[論文レビュー] At Your Service: Coffee Beans Recommendation From a Robot Assistant

Jacopo de Berardinis, Gabriella Pizzuto+4 more|arXiv (Cornell University)|Aug 26, 2020

Advanced Chemical Sensor Technologies参考文献 23被引用数 5

ひとこと要約

本稿では、客観的な豆の特徴から主観的なコーヒーの特徴を予測するための教師あり学習（ランダムフォレスト、SVR、MLP）を組み合わせたハイブリッドアプローチを用い、その後k-NNを用いてコーヒー豆の推薦を行う計算モデルを提案する。実際のコーヒーデータセットを用いた評価では、推薦精度が最大92.7％に達し、サービスロボットへの導入が可能となり、人間-ロボットインタラクションの場面で個人に合わせたコーヒーの提案が可能になる。

ABSTRACT

With advances in the field of machine learning, precisely algorithms for recommendation systems, robot assistants are envisioned to become more present in the hospitality industry. Additionally, the COVID-19 pandemic has also highlighted the need to have more service robots in our everyday lives, to minimise the risk of human to-human transmission. One such example would be coffee shops, which have become intrinsic to our everyday lives. However, serving an excellent cup of coffee is not a trivial feat as a coffee blend typically comprises rich aromas, indulgent and unique flavours and a lingering aftertaste. Our work addresses this by proposing a computational model which recommends optimal coffee beans resulting from the user's preferences. Specifically, given a set of coffee bean properties (objective features), we apply different supervised learning techniques to predict coffee qualities (subjective features). We then consider an unsupervised learning method to analyse the relationship between coffee beans in the subjective feature space. Evaluated on a real coffee beans dataset based on digitised reviews, our results illustrate that the proposed computational model gives up to 92.7 percent recommendation accuracy for coffee beans prediction. From this, we propose how this computational model can be deployed on a service robot to reliably predict customers' coffee bean preferences, starting from the user inputting their coffee preferences to the robot recommending the coffee beans that best meet the user's likings.

研究の動機と目的

• 客観的な豆の特徴（例：原産国、プロセッシング方法）から主観的なコーヒーの質（例：香り、甘さ）を予測する計算モデルを開発すること。
• この予測モデルを統合した、ユーザーの好みに合わせたコーヒー豆の推薦システムを構築すること。
• サービスロボット（例：Pepper）にこの推薦システムを導入し、コーヒーショップにおける現実世界のヒューマン-ロボットインタラクションの場面で活用すること。
• 一部の主観的特徴が不明であり、予測が必要な現実的な条件下でのシステムのパフォーマンスを評価すること。
• 特にCOVID-19以降の状況を踏まえ、サービスロボットが顧客体験を向上させるとともに、人との接触を減らす可能性を検討すること。

提案手法

• 本システムは、ランダムフォレスト（RF）、サポートベクターレグレッション（SVR）、マルチレイヤーパーセプトロン（MLP）といった教師あり回帰モデルを用い、10個の客観的豆の特徴から8つの主観的コーヒー特徴（例：酸味、後味）を予測する。
• ランダムフォレストモデルが最も優れた性能を示し、全予測特徴の平均RMSEが0.3562と最低となった。
• ユーザーの好みは、主観的特徴の入力ベクトルとしてモデル化され、その後k-近傍法（k-NN）アルゴリズムを用いて特徴空間内での最も類似したコーヒー豆を特定する。
• 部分的なデータセットの主観的特徴をマスキングし、RFモデルからの予測値に置き換えることで、推論的設定（transductive setting）で推薦システムを評価する。
• 100個の合成ユーザー入力をシミュレートするために、カーネル密度推定器が用いられた。
• 推薦精度は、完全なデータセット（真値）からの推薦と、主観的特徴が予測値に置き換えられた部分マスキングデータセットからの推薦との間のジャカード係数として計算された。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、原産国やプロセッシング方法といった客観的豆の特徴から、味や香りといった主観的コーヒー特徴を正確に予測できるか？
• RQ2 RF、SVR、MLPといった異なる回帰モデルの性能は、コーヒー品質属性の予測においてどのように比較できるか？
• RQ3 真値ではなく予測された主観的特徴を用いることで、コーヒー豆の推薦精度にどの程度の影響が生じるか？
• RQ4 回帰とk-NNを組み合わせたハイブリッドモデルをどのように活用し、ユーザー入力に基づいたパーソナライズドコーヒー豆の推薦を実現できるか？
• RQ5 このような推薦システムをサービスロボットに導入することで、ホスピタリティ分野におけるヒューマン-ロボットインタラクションをどのように向上できるか？

主な発見

• ランダムフォレスト（RF）モデルは、全8つの予測主観的特徴の平均RMSEが0.3562と最低となり、SVR（0.3750）およびMLP（0.3580）を上回った。
• データセットの10％分の主観的特徴をマスキングし予測した場合、推薦システムは最大92.7％の精度を達成した。
• マスキング率が上昇するにつれて推薦精度は低下した：20％マスキング時で86.1％、33％時で77.9％、50％時で69.6％。
• 主観的特徴の大部分が欠落している状況でも、システムは高い推薦忠実度を維持しており、現実世界の展開においても頑健であることが示された。
• 回帰予測とk-NNの統合により、ユーザーの好みに基づいた正確なパーソナライズドコーヒー豆の推薦が可能になった。
• 結果から、このようなシステムをリアルタイムで提供可能なサービスロボットに導入することが可能であり、人間らしいパーソナライズドコーヒーの推薦が実現可能であることが裏付けられた。