Rensselaer理工學院和紐約IBM Research的研究人員最近創(chuàng)建了pFoodReQ，該系統(tǒng)可以根據個人用戶的喜好和飲食需求推薦量身定制的食譜。該系統(tǒng)在arXiv上預發(fā)表的一篇論文中進行了概述，并將在3月的第14屆國際Web搜索和數(shù)據挖掘國際會議(WSDM)上進行介紹。

“我們的工作集中在個性化食品推薦上，”開發(fā)該系統(tǒng)的研究人員之一穆罕默德·扎基(Mohammed J. Zaki)告訴TechXplore。“特別是，給定用戶使用自然語言的查詢，我們希望在配方數(shù)據集中檢索最匹配的內容。”

Zaki和他的同事進行的這項研究的短期目標是幫助人們找到既能滿足飲食需求又能滿足其飲食習慣的健康食譜。理想情況下，他們希望這些食譜既能反映出用戶的意圖(即，他們是否計劃做一頓快速或更精致的飯菜)，他們的喜好(即，他們是否喜歡或不喜歡特定的食材或美食)，飲食上的限制(即，他們對某些產品過敏或不耐受)和健康狀況(例如，糖尿病，超重或有特定的健康狀況)。

扎基說：“關鍵思想是，給定相同的查詢，對于不同的用戶，響應實際上應該是不同的。” “換句話說，響應應該個性化。這是一項非常具有挑戰(zhàn)性的任務，尤其是在確定與查詢實際相關的隱式約束方面。”

Zaki和他的同事們研究的一個更廣泛的目標是將機器學習方法與語義相結合，語義是與意義相關的語言學分支。為此，研究人員將深度學習技術與他們開發(fā)的大型食品知識圖譜FoodKG結合使用。可在線在線獲得的FoodKG圖包含超過6700萬條記錄(或三重記錄)。這些記錄包括大約一百萬個食譜，這些食譜與完成它們所需的食材之間的關系的圖形表示，以及與食材的特性，營養(yǎng)成分和不同美食或食物類別有關的數(shù)據。

Zaki解釋說：“與專注于食品推薦的現(xiàn)有工作相比，我們的框架具有許多獨特的優(yōu)勢。” “首先，我們的目標是將個性化食譜推薦任務轉換為以自然語言回答的問題，以易于使用。其次，我們的系統(tǒng)可以處理明確的要求，其中涉及食品標簽(例如意大利菜)和允許的配料(例如必須包含菠菜)以及否定項(例如，不應包含核桃)。”

對于深度學習系統(tǒng)來說，否定或突出強調不應包含在推薦項目中的內容的陳述非常困難。這主要是因為深度神經網絡并不總是擅長區(qū)分正面陳述和負面陳述(例如，食譜必須包含花生，而食譜必須不含花生)。研究人員能夠通過為神經網絡引入特定的正/負線索來克服此限制。

食品推薦系統(tǒng)的另一個獨特特征是，它既可以捕捉用戶的獨特品質或偏好，也可以捕捉健康營養(yǎng)的一般準則。這使其可以提供個性化的食譜建議，從而促進良好的營養(yǎng)和健康。

“為實現(xiàn)這一目標，我們通過對用戶的喜好和健康指南(例如，根據美國糖尿病協(xié)會生活方式指南，所有成年人的總脂肪攝入量應占總卡路里攝入量的20-35%)進行建模，利用了基于語義的方法，知識子圖與相關的FoodKG子圖結合以檢索良好的建議。”

該框架是自適應的，可以從用戶的過去日志中學習。這意味著它會隨著時間的推移獲取有關一個人的飲食偏愛和需求的信息，然后使用此信息來建議符合這些偏愛和需求的新的健康食譜。

Zaki說：“我們的推薦系統(tǒng)背后的幕后技術方法依賴于三個模塊，這些模塊利用了底層的問題解答深度學習系統(tǒng)。” “第一個也是最重要的一個是查詢擴展模塊，其中原始的自然語言查詢被擴展為包括來自用戶和健康知識子圖的隱式約束，因此發(fā)送到問答模塊的最終查詢具有所有要求和約束。明確。”

框架的第二個組件，約束模型模塊，處理正和負成分約束(例如，必須包含或不能包含花生)。另一方面，最后一個模塊執(zhí)行所謂的知識圖擴充。

扎基解釋說：“深度學習系統(tǒng)在數(shù)值比較約束(例如，低于500卡路里的菜肴)中掙扎。” “我們通過動態(tài)地'重寫'或將FoodKG子圖擴展為與給定數(shù)值約束相對應的布爾約束(真/假)來轉換數(shù)字比較約束來解決此問題(例如，滿足約束的配方被動態(tài)標記為真) 。”

該框架的三個模塊結合在一起，可以提供健康且個性化的食譜建議。除了這種高性能的食物推薦系統(tǒng)外，研究人員還創(chuàng)建了自然語言問題和與食物建議相關的地面真相答案的基準。值得注意的是，在這項研究之前，還沒有這樣的基準。此外，其中包含的問題是根據用戶在Reddit上發(fā)布的與食物相關的真實問題而設計的。

為了評估其框架并將其與現(xiàn)有食品推薦系統(tǒng)進行比較，研究人員進行了一項用戶研究，其中要求一些參與者評估不同系統(tǒng)(包括他們自己的系統(tǒng))的建議。所有系統(tǒng)都根據參與者對50個問題的回答提出建議，這些問題探討了他們與食物有關的偏好和飲食需求。值得注意的是，由Zaki和他的同事創(chuàng)建的框架勝過了與之相比的所有技術，大多數(shù)參與者表示，與其他系統(tǒng)提出的建議相比，他們更偏愛其提供的建議。

扎基說：“我們希望這個基準的公開發(fā)布將刺激急需的后續(xù)工作和未來的改進。” “在技術方面，我們證明了我們提出的將查詢擴展，約束模型和知識圖擴充與基于深度學習的知識圖問答系統(tǒng)(BAMnet)相結合的方法，與現(xiàn)有的食物推薦相比，可提供巨大的改進方法。”

將來，本文可能會為數(shù)字助手的發(fā)展提供信息，這些助手可以幫助用戶做出更健康的食物選擇并尋找新的食譜。扎基(Zaki)和他的同事們現(xiàn)在正在以幾種方式來改善他們的系統(tǒng)。

扎基說：“現(xiàn)有系統(tǒng)應被視為個性化食品推薦的第一步，但仍然存在許多挑戰(zhàn)。” “我們需要更加復雜的問答基準來處理隱含的用戶意圖和各種情況。推薦更健康的替代方案和潛在替代方案也需要更多工作。處理更復雜的約束條件并找到在回答時應考慮的最相關約束條件集查詢仍然是一個挑戰(zhàn)，這也可以被認為是將常識推理納入框架中。”

標簽：