[논문 리뷰] A survey of food recommenders

Carl G. Anderson|arXiv (Cornell University)|2018. 09. 08.

Recommender Systems and Techniques참고 문헌 32인용 수 5

한 줄 요약

이 종합 검토는 식품 추천 시스템의 포괄적인 개요를 제공하며, 그 응용 사례, 데이터 소스, 기술적 접근 방식—협업 필터링, 콘텐츠 기반 필터링, 임베딩, 전문가 시스템 포함—및 시스템 제약 조건을 분석한다. 데이터 희소성과 시간적 동적 변화와 같은 주요 과제를 밝히며, 음성 인터페이스 및 스마트 주방 통합과 같은 새로운 추세도 강조한다.

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.

연구 동기 및 목표

• 식품 추천 시스템의 전반적인 환경을 체계적으로 검토하여 그 목표, 데이터 소스, 기술적 구현 방식을 분석한다.
• 식품 추천에서의 주요 과제, 예를 들어 데이터 희소성, 시간적 동적 변화, 문화 또는 종교적 식이 제약 조건을 특정한다.
• 협업 필터링, 콘텐츠 기반 필터링, 임베딩, 전문가 시스템 등의 다양한 추천 기법이 식품, 식사, 레시피, 식단 등에 어떻게 적용되는지 분석한다.
• 비교적 미비하게 다뤄진 분야, 예를 들어 비서구적 데이터셋, 요리 스타일 추천, 건강을 위한 시간 기반 식사 계획 등을 강조한다.
• 음성 기반 인터페이스 및 스마트 주방 통합과 같은 새로운 추세를 탐색하여 개인화된 식사 배달 및 식료품 주문의 미래를 조망한다.

제안 방법

• 주로 주요 컫퍼런스 및 저널에서 출간된 심사된 논문을 중심으로 영어 학술 문헌을 체계적으로 검토한다.
• 추천 대상에 따라 식품 추천 시스템을 분류한다: 원재료, 식품, 식사, 레시피, 식당, 요리 스타일, 식단, 메뉴 등.
• 사용자 행동(예: 주문 이력, 평가), 항목 메타데이터(예: 원재료, 요리 스타일, 조리 시간), 맥락 신호(예: 계절성, 가용성) 등의 데이터 유형을 분석한다.
• 협업 필터링, 콘텐츠 기반 필터링, 하이브리드 모델, 그래프 기반 방법, 자기조직화 지도, 베이지안 네트워크, 전문가 시스템(특히 사례 기반 추론) 등의 기술적 접근 방식을 평가한다.
• 딥 러닝 응용 사례를 분석하며, 특히 이미지 기반 식품 인식 및 레시피 생성을 위한 컨volutional 신경망(CNN)을 포함한다.
• 식품 추천 연구에서 흔히 사용되는 데이터셋을 검토하며, allrecipes.com, Yelp, Yummly, food.com 등을 언급하고, 그들의 커버리지 및 문화적 다양성 부족의 한계를 지적한다.

실험 결과

연구 질문

• RQ1 다이어트 중인 사람, 요리 애호가, 환자 등 다양한 사용자 그룹에서 식품 추천 시스템의 주요 응용 사례는 무엇인가요?
• RQ2 식품 추천 시스템은 사용자 및 항목 데이터(예: 선호도, 식이 제약 조건, 원재료 공존 패턴 등)를 어떻게 활용하여 추천을 생성하나요?
• RQ3 식품 추천에서 주로 사용되는 기술적 접근 방식은 무엇이며, 그 효과성과 확장성 측면에서 어떻게 비교될 수 있나요?
• RQ4 식품 추천에서의 주요 과제, 특히 데이터 희소성, 시간적 동적 변화, 문화 또는 종교적 식이 다양성은 무엇인가요?
• RQ5 음성 보조 장치 및 스마트 주방 기기와 같은 신기술은 개인화된 식품 및 식사 추천의 미래를 어떻게 변화시키고 있나요?

주요 결과

• 식품 추천 시스템은 주로 식품 배달, 건강 및 웰빙, 식사 계획 분야에서 널리 사용되며, 가장 큰 응용 사례는 사용자 이력 기반의 개인화된 식사 및 레시피 추천이다.
• 데이터 희소성은 주요 과제이다: Food.com에서는 평균적으로 레시피당 38개의 평가가 존재하지만, Netflix는 209개에 이르며, 이는 협업 필터링이 하이브리드 또는 콘텐츠 기반 보완 없이선 효과적이지 않음을 의미한다.
• 레시피 메타데이터의 풍부함(원재료, 조리 방법, 요리 스타일, 조리 시간 포함)으로 인해 콘텐츠 기반 및 하이브리드 접근 방식이 자주 사용된다.
• 딥 러닝 모델, 특히 CNN은 이미지 기반 식품 인식 및 레시피 생성에 활용되며, 시각적으로 유사하거나 더 건강한 요리 변형을 식별하는 데 유망한 결과를 보이고 있다.
• 음성 기반 인터페이스 및 스마트 주방 통합은 주요 추세로 부상하고 있으며, Alexa 및 스마트 냉장고 등의 시스템은 실시간으로 맥락 인식 가능한 식사 제안과 자동 식료품 주문을 가능하게 하고 있다.
• 비서구적 및 문화적으로 다양한 데이터셋은 여전히 연구에서 부족한 편이며, 이는 현재 모델의 글로벌 식문화 및 종교적 식이 관행에 대한 일반화 능력을 제한하고 있다.