[论文解读] Food Recommender Systems: Important Contributions, Challenges and Future Research Directions

Christoph Trattner, David Elsweiler|arXiv (Cornell University)|Nov 7, 2017

Recommender Systems and Techniques参考文献 38被引用 67

一句话总结

本文综述了食品推荐系统的最新进展，覆盖菜谱、餐计划、杂货和菜单推荐，评述基于内容、协同过滤、混合方法，并讨论健康、语境、群体设置，以及实现资源、面临的开放挑战与未来方向。

ABSTRACT

The recommendation of food items is important for many reasons. Attaining cooking inspiration via digital sources is becoming evermore popular; as are systems, which recommend other types of food, such as meals in restaurants or products in supermarkets. Researchers have been studying these kinds of systems for many years, suggesting not only that can they be a means to help people find food they might want to eat, but also help them nourish themselves more healthily. This paper provides a summary of the state-of-the-art of so-called food recommender systems, highlighting both seminal and most recent approaches to the problem, as well as important specializations, such as food recommendation systems for groups of users or systems which promote healthy eating. We moreover discuss the diverse challenges involved in designing recsys for food, summarise the lessons learned from past research and outline what we believe to be important future directions and open questions for the field. In providing these contributions we hope to provide a useful resource for researchers and practitioners alike.

研究动机与目标

• 总结食品推荐系统在菜谱、餐计划、杂货和菜单方面的最新进展。
• 识别重要且最近的方法及其在食品推荐中的表现。
• 讨论领域特定的挑战（健康、语境、群体推荐、饮食约束）及经验教训。
• 为研究人员和从业者勘定开放性问题与未来方向。

提出的方法

• 对文献的回顾并对25篇关键论文进行属性表汇总（算法、项目类型、反馈、上下文、饮食约束、目标、数据集）。
• 将方法分为基于内容（CB）、协同过滤（CF）和混合方法。
• 分析上下文感知、基于群体的以及健康感知的推荐策略。
• 讨论实现资源包括数据集、营养资源和框架。

实验结果

研究问题

• RQ1 哪些算法和数据表示在食品项推荐（菜谱、餐食、杂货、菜单）方面最有效？
• RQ2 CB、CF和混合方法如何适应食品特定约束（过敏、饮食模式、健康目标）？
• RQ3 语境（时间、地点、性别、可用性）和群体设置在食品推荐中的作用如何，健康考量如何与准确性相互作用？
• RQ4 存在哪些数据集和资源用于开发与评估食品推荐系统，主要开放挑战和未来方向是什么？

主要发现

• 基于内容的方法利用成分和营养方面来定制符合用户口味的菜谱。
• 协同过滤方法（特别是LDA和WRMF）通常优于如Basic CF或MostPopular在菜谱数据上的基本方法。
• 混合方法可以在准确性和健康考虑之间取得平衡，但对健康的后筛选可能降低推荐质量；最优权衡仍是一个开放领域。
• 上下文因素（时间、性别、地点、可用性）影响评分和收藏，表明需要上下文感知模型。
• 基于群体的策略提高了群体满意度，但对个人的个性化仍然具有挑战性。
• 健康感知方法显示潜力，但在不牺牲准确性的前提下实现高营养质量较困难；长期规划（每日/每周）可能有帮助。