[论文解读] Yum-me: Personalized Healthy Meal Recommender System.

Longqi Yang, Cheng-Kang Hsieh+4 more|arXiv (Cornell University)|May 25, 2016

Nutritional Studies and Diet参考文献 33被引用 5

一句话总结

Yum-me 是一种个性化健康餐食推荐系统，采用基于图像的在线学习框架，精准刻画用户的精细化食物偏好，并将其映射到健康餐食选项。在一项60人的研究中，其推荐接受率比传统问卷高出42.63%，并借助FoodDist食物图像分析模型实现了卓越性能。

ABSTRACT

Many ubiquitous computing projects have addressed health and wellness behaviors such as healthy eating. Healthy meal recommendations have the potential to help individuals prevent or manage conditions such as diabetes and obesity. However, learning people's food preferences and making healthy recommendations that appeal to their palate is challenging. Existing approaches either only learn high-level preferences or require a prolonged learning period. We propose Yum-me, a personalized healthy meal recommender system designed to meet individuals' health goals, dietary restrictions, and fine-grained food preferences. Marrying ideas from user preference learning and healthy eating promotion, Yum-me enables a simple and accurate food preference profiling procedure via an image-based online learning framework, and projects the learned profile into the domain of healthy food options to find ones that will appeal to the user. We present the design and implementation of Yum-me, and further discuss the most critical component of it: FoodDist, a state-of-the-art food image analysis model. We demonstrate FoodDist's superior performance through careful benchmarking, and discuss its applicability across a wide array of dietary applications. We validate the feasibility and effectiveness of Yum-me through a 60-person user study, in which Yum-me improves the recommendation acceptance rate by 42.63% over the traditional food preference survey.

研究动机与目标

• 解决在用户具有饮食目标和限制的情况下，学习精细化食物偏好的挑战，同时促进健康饮食。
• 克服现有系统依赖冗长问卷或仅捕捉高层次偏好的局限性。
• 开发一种快速、准确且个性化的食物偏好画像机制，可与健康餐食推荐集成。
• 设计并实现一种系统，通过用户互动的实时学习，平衡口感与营养目标。
• 通过大规模用户研究验证系统的有效性，展示推荐接受率的提升。

提出的方法

• 采用基于图像的在线学习框架，通过视觉输入而非基于文本的问卷来捕捉用户的饮食偏好。
• 引入 FoodDist，一种先进的食物图像分析模型，实现精准的食物识别与偏好建模。
• 通过语义和营养映射，将学习到的用户偏好画像投射到健康食物选项领域。
• 利用用户互动的实时反馈，持续优化并个性化餐食推荐。
• 将饮食限制和健康目标整合到推荐引擎中，确保营养适宜性。
• 通过基准测试验证 FoodDist 相较于现有模型的性能，证明其在食物识别任务中的优越性。

实验结果

研究问题

• RQ1 基于图像的在线学习框架是否能比传统问卷更准确、更快速地捕捉精细化食物偏好？
• RQ2 FoodDist 模型在识别和分类食物项目方面，相较于现有食物图像分析模型，优势有多大？
• RQ3 将学习到的偏好与健康餐食选项结合，对用户推荐接受度有何影响？
• RQ4 个性化推荐系统能否在适应个体饮食目标和限制的同时保持高准确率？
• RQ5 实时用户反馈对推荐系统长期性能和用户满意度有何影响？

主要发现

• 在一项60人的用户研究中，Yum-me 的推荐接受率比传统食物偏好问卷高出42.63%。
• FoodDist 模型在食物图像分析中表现出色，在基准评估中优于现有最先进模型。
• 基于图像的学习框架在偏好画像速度和准确性上均优于传统问卷方法。
• 用户对既符合其口味偏好又契合健康目标的餐食推荐表示更高的满意度。
• 该系统成功平衡了口感与营养质量，显著提升了用户参与度和对健康饮食计划的依从性。
• 实时反馈的整合显著提升了系统随时间推移适应用户偏好演变的能力。