[論文レビュー] A survey of food recommenders

Carl G. Anderson|arXiv (Cornell University)|Sep 8, 2018

Recommender Systems and Techniques参考文献 32被引用数 5

ひとこと要約

本サーベイは、食品レコメンデーションシステムの包括的な概要を提供し、その用途、データソース、技術的手法（協調フィルタリング、コンテンツベースフィルタリング、埋め込み、エキスパートシステムを含む）およびシステム制約を分析する。データスパarsityや時間的ダイナミクスといった主な課題を特定するとともに、音声インターフェースやスマートキッチン統合といった新たなトレンドを強調する。

ABSTRACT

Everyone eats. However, people do not always know what to eat. They need a little help and inspiration. Consequently, a number of apps, services, and programs have developed recommenders around food. These cover food, meal, recipe, and restaurant recommendations, which are the most common use cases, but also other areas such as substitute ingredients, menus, and diets. The latter is especially important in the area of health and wellness where users have more specific dietary needs and goals. In this survey, we review the food recommender literature. We cover the types of systems in terms of their goals and what they are recommending, the datasets and signals that they use to train models, the technical approaches and model types used, as well as some of the system constraints.

研究の動機と目的

• 食品レコメンデーションシステムの状況を体系的にレビューし、その目的、データソース、技術的実装を明らかにすること。
• データスパarsity、時間的ダイナミクス、文化的・宗教的食事制限といった、食品推薦における主な課題を特定すること。
• 協調フィルタリング、コンテンツベースフィルタリング、埋め込み、エキスパートシステムといった多様な推薦技術が、食品、食事、レシピ、食事制限の分野でどのように使用されているかを検討すること。
• 非西洋のデータセット、料理の推薦、健康を目的とした時間的食事計画といった、まだ十分に検討されていない分野を強調すること。
• 音声ベースのインターフェースやスマートキッチン統合といった新たなトレンドが、個別化された食事配達や食料品注文の未来をどのように変えるかを検討すること。

提案手法

• 英語の学術文献に焦点を当てた体系的レビューを実施。主に主要な国際会議や学術誌に掲載された査読付き論文を対象とする。
• レコメンデーションのターゲット（原材料、食品、食事、レシピ、レストラン、料理、食事制限、メニューなど）によって食品レコメンデーションシステムを分類する。
• 使用されるデータタイプを分析。ユーザー行動（例：注文履歴、評価）、アイテムメタデータ（例：原材料、料理、調理時間）、文脈的シグナル（例：季節、入手可能性）を含む。
• 協調フィルタリング、コンテンツベースフィルタリング、ハイブリッドモデル、グラフベース手法、自己組織化マップ、ベイジアンネットワーク、エキスパートシステム（特に事例ベース推論）といった技術的アプローチを評価する。
• 深層学習の応用を検討。特に、画像ベースの食品認識やレシピ生成に用いられる畳み込みニューラルネットワーク（CNN）を含む。
• 食品推薦研究で一般的に使用されるデータセット（allrecipes.com、Yelp、Yummly、food.com）をレビューし、カバー範囲と文化的多様性の欠如といった限界を指摘する。

実験結果

リサーチクエスチョン

• RQ1 ダイエット中の人、料理好き、患者など、異なるユーザー層における食品レコメンデーションシステムの主な用途は何か。
• RQ2 ユーザーとアイテムのデータ（好み、食事制限、原材料の共起性など）をどのように活用してレコメンデーションを生成しているか。
• RQ3 食品推薦で一般的に使われる技術的アプローチは何か。それらの有効性とスケーラビリティは、どのように比較できるか。
• RQ4 特にデータスパarsity、時間的ダイナミクス、文化的・宗教的食事多様性といった、食品推薦における主な課題は何か。
• RQ5 音声アシスタントやスマートキッチン家電といった新技術は、個別化された食品・食事の推薦の未来をどのように変えるか。

主な発見

• 食品レコメンデーションシステムは、食品デリバリー、健康・ウェルネス、食事計画の分野で広く利用されており、最も大きな用途はユーザー履歴に基づく個別化された食事・レシピの推薦である。
• データスパarsityは大きな課題である：Food.comでは平均して1レシピあたり38件の評価しかなく、Netflixの209件に比べて著しく少ない。これにより、協調フィルタリングの有効性が低下し、ハイブリッドまたはコンテンツベースの補完が必要となる。
• レシピメタデータ（原材料、調理法、料理、調理時間など）の豊富さから、コンテンツベースおよびハイブリッドアプローチが頻繁に使用されている。
• 深層学習モデル、特にCNNは、画像ベースの食品認識やレシピ生成の分野で活用されており、視覚的に類似した、あるいはより健康的な料理バージョンの同定において有望な結果が得られている。
• 音声ベースのインターフェースやスマートキッチン統合が新たなトレンドとして浮上しており、Alexa やスマート冷蔵庫といったシステムにより、リアルタイムで文脈に即した食事提案や自動的な食料品注文が可能になっている。
• 非西洋的・文化的に多様なデータセットは、研究において依然として不足しており、これにより現在のモデルのグローバルな食文化や宗教的食事慣習への一般化可能性が制限されている。