[논문 리뷰] Personalized, Health-Aware Recipe Recommendation: An Ensemble Topic Modeling Based Approach

Mansura A. Khan, Ellen Rushe외 2명|arXiv (Cornell University)|2019. 07. 31.

Recommender Systems and Techniques인용 수 11

한 줄 요약

이 논문은 대규모 레시피 코퍼스에서 288개의 인간이 이해할 수 있는 음식 특징을 추출하는 앙상블 토픽 모델링(E$_{ns}$TM) 기반 접근법을 제안하여 개인화되고 건강을 고려한 레시피 추천을 구현한다. 이러한 특징을 활용한 사용자 모델링 및 추천 기법은 기존의 콘텐츠 기반 접근법에 비해 뚜렷한 성능 향상을 보이며, 230,876개의 레시피 전부에 대해 완전한 커버리지가 가능하고, 영양 섭취 선호도 필터링 및 식습관의 암묵적 모델링을 지원함으로써 효과적인 콜드 스타트 개인화를 실현한다.

ABSTRACT

Food choices are personal and complex and have a significant impact on our long-term health and quality of life. By helping users to make informed and satisfying decisions, Recommender Systems (RS) have the potential to support users in making healthier food choices. Intelligent users-modeling is a key challenge in achieving this potential. This paper investigates Ensemble Topic Modelling (EnsTM) based Feature Identification techniques for efficient user-modeling and recipe recommendation. It builds on findings in EnsTM to propose a reduced data representation format and a smart user-modeling strategy that makes capturing user-preference fast, efficient and interactive. This approach enables personalization, even in a cold-start scenario. This paper proposes two different EnsTM based and one Hybrid EnsTM based recommenders. We compared all three EnsTM based variations through a user study with 48 participants, using a large-scale,real-world corpus of 230,876 recipes, and compare against a conventional Content Based (CB) approach. EnsTM based recommenders performed significantly better than the CB approach. Besides acknowledging multi-domain contents such as taste, demographics and cost, our proposed approach also considers user's nutritional preference and assists them finding recipes under diverse nutritional categories. Furthermore, it provides excellent coverage and enables implicit understanding of user's food practices. Subsequent analysis also exposed correlation between certain features and a healthier lifestyle.

연구 동기 및 목표

• 다양한 사용자 선호도, 영양 요구 사항, 콜드 스타트 상황에 대비한 개인화되고 건강을 고려한 레시피 추천 문제를 해결하기 위해.
• 맛, 비용, 인구통계학적 특성 및 건강 특성 등 다중 영역의 음식 특징을 포괄하는 계산 효율적인 사용자 모델링 프레임워크를 개발하기 위해.
• 실제 사용자 연구를 통해 E$_{ns}$TM 기반 추천 시스템이 기존의 콘텐츠 기반 방법에 비해 얼마나 효과적인지 평가하기 위해.
• 특정 음식 특징과 더 건강한 사용자 라이프스타일 간의 상관관계를 규명하여 보다 효과적인 건강 지향 추천을 가능하게 하기 위해.
• 특징 추상화를 통한 데이터 복잡도 감소를 통해 커버리지와 다양성을 향상시키기 위해.

제안 방법

• 저자들은 230,876개의 레시피로 구성된 코퍼스에 앙상블 토픽 모델링(E$_{ns}$TM)을 적용하여 유의미한 288개의 음식 특징과 그에 해당하는 유의미도 점수를 추출한다.
• 계산 복잡도를 낮추면서도 추천 품질을 유지하기 위해 가장 중요한 특징들만 포함하는 축소된 데이터 표현 형식을 도입한다.
• 세 가지 추천 시스템을 구현한다: 음식 특징 기반 추천기(FFbR), 가중 음식 특징 기반 추천기(WFFbR), 음식 특징 기반 협업 필터링(FFbCF) 모델.
• 사용자 선호도는 특징 기반 표현을 통해 모델링되며, 기피 신호를 통해 식습관(예: lacto-ovo-vegetarianism)의 암묵적 이해를 가능하게 한다.
• 사용자 맞춤형 식이 목표 기반의 건강 인식 필터링 및 개인화를 지원하기 위해 영양 특징을 통합한다.
• 실제 레시피 데이터를 사용하여 48명의 참가자로 구성된 사용자 연구를 통해 E$_{ns}$TM 기반 추천 시스템을 기존의 콘텐츠 기반(CB) 기준선과 비교한다.

실험 결과

연구 질문

• RQ1 E$_{ns}$TM는 음식 선택의 다양한 영역을 대표하는 풍부하고 인간이 이해할 수 있는 음식 특징 세트를 효과적으로 추출할 수 있는가?
• RQ2 E$_{ns}$TM 기반 사용자 모델링은 기존의 콘텐츠 기반 접근법에 비해 추천 품질과 커버리지 측면에서 어떻게 비교되는가?
• RQ3 E$_{ns}$TM 기반 추천 시스템은 이전 사용자 평가가 없이도 얼마나 효과적으로 콜드 스타트 개인화를 지원할 수 있는가?
• RQ4 특정 음식 특징과 더 건강한 사용자 라이프스타일 또는 영양 카테고리 간에 식별 가능한 상관관계가 존재하는가?
• RQ5 E$_{ns}$TM 기반 추천 시스템은 비건, 저콜레스테롤 등 암묵적인 식습관(예: lacto-ovo-vegetarianism)을 얼마나 잘 모델링하는가?

주요 결과

• 모든 E$_{ns}$TM 기반 추천 시스템이 사용자 연구 평가에서 기존의 콘텐츠 기반(CB) 접근법보다 뚜렷하게 뛰어난 성능을 보였다.
• E$_{ns}$TM 기반 협업 필터링(FFbCF) 변종은 전체 레시피 코퍼스에서 100% 커버리지 달성하여 타 방법 대비 확장성과 다양성 측면에서 뛰어난 성능을 보였다.
• '피넛버터'(r = 0.448)와 '양고기' (r = 0.361) 등의 특징은 활동 수준과 음식 건강 점수 기반으로 더 건강한 사용자 그룹과 강한 정적 상관관계를 보였다.
• 기피 신호를 통한 암묵적 신호를 활용하여 사용자 식습관(예: 비건)을 성공적으로 모델링하여 명시적 레이블 없이도 효과적인 필터링을 가능하게 하였다.
• 축소된 특징 표현 방식은 높은 개인화 품질과 콜드 스타트 능력을 유지하면서도 계산 효율적인 추천을 가능하게 하였다.
• 기초 분석 결과, 더 활동적이고 건강한 식습관을 가진 사용자 그룹은 '연어', '브로콜리', '저콜레스테롤' 등의 특징을 더 강하게 선호하는 경향을 보였다.