[논문 리뷰] MealRec: A Meal Recommendation Dataset

Ming Li, Lin Li외 3명|arXiv (Cornell University)|2022. 05. 24.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 Allrecipes.com에서 유저-식사 상호작용 데이터를 추출하여 만든 대규모 공개 데이터셋인 MealRec를 소개한다. 이 데이터셋은 1,500명이 넘는 사용자, 7,200개 이상의 레시피, 3,800개 이상의 3코스 식사로 구성되어 있으며, 식사 수준과 카테고리 수준의 사용자 선호도를 고려한 동적 필터링을 적용한 카테고리 제약 식사 추천 모델(CCMR)을 제안한다. 이 모델은 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 이제는 식사 추천 연구의 표준 벤치마크로 자리매김하였다.

ABSTRACT

Bundle recommendation systems aim to recommend a bundle of items for a user to consider as a whole. They have become a norm in modern life and have been applied to many real-world settings, such as product bundle recommendation, music playlist recommendation and travel package recommendation. However, compared to studies of bundle recommendation approaches in areas such as online shopping and digital music services, research on meal recommendations for restaurants in the hospitality industry has made limited progress, due largely to the lack of high-quality benchmark datasets. A publicly available dataset specialising in meal recommendation research for the research community is in urgent demand. In this paper, we introduce a meal recommendation dataset (MealRec) that aims to facilitate future research. MealRec is constructed from the user review records of Allrecipe.com, covering 1,500+ users, 7,200+ recipes and 3,800+ meals. Each recipe is described with rich information, such as ingredients, instructions, pictures, category and tags, etc; and each meal is three-course, consisting of an appetizer, a main dish and a dessert. Furthermore, we propose a category-constrained meal recommendation model that is evaluated through comparative experiments with several state-of-the-art bundle recommendation methods on MealRec. Experimental results confirm the superiority of our model and demonstrate that MealRec is a promising testbed for meal recommendation related research. The MealRec dataset and the source code of our proposed model are available at https://github.com/WUT-IDEA/MealRec for access and reproducibility.

연구 동기 및 목표

• 호텔 및 식음료 산업 분야에서 식사 추천을 위한 고품질 공개 벤치마크 데이터셋의 부족 문제를 해결하기 위해.
• Allrecipes.com의 실제 사용자 리뷰 및 레시피 데이터를 활용하여 현실적이고 대규모의 사용자-식사 상호작용 데이터셋을 구축하기 위해.
• 식사 수준과 카테고리 수준의 사용자 선호도를 모두 반영하는 새로운 카테고리 제약 식사 추천 모델(CCMR)을 제안하기 위해.
• 제안된 모델을 새로운 데이터셋에서 기존 최고 성능의 번들 추천 방법과 비교 평가하기 위해.
• 향후 식사 및 번들 추천 분야의 연구를 위한 표준화된 기준으로 MealRec를 정착시키기 위해.

제안 방법

• MealRec는 Allrecipes.com의 사용자 리뷰 기록을 추출하여 레시피 정보(재료, 조리법, 이미지, 태그, 평점)를 추출하고, 사용자-레시피 평점에서 사용자 선호도를 유추함으로써 구축된다.
• 식사는 주전채, 메인, 디저트로 구성된 3코스 조합으로 정의되며, 구성 레시피의 사용자 평점에서 사용자-식사 상호작용을 유추한다.
• CCMR 모델은 사용자 및 아이템 표현을 학습하기 위해 그래프 신경망을 사용하며, 카테고리 인식 어그리게이션 메커니즘을 통해 카테고리 수준의 선호도를 통합한다.
• CCMR는 식사 수준과 카테고리 수준에서 모두 불필요한 정보를 필터링함으로써 이중 방향 최적화를 적용하여 대상 식사의 사용자 선호도 표현을 향상시킨다.
• 모델은 대상 식사와 사용자 선호도에 대한 관련성이 높은 레시피의 중요도를 동적으로 가중하기 위해 다중 헤드 어텐션 메커니즘을 활용한다.
• 제거 분석을 통해 각 구성 요소의 기여도를 검증함: 식사 수준 선호도, 카테고리 수준 선호도, 그리고 다양한 수준에서의 정보 필터링.

실험 결과

연구 질문

• RQ1 실제 사용자 리뷰 데이터에서 현실적이고 대규모의 식사 추천 데이터셋을 어떻게 구축할 수 있는가?
• RQ2 특히 사용자 선호도 모델링 측면에서 고성능 번들 추천 모델의 핵심 구성 요소는 무엇인가?
• RQ3 식사 수준 선호도 외에 카테고리 수준 선호도를 모델링할 경우, 식사 추천 성능에 어떤 개선 효과가 있는가?
• RQ4 식사 수준 대비 카테고리 수준에서 불필요한 정보를 필터링할 경우, 추천 정확도 향상 정도는 어느 정도인가?
• RQ5 제안된 CCMR 모델은 새로운 공개 벤치마크 데이터셋에서 기존 최고 성능의 번들 추천 방법을 모두 능가할 수 있는가?

주요 결과

• CCMR 모델은 MealRec 데이터셋에서 HR@5가 0.4838, NDCG@10가 0.3913을 기록하여 모든 기준 모델을 능가한다.
• 제거 분석 결과, 카테고리 수준 선호도를 통합할 경우 CW 기준 대비 HR@5에서 5.84% 향상된다.
• 카테고리 수준에서 불필요한 정보를 필터링할 경우 식사 수준에서 필터링하는 것보다 더 높은 성능 향상(5.84% 향상)을 기록한다.
• 식사 수준 선호도와 필터링을 조합한 MW-F 버전은 MW 모델 대비 HR@5에서 3.70% 향상되어 정보 필터링의 효과를 확인한다.
• CCMR 모델은 MW 기준 대비 HR@5에서 6.75% 향상되어 카테고리 인식 선호도 모델링과 필터링의 병합 효과를 입증한다.
• 데이터셋은 151,100건의 사용자-레시피 상호작용과 46,700건의 사용자-식사 상호작용을 포함하며, 향후 식사 추천 연구를 위한 탄탄한 기반을 마련한다.