[论文解读] At Your Service: Coffee Beans Recommendation From a Robot Assistant

Jacopo de Berardinis, Gabriella Pizzuto+4 more|arXiv (Cornell University)|Aug 26, 2020

Advanced Chemical Sensor Technologies参考文献 23被引用 5

一句话总结

本文提出了一种计算模型，通过结合监督学习（随机森林、SVR、MLP）与k-NN算法，基于客观豆子特征预测主观咖啡品质，并实现个性化咖啡豆推荐。该系统在真实咖啡数据集上评估，推荐准确率最高达92.7%，可部署于服务机器人，在人机交互场景中提供个性化咖啡建议。

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.

研究动机与目标

• 开发一种计算模型，基于客观豆子特征（如产地、处理方式）预测主观咖啡品质（如香气、甜度）。
• 将该预测模型整合至推荐系统中，根据用户偏好推荐定制化咖啡豆。
• 实现在服务机器人（如Pepper）上的推荐系统部署，以在咖啡馆等真实场景中实现人机交互。
• 在部分主观特征未知、需预测的现实条件下评估系统性能。
• 探索服务机器人在提升顾客体验并减少人际接触方面的潜力，特别是在新冠疫情后。

提出的方法

• 系统使用监督回归模型——随机森林（RF）、支持向量回归（SVR）和多层感知机（MLP）——从10个客观豆子特征中预测8个主观咖啡特质（如酸度、余味）。
• 随机森林模型被选为性能最佳的回归方法，在所有预测特质上平均RMSE最低，为0.3562。
• 用户偏好被建模为包含主观特质的输入向量，随后通过k-最近邻（k-NN）算法在特征空间中识别最相似的咖啡豆。
• 在半监督设定下评估推荐系统：对数据集的部分主观特征进行遮蔽，并用RF模型的预测结果替代。
• 使用核密度估计器生成100个合成用户输入，以模拟真实用户偏好查询。
• 推荐准确率通过完整数据集（真实标签）与部分遮蔽数据集（使用预测特征）的推荐结果之间的Jaccard指数计算。

实验结果

研究问题

• RQ1 机器学习模型能否准确预测主观咖啡特质（如风味、香气）？这些特质基于产地、处理方式等客观豆子特征。
• RQ2 不同回归模型（RF、SVR、MLP）在预测咖啡品质属性方面的性能表现如何？
• RQ3 使用预测的主观特征代替真实标签，对咖啡豆推荐准确率的影响有多大？
• RQ4 如何通过结合回归与k-NN的混合模型，基于用户输入实现个性化咖啡豆推荐？
• RQ5 将此类推荐系统部署于服务机器人上，对提升人机交互在酒店业场景中的应用潜力如何？

主要发现

• 随机森林（RF）模型在所有八个预测主观特征上的平均RMSE最低，为0.3562，优于SVR（0.3750）和MLP（0.3580）。
• 当数据集中10%的主观特征被遮蔽并由模型预测时，推荐系统达到最高92.7%的准确率。
• 随着遮蔽比例增加，推荐准确率下降：20%遮蔽时为86.1%，33%时为77.9%，50%时为69.6%。
• 即使在大量主观特征缺失的情况下，系统仍能保持较高的推荐保真度，展现出在真实部署场景中的鲁棒性。
• 将回归预测与k-NN结合，可实现基于用户偏好的高精度个性化咖啡豆推荐。
• 结果支持该系统在服务机器人上部署的可行性，实现实时、类人化的个性化咖啡推荐。