[论文解读] A survey of food recommenders

Carl G. Anderson|arXiv (Cornell University)|Sep 8, 2018

Recommender Systems and Techniques参考文献 32被引用 5

一句话总结

本综述全面概述了食物推荐系统，分析了其应用场景、数据来源、技术方法（包括协同过滤、基于内容的过滤、嵌入表示和专家系统）以及系统约束。它识别出数据稀疏性和时间动态性等关键挑战，同时突出了语音接口和智能厨房集成等新兴趋势。

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.

研究动机与目标

• 系统性地回顾食物推荐系统的研究现状，包括其目标、数据来源和技术实现方式。
• 识别食物推荐中的关键挑战，如数据稀疏性、时间动态性以及文化/宗教饮食限制。
• 考察协同过滤、基于内容的过滤、嵌入表示和专家系统等多样化推荐技术在食物、餐食、食谱和饮食中的应用。
• 突出尚未充分探索的领域，如非西方数据集、菜系推荐以及面向健康的时序餐食规划。
• 探索新兴趋势，如基于语音的接口和智能厨房集成，以实现个性化餐食配送和杂货订购。

提出的方法

• 对英文学术文献中的食物推荐系统开展系统性综述，重点关注主要会议和期刊中经过同行评审的论文。
• 根据推荐目标对食物推荐系统进行分类：食材、食物、餐食、食谱、餐厅、菜系、饮食或菜单。
• 分析所使用数据类型，包括用户行为数据（如订单历史、评分）、物品元数据（如成分、菜系、准备时间）以及上下文信号（如季节性、可获得性）。
• 评估技术方法，如协同过滤、基于内容的过滤、混合模型、基于图的方法、自组织映射、贝叶斯网络以及专家系统（特别是基于案例的推理）。
• 考察深度学习的应用，包括卷积神经网络（CNN）在基于图像的食物识别和食谱生成中的应用。
• 回顾食物推荐研究中常用的数据库，包括 allrecipes.com、Yelp、Yummly 和 food.com，指出其在覆盖范围和文化多样性方面的局限性。

实验结果

研究问题

• RQ1 不同用户群体（如节食者、烹饪爱好者和患者）在食物推荐系统中的主要应用场景是什么？
• RQ2 食物推荐系统如何利用用户和物品数据（包括偏好、饮食限制以及成分共现关系）生成推荐？
• RQ3 食物推荐中占主导地位的技术方法有哪些？它们在有效性与可扩展性方面的表现如何比较？
• RQ4 食物推荐中的关键挑战是什么，特别是数据稀疏性、时间动态性以及文化或宗教饮食多样性问题？
• RQ5 语音助手和智能厨房设备等新兴技术如何正在改变个性化食物与餐食推荐的未来？

主要发现

• 食物推荐系统广泛应用于食品配送、健康与保健以及餐食规划，其中最大的应用场景是基于用户历史的个性化餐食与食谱推荐。
• 数据稀疏性是一个主要挑战：在 Food.com 上，平均每个食谱仅有 38 个评分，而 Netflix 上为 209 个，这使得协同过滤在缺乏混合或基于内容的增强时效果较差。
• 由于食谱元数据丰富（包括成分、烹饪方法、菜系和准备时间），基于内容和混合方法被频繁采用。
• 深度学习模型，尤其是卷积神经网络（CNN），正被用于基于图像的食物识别和食谱生成，已在识别视觉上相似或更健康的菜肴变体方面取得有前景的结果。
• 基于语音的接口和智能厨房集成正成为关键趋势，如 Alexa 和智能冰箱系统可实现实时、上下文感知的餐食建议与自动杂货订购。
• 非西方和文化多样性丰富的数据集在研究中仍显不足，限制了当前模型在全球饮食文化与宗教饮食习惯中的泛化能力。