基于大规模食品知识图谱的个性化食品推荐
本文采用自适应超媒体框架,结合 TF-IDF 术语提取方法和余弦相似度测量方法,利用健康启发式和标准食品数据库建立知识库,提出了基于语义推荐系统的食品个性化框架,评估得出,与传统的推荐系统相比,基于语义推荐系统在准确性、精确性和召回率方面表现更好,而所提出的推荐系统的 F-measure 指标优于现有的基于语义的推荐系统。
Dec, 2013
本文针对具有烹饪偏好但对于特定菜肴的食材知识不足的用户提出了个性化食谱生成的新任务:将菜品名称和不完整的食材详情扩展为与用户历史喜好相符的完整自然文本说明。通过技术和食谱级别的表示,我们的模型在一个注意力融合层中融合了这些 “用户感知” 的表示,控制食谱文本的生成。在一个新的包含 180K 份菜谱和 700K 个交互的数据集上进行实验,与非个性化的基准相比,我们的模型能够生成一些合理且个性化的菜谱。
Aug, 2019
该研究提出了一种基于知识图谱的问答生成系统(KBQG),通过识别结构化知识图中最相关的关系,以更细的粒度建模用户偏好,进而生成个性化的解决方案,从而实现更准确的推荐。在真实数据集的实验中,该系统的表现优于现有的对话型推荐系统。
May, 2021
提出了一个用于食物推荐的统一框架,并指出影响食物推荐的主要问题,包括构建个人模型、分析独特的食品特征、整合各种上下文和领域知识。本文回顾了现有解决方案,阐述了这个领域的研究挑战和未来方向。
May, 2019
使用混合推荐系统结合协同过滤、基于内容和基于知识的模型,以及决策树、k - 近邻、AdaBoost 和 Bagging 等机器学习模型根据能量指标和学生的食品选择历史,将大学餐厅的食物推荐给学生,其中 AdaBoost 模型的准确率最高,为 73.70%。
Jun, 2023
本文提出了 KGQAn,一个通用的 QA 系统,它不需要为每个目标 KG 进行定制,而是采用一种新颖的形式化方法将问题理解为一个文本生成问题,并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器,在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询,而无需任何预处理。我们在几个真实的 KG 上进行的实验表明,KGQAn 易于部署,对于任意的 KG 表现良好,优于现有的 QA 系统。
Mar, 2023
RECipe 是一个多用途食谱推荐框架,使用多模态知识图作为支撑,通过深度神经协同过滤 (NCF) 在用户查询自然语言或提供图像时推荐食谱。RECipe 包括行为、评论和图像三个子系统,依赖于图中实体和关系的嵌入表示。通过微软 MPNet 的模型对文本实体进行预训练,然后使用这些嵌入表示初始化实体的权重用于知识图嵌入 (KGE) 模型的训练。对于图像部分,使用 KGE-Guided variational autoencoder (KG-VAE) 学习图像的分布和潜在表示。KGE 和 KG-VAE 模型训练完成后,用于作为多用途推荐框架。RECipe 在数据集上进行了实验证明了 KGE 模型与神经解决方案的可比性,并提供了预训练 NLP 嵌入来解决冷启动问题和基于食谱类别的条件推荐。最终演示了 RECipe 在多用途推荐设置中的应用。
Aug, 2023
食物对健康的深远影响需要先进的以营养为导向的食品推荐服务。本文介绍了 ChatDiet,这是一个新的基于大型语言模型的框架,专门设计用于个性化的以营养为导向的食品推荐聊天机器人,实现了个性化和可解释的食物推荐,以及与用户个人喜好相适应的互动。
Feb, 2024
提出了一种名为 NutRec 的新型框架,该框架使用神经网络模型中的三个主要组件来基于食材预测和推荐健康的食谱,经过实验证明该框架可以成功检索到较为健康的菜谱。
Mar, 2020