[论文解读] MealRec: A Meal Recommendation Dataset

Ming Li, Lin Li+3 more|arXiv (Cornell University)|May 24, 2022

Recommender Systems and Techniques被引用 4

一句话总结

本文提出了MealRec，一个从Allrecipes.com获取的大规模公开用户-餐食交互数据集，涵盖超过1,500名用户、7,200道食谱和3,800顿三道菜套餐。本文提出了一种类别约束的餐食推荐模型（CCMR），通过动态过滤机制结合餐食级与类别级的用户偏好，实现了该数据集上的最先进性能，该数据集现已成为餐食推荐研究的基准。

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.

研究动机与目标

• 为餐饮与食品行业餐食推荐研究中缺乏高质量、公开可用的基准数据集提供解决方案。
• 利用Allrecipes.com的真实用户评论与食谱数据，构建一个真实、大规模的用户-餐食交互数据集。
• 提出一种新颖的类别约束餐食推荐模型（CCMR），以捕捉用户在餐食级与类别级的双重偏好。
• 在新构建的数据集上，将所提模型与最先进捆绑推荐方法进行对比评估。
• 确立MealRec作为未来餐食与捆绑推荐研究的标准化基准。

提出的方法

• MealRec通过挖掘Allrecipes.com的用户评论记录构建，提取食谱详情（食材、步骤、图片、标签、评分），并从用户-食谱评分中推断用户偏好。
• 餐食被定义为三道菜组合（开胃菜、主菜、甜点），用户-餐食交互关系通过用户对组成部分食谱的评分推断得出。
• CCMR模型利用图神经网络学习用户与物品的表征，通过类别感知聚合机制引入类别级别偏好。
• CCMR通过在餐食与类别两个层级同时进行双向优化，过滤无关信息，从而提升目标餐食的用户偏好表征能力。
• 模型采用多头注意力机制，根据食谱与目标餐食及用户偏好的相关性动态加权。
• 消融实验验证了各组件的贡献：餐食级偏好、类别级偏好以及在不同层级的信息过滤。

实验结果

研究问题

• RQ1 如何从真实世界用户评论数据中构建一个现实、大规模的餐食推荐数据集？
• RQ2 高性能捆绑推荐模型的关键组件是什么，特别是在用户偏好建模方面？
• RQ3 与仅建模餐食级偏好相比，建模类别级偏好如何提升餐食推荐性能？
• RQ4 与在餐食层级过滤信息相比，在类别层级过滤无关信息在多大程度上提升了推荐准确率？
• RQ5 所提出的CCMR模型是否能在新发布的、公开可用的基准数据集上超越现有最先进捆绑推荐方法？

主要发现

• CCMR模型在MealRec数据集上取得HR@5为0.4838、NDCG@10为0.3913的性能，优于所有基线模型。
• 消融实验表明，引入类别级偏好使HR@5相比CW基线提升5.84%。
• 在类别层级过滤无关信息带来的性能增益（HR@5提升5.84%）高于在餐食层级过滤（HR@5提升3.70%）。
• MW-F变体（结合餐食级偏好与过滤）相比MW模型在HR@5上提升3.70%，证实了信息过滤的有效性。
• CCMR模型相比MW基线在HR@5上提升6.75%，表明类别感知偏好建模与信息过滤的协同优势。
• 该数据集包含151,100次用户-食谱交互与46,700次用户-餐食交互，为未来餐食推荐研究奠定了坚实基础。