[论文解读] Extracting Food Substitutes From Food Diary via Distributional Similarity

Palakorn Achananuparp, Ingmar Weber|arXiv (Cornell University)|Jul 29, 2016

Nutritional Studies and Diet参考文献 10被引用 14

一句话总结

本文提出一种基于分布相似性的方法，利用向量空间模型从真实世界的食物日记数据中提取食物替代品，通过分析餐食中的共现模式来识别饮食替代关系。该方法表现优异——尤其在使用SVD并设定严格阈值时——表明基于上下文的相似性能够有效捕捉替代关系，而无需依赖外部知识源。

ABSTRACT

In this paper, we explore the problem of identifying substitute relationship between food pairs from real-world food consumption data as the first step towards the healthier food recommendation. Our method is inspired by the distributional hypothesis in linguistics. Specifically, we assume that foods that are consumed in similar contexts are more likely to be similar dietarily. For example, a turkey sandwich can be considered a suitable substitute for a chicken sandwich if both tend to be consumed with french fries and salad. To evaluate our method, we constructed a real-world food consumption dataset from MyFitnessPal's public food diary entries and obtained ground-truth human judgements of food substitutes from a crowdsourcing service. The experiment results suggest the effectiveness of the method in identifying suitable substitutes.

研究动机与目标

• 开发一种基于数据的方法，从现实世界中自我报告的食物摄入数据中识别食物替代品，避免依赖外部知识源。
• 探究在相似餐食情境中摄入的食物是否更可能成为饮食替代品，基于自然语言处理中的分布假说。
• 评估向量空间模型（特别是PPMI矩阵和SVD）在使用人工标注真实数据对食物替代对进行排序时的有效性。
• 通过分析食物子类别中食物共现与替换行为，研究用户的饮食模式，尤其关注蛋白质类食物。

提出的方法

• 使用互信息正点（PPMI）构建食物-情境矩阵，以衡量食物项目与其餐食情境之间的共现强度。
• 应用奇异值分解（SVD）以降低维度，并改善向量空间模型中的语义相似性表示。
• 基于共享餐食情境，通过食物项目向量之间的余弦相似度计算潜在的替代关系。
• 使用众包平台（CrowdFlower）收集2,000对食物的二元人工标注真实标签，判断标准基于阈值（τ=3或τ=4）。
• 采用标准信息检索指标评估性能：精确率@1和@10（prec@1, prec@10）、平均精确率（MAP）以及归一化折损累积增益（NDCG）。
• 对食物子类别的共现频率进行归一化，以可视化替换模式，尤其关注蛋白质组内的情况。

实验结果

研究问题

• RQ1 在缺乏外部知识的情况下，基于餐食层面共现模式的分布相似性是否能有效识别食物替代品？
• RQ2 在基于人工标注判断的排序中，不同向量空间模型（PPMI矩阵与SVD）在识别食物替代对方面表现如何比较？
• RQ3 与宽松阈值（τ=3）相比，应用更严格阈值（τ=4）是否能提升高质量替代对的可检测性？
• RQ4 通过共现分析揭示的主要食物子类别中，特别是蛋白质组内，主导的替换模式是什么？

主要发现

• 在τ=3时，PPMI矩阵与SVD表现相当，prec@1均为0.75和0.77，prec@10均为0.777，MAP分别为0.826和0.823。
• 在τ=4时，SVD显著优于PPMI矩阵，prec@1为0.69（对比0.58），prec@10为0.696（对比0.567），MAP为0.755（对比0.673），表明在更严格的人工判断标准下具有更强的鲁棒性。
• PPMI矩阵在NDCG上略胜SVD（0.811 vs. 0.772），表明尽管在高阈值下精确率较低，但其在前10名列表中的排序质量更优。
• PPMI矩阵识别出的'Tim Bacon'前10名替代品主要为加工肉类（如香肠、培根），表明在蛋白质组使用中存在强烈的基于上下文的相似性。
• 共现分析显示，替换最常发生在禽类食品之间（如鸡肉与火鸡），而植物性蛋白极少被用作肉类替代品。
• 研究发现众包标签存在文化偏见，因大多数标注者来自非美国国家（如印度尼西亚、印度），可能影响替代判断的跨文化泛化能力。