[論文レビュー] MealRec: A Meal Recommendation Dataset

Ming Li, Lin Li+3 more|arXiv (Cornell University)|May 24, 2022

Recommender Systems and Techniques被引用数 4

ひとこと要約

本論文は、Allrecipes.comから抽出されたユーザー・ミールインタラクションに基づく大規模で公開可能なデータセットであるMealRecを紹介する。このデータセットには1,500人を超えるユーザー、7,200件以上のレシピ、3,800件以上の3コース構成のミールが含まれる。本研究では、ミール単位およびカテゴリ単位のユーザー好みを統合し、動的フィルタリングを適用するカテゴリ制約付きミール推薦モデル（CCMR）を提案し、このデータセット上で最先端の性能を達成した。このデータセットは、今後ミール推薦研究のベンチマークとして定着する。

ABSTRACT

Bundle recommendation systems aim to recommend a bundle of items for a user to consider as a whole. They have become a norm in modern life and have been applied to many real-world settings, such as product bundle recommendation, music playlist recommendation and travel package recommendation. However, compared to studies of bundle recommendation approaches in areas such as online shopping and digital music services, research on meal recommendations for restaurants in the hospitality industry has made limited progress, due largely to the lack of high-quality benchmark datasets. A publicly available dataset specialising in meal recommendation research for the research community is in urgent demand. In this paper, we introduce a meal recommendation dataset (MealRec) that aims to facilitate future research. MealRec is constructed from the user review records of Allrecipe.com, covering 1,500+ users, 7,200+ recipes and 3,800+ meals. Each recipe is described with rich information, such as ingredients, instructions, pictures, category and tags, etc; and each meal is three-course, consisting of an appetizer, a main dish and a dessert. Furthermore, we propose a category-constrained meal recommendation model that is evaluated through comparative experiments with several state-of-the-art bundle recommendation methods on MealRec. Experimental results confirm the superiority of our model and demonstrate that MealRec is a promising testbed for meal recommendation related research. The MealRec dataset and the source code of our proposed model are available at https://github.com/WUT-IDEA/MealRec for access and reproducibility.

研究の動機と目的

• ホスピタリティおよびフード産業分野における、高品質で公開可能なベンチマークデータセットの不足に対処すること。
• Allrecipes.comの実際のユーザーのレビューとレシピデータを用いて、現実的で大規模なユーザー・ミールインタラクションデータセットを構築すること。
• ミール単位およびカテゴリ単位のユーザー好みを両方捉える、新たなカテゴリ制約付きミール推薦モデル（CCMR）を提案すること。
• 提案したモデルを、新しいデータセット上で最先端のバンドル推薦手法と比較して評価すること。
• 今後のミールおよびバンドル推薦分野の研究の標準的ベンチマークとして、MealRecを確立すること。

提案手法

• MealRecは、Allrecipes.comのユーザーのレビュー記録を収集し、レシピの詳細（材料、調理手順、画像、タグ、評価）を抽出し、ユーザーがレシピに与えた評価からユーザーの好みを推定することで構築される。
• ミールは、前菜、メイン、デザートの3コース構成のバンドルとして定義され、ユーザーが各レシピに与えた評価からユーザー・ミールインタラクションが推定される。
• CCMRモデルは、グラフニューラルネットワークを用いてユーザーおよびアイテムの表現を学習し、カテゴリに特化した集約メカニズムを介してカテゴリレベルの好みを統合する。
• CCMRは、ミールレベルおよびカテゴリレベルの両方で不要な情報をフィルタリングすることで、双方向最適化を実現し、ターゲットミールのユーザー好み表現を向上させる。
• モデルは、ターゲットミールおよびユーザー好みに対するレシピの関連性に基づいて動的に重みを付与するためのマルチヘッドアテンション機構を採用する。
• アブレーションスタディにより、各構成要素（ミール単位の好み、カテゴリ単位の好み、異なるレベルでの情報フィルタリング）の寄与度が検証された。

実験結果

リサーチクエスチョン

• RQ1 実世界のユーザーのレビュー記録から、現実的で大規模なミール推薦データセットをどのように構築できるか？
• RQ2 特にユーザー好みモデリングの観点から、高性能なバンドル推薦モデルの主要な構成要素は何か？
• RQ3 ミール単位の好みのみをモデル化するのと比較して、カテゴリ単位の好みをモデル化することで、ミール推薦のパフォーマンスはどの程度向上するか？
• RQ4 ミールレベルと比較して、カテゴリレベルでの不要な情報のフィルタリングは、推薦精度をどの程度向上させるか？
• RQ5 提案されたCCMRモデルは、新規に公開されたベンチマークデータセット上で、既存の最先端のバンドル推薦手法を上回ることができるか？

主な発見

• CCMRモデルは、MealRecデータセット上でHR@5が0.4838、NDCG@10が0.3913を達成し、すべてのベースラインモデルを上回った。
• アブレーションスタディの結果、カテゴリ単位の好みを組み込むことで、CWベースラインと比較してHR@5が5.84%向上した。
• カテゴリレベルでの不要な情報のフィルタリングは、ミールレベルでのフィルタリング（3.70%向上）よりも高いパフォーマンス向上をもたらした（HR@5で5.84%向上）。
• ミール単位の好みとフィルタリングを組み合わせたMW-Fバージョンは、MWモデルと比較してHR@5で3.70%向上し、情報フィルタリングの有効性を裏付けた。
• CCMRモデルはMWベースラインと比較してHR@5で6.75%向上し、カテゴリに特化した好みモデリングとフィルタリングの併用による相乗効果を示した。
• データセットには151,100件のユーザー・レシピインタラクションと46,700件のユーザー・ミールインタラクションが含まれており、今後のミール推薦研究の強固な基盤を提供している。