这个基准的公开发布将刺激急需的后续工作和未来的改进。” “在技术方面,我们证明了我们提出的将查询扩展,约束模型和知识图扩展与基于深度学习的知识图问题回答系统(BAMnet)相结合的提议方法,与现有的食物推荐相比,可提供巨大的改进方法。”

Zaki和他的同事进行的研究由IBM Research的AI Horizo​​ns Network资助,并且是名为RPI-IBM HEALS的更广泛项目的一部分,该项目代表分析,学习和语义赋予健康。他们开发的食品推荐系统的代码可从以下网站在线获得:https://github.com/hugochan/PFoodReq。

将来,本文可能会为数字助手的发展提供信息,这些助手可以帮助用户做出更健康的食物选择并寻找新的食谱。扎基(Zaki)和他的同事们现在正在以几种方式来改善他们的系统。

扎基说:“现有系统应被视为个性化食品推荐的第一步,但仍然存在许多挑战。” “我们需要更复杂的回答基准,以处理隐含的用户意图和各种情况。推荐更健康的替代方案和潜在替代方案也需要更多工作。处理更复杂的约束条件并找到在回答时应考虑的最相关约束条件集查询仍然是一个挑战,这也可以被认为是将常识推理纳入框架中。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

猜你喜欢

最新文章