[論文レビュー] A Food Recommender System in Academic Environments Based on Machine Learning Models

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

Nutritional Studies and Diet被引用数 4

ひとこと要約

本論文では、共同フィルタリング、コンテンツベース、知識ベースのモデルを統合したハイブリッド機械学習ベースの学生向け食事推薦システムを提案する。2,519名の学生の基礎代謝量や食事嗜好といった特徴量を用い、AdaBoostモデルで73.70%の正確度を達成し、大学のメニューからパーソナライズされた食事を推薦した。

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

研究の動機と目的

• 現代的で機械化されたライフスタイルが原因で低下する大学学生の健康的な食事習慣を是正すること。
• 機械学習を活用して、個別化された食事選択を改善するパーソナライズされた食事推薦システムを開発すること。
• 共同フィルタリング、コンテンツベースフィルタリング、知識ベースフィルタリングの複数の推薦戦略を統合し、正確度を向上させること。
• 大学の栄養管理システムから得た実際の学生データを用いて、システムの妥当性を検証すること。
• 学術的環境における食事推薦に最も効果的な機械学習モデルを特定すること。

提案手法

• ハイブリッド推薦システムは、共同フィルタリング、コンテンツベースフィルタリング、知識ベースフィルタリングの技術を統合する。
• 基礎代謝量、予約記録、食事タイプなどの学生データをオンラインで収集した。
• 専門家との協議を経て、エネルギー指標と食事選択履歴に焦点を当て、15の主要特徴量を特徴工学で選定した。
• 決定木、k近傍法（kNN）、AdaBoost、Baggingの機械学習モデルをデータセットで学習させた。
• システムは過去の食事選択履歴と代謝データを用いて、大学のメニューからパーソナライズされた食事オプションを予測・推薦する。
• すべてのモデルの性能を、主に正確度を指標として評価した。

実験結果

リサーチクエスチョン

• RQ1 学生の食事嗜好と代謝プロファイルに基づいて、どの機械学習モデルが大学学生へのパーソナライズド食事推薦において最も優れた性能を示すか？
• RQ2 共同フィルタリング、コンテンツベースフィルタリング、知識ベースフィルタリングを統合したハイブリッド推薦システムは、学術的食事推薦においてどの程度効果的か？
• RQ3 学生のプロファイルと食事予約データから導出された特徴量の中で、食事推薦の正確度に最も顕著な影響を与えるのはどれか？
• RQ4 機械学習モデルは、パーソナライズド食事推薦を通じて、大学学生の食事行動をどの程度改善できるか？
• RQ5 AdaBoostモデルは、個々の学生の最適な食事選択を分類する他のモデルと比較して、どの程度優れているか？

主な発見

• AdaBoostモデルは、73.70%の最高正確度を達成し、他のモデルを上回った。
• ハイブリッド推薦システムは、共同フィルタリング、コンテンツベースフィルタリング、知識ベースフィルタリングを効果的に統合し、推薦の関連性を向上させた。
• 特徴工学により、元のデータセットから15の主要特徴量を特定したが、エネルギー指標と食事嗜好が最も影響力が大きかった。
• 2,519件の学生記録を用いた実世界の大学栄養管理環境において、システムの実用的適用性が示された。
• k近傍法（kNN）と決定木モデルは中程度の性能を示したが、AdaBoostに比べて正確度が低かった。
• 結果から、機械学習モデルが大規模な学生栄養データから意味のあるパターンを効果的に抽出し、パーソナライズド栄養支援に活用できることを確認した。