[论文解读] Personalized, Health-Aware Recipe Recommendation: An Ensemble Topic Modeling Based Approach

Mansura A. Khan, Ellen Rushe+2 more|arXiv (Cornell University)|Jul 31, 2019

Recommender Systems and Techniques被引用 11

一句话总结

本文提出了一种基于集成主题模型（E$_{ns}$TM）的方法，用于个性化、健康感知的食谱推荐，从大规模食谱语料库中提取288个可由人类理解的食物特征。通过利用这些特征进行用户建模与推荐，该方法显著优于传统的基于内容的推荐方法，实现了对230,876道食谱的完全覆盖，并支持营养偏好过滤和饮食习惯的隐式建模，从而实现有效的冷启动个性化推荐。

ABSTRACT

Food choices are personal and complex and have a significant impact on our long-term health and quality of life. By helping users to make informed and satisfying decisions, Recommender Systems (RS) have the potential to support users in making healthier food choices. Intelligent users-modeling is a key challenge in achieving this potential. This paper investigates Ensemble Topic Modelling (EnsTM) based Feature Identification techniques for efficient user-modeling and recipe recommendation. It builds on findings in EnsTM to propose a reduced data representation format and a smart user-modeling strategy that makes capturing user-preference fast, efficient and interactive. This approach enables personalization, even in a cold-start scenario. This paper proposes two different EnsTM based and one Hybrid EnsTM based recommenders. We compared all three EnsTM based variations through a user study with 48 participants, using a large-scale,real-world corpus of 230,876 recipes, and compare against a conventional Content Based (CB) approach. EnsTM based recommenders performed significantly better than the CB approach. Besides acknowledging multi-domain contents such as taste, demographics and cost, our proposed approach also considers user's nutritional preference and assists them finding recipes under diverse nutritional categories. Furthermore, it provides excellent coverage and enables implicit understanding of user's food practices. Subsequent analysis also exposed correlation between certain features and a healthier lifestyle.

研究动机与目标

• 为应对多样化用户偏好、营养需求以及冷启动场景下个性化、健康感知食谱推荐的挑战。
• 开发一种计算高效的用户建模框架，以捕捉包括口味、成本、人口统计学特征和健康属性在内的多领域食物特征。
• 通过真实世界用户研究，评估基于E$_{ns}$TM的推荐系统相较于传统基于内容方法的有效性。
• 识别特定食物特征与更健康用户生活方式之间的相关性，以优化健康导向的推荐。
• 通过特征抽象降低数据复杂度，实现推荐的覆盖率与多样性。

提出的方法

• 作者将集成主题模型（E$_{ns}$TM）应用于包含230,876道食谱的语料库，以提取288个具有显著性评分的重要食物特征。
• 提出一种简化的数据表示格式，仅使用最显著的特征以降低计算复杂度，同时保持推荐质量。
• 实现了三种推荐模型：基于食物特征的推荐器（FFbR）、加权食物特征的推荐器（WFFbR）以及基于食物特征的协同过滤模型（FFbCF）。
• 通过基于特征的表示方法对用户偏好进行建模，从而利用不喜欢信号隐式理解饮食习惯（例如素食主义）。
• 该方法整合了营养特征，以支持基于用户特定饮食目标的健康感知过滤与个性化推荐。
• 通过48名参与者的用户研究，将基于E$_{ns}$TM的推荐器与传统的基于内容（CB）基线方法在真实世界食谱数据上进行对比。

实验结果

研究问题

• RQ1 E$_{ns}$TM能否有效提取出丰富且人类可理解的食物特征集合，以代表食物选择的多样化领域？
• RQ2 与传统的基于内容的方法相比，基于E$_{ns}$TM的用户建模在推荐质量与覆盖率方面表现如何？
• RQ3 基于E$_{ns}$TM的推荐器在缺乏用户评分历史的情况下，能在多大程度上支持冷启动个性化？
• RQ4 是否存在可识别的特定食物特征与更健康用户生活方式或营养类别之间的相关性？
• RQ5 基于E$_{ns}$TM的推荐器在多大程度上能够建模隐式饮食习惯（如素食或低胆固醇偏好）？

主要发现

• 所有基于E$_{ns}$TM的推荐器在用户研究评估中均显著优于传统的基于内容（CB）方法。
• 基于E$_{ns}$TM的协同过滤（FFbCF）变体在全部食谱语料库中实现了100%的覆盖率，其在可扩展性与多样性方面优于其他方法。
• 特征如“花生酱”（r = 0.448）和“扁豆”（r = 0.361）与活动水平较高及食物健康评分较高的用户群体表现出显著正相关。
• 该方法通过隐式不喜欢信号成功建模了用户的饮食习惯（如素食主义），实现了无需显式标签的有效过滤。
• 简化的特征表示在保持高个性化质量与冷启动能力的同时，实现了计算高效的推荐。
• 探索性分析表明，更活跃且更健康饮食的用户群体对“三文鱼”、“西兰花”和“低胆固醇”等特征表现出更强的偏好。