[논문 리뷰] At Your Service: Coffee Beans Recommendation From a Robot Assistant

Jacopo de Berardinis, Gabriella Pizzuto외 4명|arXiv (Cornell University)|2020. 08. 26.

Advanced Chemical Sensor Technologies참고 문헌 23인용 수 5

한 줄 요약

이 논문은 주로 목적 변수인 원두 특성(예: 기원, 가공 방법)에서 주관적 커피 품질 특성(예: 향기, 단맛)을 예측하는 데 사용되는 지도 학습 기반 하이브리드 접근법(랜덤 포레스트, 서포트 벡터 회귀, 다층 퍼셉트론)을 제안한다. 이후 k-NN를 활용해 사용자 선호도에 맞는 커피 원두를 추천한다. 실제 커피 데이터셋을 대상으로 평가한 결과, 추천 정확도가 최대 92.7%에 도달하여 서비스 로봇에 통합해 인간-로봇 상호작용 환경에서 개인화된 커피 추천을 구현할 수 있다.

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.

연구 동기 및 목표

• 주관적 원두 품질 특성(예: 향기, 단맛 등)을 목적 변수인 원두 특성(예: 기원, 가공 방법 등)에서 예측하는 계산 모델을 개발하는 것.
• 이 예측 모델을 통합해 사용자 선호도에 맞는 커피 원두를 추천하는 시스템을 구축하는 것.
• 커피숍과 같은 실세계의 인간-로봇 상호작용 환경에서 서비스 로봇(예: 페퍼)에 추천 시스템을 구현하는 것.
• 일부 주관적 특성이 알려져 있지 않은 실생활 조건에서 시스템 성능을 평가하는 것.
• 특히 코로나19 이후 시대를 고려해 서비스 로봇이 고객 경험을 향상시키고 인간 간의 접촉을 줄일 수 있는 잠재력을 탐색하는 것.

제안 방법

• 시스템은 랜덤 포레스트(RF), 서포트 벡터 회귀(SVR), 다층 퍼셉트론(MLP)과 같은 지도 학습 회귀 모델을 사용해 10개의 목적 변수 원두 특성에서 8개의 주관적 커피 특성(예: 산도, 후 tastes)을 예측한다.
• 랜덤 포레스트 모델이 가장 뛰어난 성능을 보였으며, 모든 예측 특성에 대해 평균 RMSE가 0.3562로 가장 낮았다.
• 사용자 선호도는 주관적 특성의 입력 벡터로 모델링되며, 이는 k-최근접 이웃(k-NN) 알고리즘을 통해 특성 공간 내에서 가장 유사한 커피 원두를 식별하는 데 사용된다.
• 데이터셋의 일부 주관적 특성을 마스킹하고 RF 모델의 예측치로 대체함으로써 추천 시스템을 전도적 설정에서 평가한다.
• 실제 사용자 선호도 쿼리 시뮬레이션을 위해 커널 밀도 추정기(KDE)를 사용해 100개의 합성 사용자 입력을 샘플링한다.
• 추천 정확도는 전체 데이터셋(기준값)에서의 추천과 부분 마스킹된 데이터셋에서 예측된 특성을 사용한 추천 간의 재일률(Jaccard index)로 계산된다.

실험 결과

연구 질문

• RQ1 기계 학습 모델은 원두의 기원, 가공 방법과 같은 목적 특성에서 주관적 커피 특성(예: 풍미, 향기)을 정확하게 예측할 수 있는가?
• RQ2 랜덤 포레스트(RF), 서포트 벡터 회귀(SVR), 다층 퍼셉트론(MLP) 등 다양한 회귀 모델의 성능은 커피 품질 특성 예측에서 어떻게 상호 비교되는가?
• RQ3 기준값 대신 예측된 주관적 특성을 사용할 경우, 커피 원두 추천의 정확도에 어떤 영향을 미치는가?
• RQ4 회귀 모델과 k-NN를 융합한 하이브리드 모델은 사용자 입력을 바탕으로 개인화된 커피 원두 추천을 어떻게 제공할 수 있는가?
• RQ5 이러한 추천 시스템을 서비스 로봇에 구현할 경우, 호스피탈리티 환경에서 인간-로봇 상호작용을 향상시키는 데 어떤 잠재력을 지닐 수 있는가?

주요 결과

• 랜덤 포레스트(RF) 모델은 예측된 8개의 주관적 특성 전반에 걸쳐 평균 RMSE가 0.3562로 가장 낮았으며, SVR(0.3750)와 MLP(0.3580)를 모두 앞섰다.
• 데이터셋의 10%에 해당하는 주관적 특성이 마스킹되고 예측된 경우, 추천 시스템은 최대 92.7%의 정확도를 기록했다.
• 데이터 마스킹 비율이 증가할수록 추천 정확도가 감소함: 마스킹 20%일 경우 86.1%, 33%일 경우 77.9%, 50%일 경우 69.6%.
• 주관적 특성의 상당 부분이 누락된 상태에서도 시스템은 높은 추천 정밀도를 유지하여 실생활 구현 환경에서의 강건성을 입증했다.
• 회귀 예측과 k-NN의 통합은 사용자 선호도에 기반한 정확한 개인화된 커피 원두 추천을 가능하게 한다.
• 결과는 실시간으로 인간과 유사한 커피 추천을 제공할 수 있도록 이러한 시스템을 서비스 로봇에 구현하는 것이 실현 가능하다는 것을 뒷받침한다.