食品评论和推荐的机器学习
利用 1484 个在线评论的数据集,作者使用深度学习和机器学习技术中的逻辑回归算法,确定了预测食物质量的最准确方法。该研究提供了有价值的洞察力,帮助用户决定是否订购食物。
May, 2024
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
使用 Yemek Sepeti 的数据和其变体,采用多种机器学习算法,结合多种自然语言处理方法,旨在达到最高的准确率,并优化算法的参数,训练得到的模型可用于无标签数据的客户满意度测量。本研究中应用的三种自然语言处理方法能够使大部分模型的准确率提高约 5%。
Jan, 2022
本文旨在利用机器学习的方法来分析学生的课程反馈,使用自然语言处理的技术和嵌入式词和深度神经网络等现代方法,使用 RoBERTa 模型获得 95.5% 的准确率和 84.7% 的 F1-macro,提供给大学和课程提供商以一个使用 NLP 模型自我评估和改进的指导。
Apr, 2023
本研究使用 Yelp 开放数据集中的元特征和文本预测餐厅评论的情感,并通过多个定性实验表明具有注意机制的深度模型成功学习到不同餐厅评论的平衡模型。最后,我们提出了一种新颖的多任务联合 BERT 模型,提高了整体分类性能。
Jan, 2022
研究了自动饮食评估系统中视觉识别食物的核心功能,使用深度多标签学习方法评估了几种最先进的神经网络,以在图像中检测任意数量的成分,并针对编码使用了多个著名的神经网络模型。在使用挑战性数据集 Nutrition5K 上,取得了有希望的初步结果,并为未来的探索奠定了坚实的基础。
Oct, 2022
在线商务依赖于用户生成的评论来提供对物品的客观信息,该论文提出了一种利用机器学习方法进行评论检测和提取的方法,并展示了该方法在对未包含在训练数据中的网站上的使用上的推广性。此方法承诺驱动自动检测和评估评论的应用,无论其来源如何。此外,通过实施和讨论三个关键应用:情感不一致性分析、多语言支持和假评论检测,展示了该方法的多功能性。
May, 2024
通过对三个数据集进行分析,我们发现进行了细粒度微调的 spaCy-transformer 成为最佳模型,对于手动注释、增强注释和机器注释数据集,它的宏 F1 分数分别为 95.9%、96.04%和 95.71%。
Feb, 2024
以大型语言模型 (Large Language Models) 为基础的食品推荐系统 (F-RLP) 通过食品推荐的语言处理方法 (Recommendation as Language Processing) 解决了传统基于规则和分类的食品推荐系统面临的问题,提供更准确、个性化的食品推荐。
Feb, 2024
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