[논문 리뷰] A Food Recommender System in Academic Environments Based on Machine Learning Models

Abolfazl Ajami, Babak Teimourpour|arXiv (Cornell University)|2023. 06. 26.

Nutritional Studies and Diet인용 수 4

한 줄 요약

이 논문은 대학생을 대상으로 하이브리드 기계학습 기반 식품 추천 시스템을 제안하며, 협업 필터링, 콘텐츠 기반, 지식 기반 모델을 통합한다. 2,519명의 학생으로부터의 기초 대사율과 식이 선호도 등의 특징을 활용하여, AdaBoost 모델을 사용해 대학 메뉴에서 개인화된 식사를 추천할 때 73.70%의 정확도를 달성한다.

ABSTRACT

Background: People's health depends on the use of proper diet as an important factor. Today, with the increasing mechanization of people's lives, proper eating habits and behaviors are neglected. On the other hand, food recommendations in the field of health have also tried to deal with this issue. But with the introduction of the Western nutrition style and the advancement of Western chemical medicine, many issues have emerged in the field of disease treatment and nutrition. Recent advances in technology and the use of artificial intelligence methods in information systems have led to the creation of recommender systems in order to improve people's health. Methods: A hybrid recommender system including, collaborative filtering, content-based, and knowledge-based models was used. Machine learning models such as Decision Tree, k-Nearest Neighbors (kNN), AdaBoost, and Bagging were investigated in the field of food recommender systems on 2519 students in the nutrition management system of a university. Student information including profile information for basal metabolic rate, student reservation records, and selected diet type is received online. Among the 15 features collected and after consulting nutrition experts, the most effective features are selected through feature engineering. Using machine learning models based on energy indicators and food selection history by students, food from the university menu is recommended to students. Results: The AdaBoost model has the highest performance in terms of accuracy with a rate of 73.70 percent. Conclusion: Considering the importance of diet in people's health, recommender systems are effective in obtaining useful information from a huge amount of data. Keywords: Recommender system, Food behavior and habits, Machine learning, Classification

연구 동기 및 목표

• 현대적이고 기계화된 생활 방식으로 인한 대학생의 건강한 식습관 저하 문제를 해결하기 위해.
• 기계학습을 활용해 개인 맞춤형 식품 추천 시스템을 개발하여 식이 선택을 개선하기 위해.
• 정확도 향상을 위해 협업 기반, 콘텐츠 기반, 지식 기반 추천 전략을 통합하기 위해.
• 대학 영양 관리 시스템에서 수집한 실제 학생 데이터를 활용해 시스템을 검증하기 위해.
• 학술 환경에서 식품 추천에 가장 효과적인 기계학습 모델을 특정하기 위해.

제안 방법

• 하이브리드 추천 시스템은 협업 필터링, 콘텐츠 기반 필터링, 지식 기반 필터링 기법을 결합한다.
• 기초 대사율, 예약 기록, 식이 유형 등의 학생 데이터를 온라인으로 수집하였다.
• 전문가 상담을 거쳐 에너지 지표와 음식 선택 이력에 중점을 두고 15개의 핵심 특징을 선별한 특징 공학 기법을 적용하였다.
• 결정 트리, k-최근접 이웃(kNN), AdaBoost, Bagging 등의 기계학습 모델을 데이터셋에 대해 훈련시켰다.
• 이 시스템은 이전의 음식 선택 기록과 대사 데이터를 기반으로 대학 메뉴에서 개인화된 식사 옵션을 예측하고 추천한다.
• 모든 모델의 성능 평가에 정확도를 주요 지표로 사용하였다.

실험 결과

연구 질문

• RQ1 기초 대사율 및 식이 프로필을 기반으로 대학생에게 개인화된 식사를 추천하는 데 있어 어떤 기계학습 모델이 가장 우수한 성능을 보였는가?
• RQ2 협업 기반, 콘텐츠 기반, 지식 기반 접근 방식을 융합한 하이브리드 추천 시스템은 학술 환경의 식품 추천에 얼마나 효과적인가?
• RQ3 학생 프로필 및 음식 예약 데이터에서 유도된 특징 중 식사 추천 정확도에 가장 크게 기여하는 요소는 무엇인가?
• RQ4 기계학습 모델은 개인화된 식품 추천을 통해 대학생의 식이 행동을 얼마나 향상시킬 수 있는가?
• RQ5 AdaBoost 모델은 다른 모델들과 비교해 개별 학생의 최적 음식 선택을 분류하는 데 어떻게 다른가?

주요 결과

• AdaBoost 모델이 73.70%의 최고 정확도를 기록하여 다른 모델들을 압도적으로 앞섰다.
• 하이브리드 추천 시스템은 협업 기반, 콘텐츠 기반, 지식 기반 필터링을 효과적으로 융합하여 추천의 관련성을 향상시켰다.
• 특징 공학 기법을 통해 원본 데이터에서 15개의 핵심 특징을 성공적으로 도출하였으며, 에너지 지표와 식이 선호도가 가장 영향력 있는 요소로 확인되었다.
• 시스템은 실제 대학 영양 관리 환경에서 2,519명의 학생 기록을 바탕으로 실용적인 적용 가능성을 입증하였다.
• k-최근접 이웃(kNN) 및 결정 트리 모델은 중간 수준의 성능를 보였지만, AdaBoost에 비해 정확도가 떨어졌다.
• 결과적으로 기계학습 모델이 대규모 학생 식이 데이터에서 의미 있는 패턴을 효과적으로 추출하여 개인 맞춤 영양 지원에 기여할 수 있음을 확인하였다.