Peneliti mengembangkan sistem yang dapat merekomendasikan resep yang dipersonalisasi dan sehat
Ai

Peneliti mengembangkan sistem yang dapat merekomendasikan resep yang dipersonalisasi dan sehat


Gambar yang merangkum arsitektur rekomendasi makanan yang dipersonalisasi dari para peneliti: Dengan adanya kueri pengguna dalam bahasa alami, bersama dengan konteks pengguna (yang terdiri dari preferensi diet dan pedoman kesehatan), sistem menemukan jawaban peringkat teratas dan dipersonalisasi dari grafik pengetahuan makanan FoodKG. QE, KA dan CM masing-masing adalah singkatan dari Query Expansion, Knowledge Graph Augmentation dan Constraint Modeling. Batasan positif berwarna merah, batasan negatif berwarna abu-abu, dan non-batasan berwarna hitam. KBQA mengacu pada sistem menjawab pertanyaan grafik pengetahuan yang mendasarinya. Kredit: Chen et al.

Para peneliti di Rensselaer Polytechnic Institute dan IBM Research di New York baru-baru ini membuat pFoodReQ, sebuah sistem yang dapat merekomendasikan resep yang disesuaikan dengan preferensi dan kebutuhan diet setiap pengguna. Sistem ini diuraikan dalam makalah yang diterbitkan sebelumnya di arXiv dan akan dipresentasikan pada Konferensi Internasional ke-14 tentang Pencarian Web dan Penambangan Data (WSDM) pada bulan Maret.

“Pekerjaan kami berfokus pada rekomendasi makanan yang dipersonalisasi,” kata Mohammed J. Zaki, salah satu peneliti yang mengembangkan sistem tersebut, kepada TechXplore. “Secara khusus, mengingat kueri pengguna dalam bahasa yang alami, kami ingin mengambil kecocokan teratas dalam kumpulan data resep.”

Tujuan jangka pendek dari studi yang dilakukan oleh Zaki dan rekan-rekannya adalah untuk membantu orang menemukan resep sehat yang memenuhi kebutuhan dan keinginan diet mereka. Idealnya, mereka ingin resep ini mencerminkan niat pengguna (yaitu, apakah mereka merencanakan makanan cepat atau lebih rumit), preferensi mereka (yaitu, apakah mereka suka atau tidak menyukai bahan atau masakan tertentu), batasan diet (misalnya, jika mereka alergi atau tidak toleran terhadap produk tertentu) dan status kesehatan (yaitu, jika mereka menderita diabetes, kelebihan berat badan, atau memiliki kondisi kesehatan tertentu).

“Ide utamanya adalah dengan memberikan kueri yang sama, respons sebenarnya harus berbeda untuk pengguna yang berbeda,” kata Zaki. “Dengan kata lain, respons harus dipersonalisasi. Ini adalah tugas yang sangat menantang, terutama dalam hal menentukan kendala implisit yang sebenarnya relevan dengan kueri.”

Tujuan yang lebih luas dari penelitian oleh Zaki dan rekan-rekannya adalah untuk menggabungkan metode pembelajaran mesin dengan semantik, cabang linguistik yang terkait dengan makna. Untuk melakukan ini, para peneliti menggabungkan teknik pembelajaran mendalam untuk menjawab pertanyaan dengan FoodKG, grafik pengetahuan makanan skala besar yang mereka kembangkan. Grafik FoodKG, yang tersedia untuk umum secara online, berisi lebih dari 67 juta catatan (atau tiga kali lipat). Catatan ini mencakup kurang lebih satu juta resep, representasi grafik dari hubungan antara resep ini dan bahan yang dibutuhkan untuk menyelesaikannya, serta data yang terkait dengan sifat bahan, kandungan nutrisi, dan masakan atau kategori makanan yang berbeda.

“Kerangka kerja kami memiliki sejumlah keunggulan unik dibandingkan dengan karya yang sudah ada yang berfokus pada rekomendasi makanan,” jelas Zaki. “Pertama, tujuan kami adalah untuk memberikan tugas rekomendasi resep yang dipersonalisasi sebagai jawaban pertanyaan dalam bahasa alami, untuk kemudahan penggunaan. Kedua, sistem kami dapat menangani persyaratan eksplisit yang menyebutkan label makanan (misalnya, hidangan Italia) dan bahan yang diizinkan (misalnya, harus mengandung bayam), serta negasi (misalnya, tidak boleh mengandung kenari). “

Negasi, atau pernyataan yang menyoroti hal-hal yang tidak boleh dimasukkan dalam item yang direkomendasikan, sangat sulit untuk ditangani oleh sistem pembelajaran yang mendalam. Ini terutama karena jaringan saraf dalam tidak selalu pandai membedakan antara pernyataan positif dan negatif (misalnya, resep harus mengandung kacang vs. tidak boleh mengandung kacang tanah). Para peneliti mampu mengatasi keterbatasan ini dengan memperkenalkan isyarat positif / negatif spesifik untuk jaringan saraf.

Karakteristik unik lain dari sistem rekomendasi makanan adalah bahwa sistem ini menangkap kualitas atau preferensi unik pengguna dan pedoman umum untuk nutrisi sehat. Ini memungkinkannya untuk memberikan rekomendasi resep yang dipersonalisasi yang juga mempromosikan nutrisi dan kesehatan yang baik.

“Untuk mencapai ini, kami memanfaatkan pendekatan berbasis semantik dengan memodelkan preferensi pengguna dan pedoman kesehatan (misalnya, total konsumsi lemak untuk semua orang dewasa harus 20-35% dari total asupan kalori, dari pedoman gaya hidup American Diabetes Association) sebagai subgraf pengetahuan yang digabungkan dengan subgraf FoodKG yang relevan untuk mendapatkan saran yang baik. “

Kerangka kerja ini adaptif dan dapat belajar dari catatan pengguna sebelumnya. Ini berarti memperoleh informasi tentang preferensi dan kebutuhan diet seseorang dari waktu ke waktu, kemudian menggunakan informasi ini untuk menyarankan resep baru dan sehat yang selaras dengan preferensi dan kebutuhan ini.

“Pendekatan teknis di balik sistem rekomendasi kami bergantung pada tiga modul yang memanfaatkan sistem pembelajaran mendalam yang menjawab pertanyaan,” kata Zaki. “Yang pertama dan terpenting adalah modul perluasan kueri, di mana kueri natural language asli diperluas untuk menyertakan batasan implisit dari pengguna dan subgraf pengetahuan kesehatan sehingga kueri akhir yang dikirim ke modul penjawab pertanyaan memiliki semua persyaratan dan batasan dibuat eksplisit. “

Komponen kedua kerangka kerja, modul pemodelan batasan, menangani batasan bahan positif dan negatif (misalnya, harus mengandung atau tidak boleh mengandung kacang tanah). Modul terakhir, di sisi lain, melakukan apa yang dikenal sebagai augmentasi grafik pengetahuan.

“Sistem pembelajaran mendalam berjuang dengan kendala perbandingan numerik (misalnya, hidangan yang mengandung di bawah 500 kalori),” jelas Zaki. “Kami menyelesaikan ini dengan mengubah batasan perbandingan numerik dengan ‘menulis ulang’ secara dinamis atau menambah subgraf FoodKG menjadi batasan Boolean (benar / salah) sesuai dengan batasan numerik yang diberikan (misalnya, resep yang memenuhi batasan secara dinamis ditandai sebagai benar) . “

Jika digabungkan, tiga modul framework memungkinkannya memberikan rekomendasi resep yang sehat dan dipersonalisasi. Selain sistem rekomendasi makanan yang berkinerja tinggi ini, para peneliti membuat tolok ukur pertanyaan bahasa alami dan jawaban kebenaran dasar terkait dengan saran makanan. Hebatnya, sebelum penelitian ini, tolok ukur seperti itu tidak ada. Selain itu, pertanyaan yang terkandung di dalamnya ditata setelah pertanyaan terkait makanan nyata yang diposting oleh pengguna di Reddit.

Untuk mengevaluasi kerangka kerja mereka dan membandingkannya dengan sistem rekomendasi makanan yang ada, para peneliti melakukan studi pengguna di mana beberapa peserta diminta untuk mengevaluasi saran dari sistem yang berbeda, termasuk sistem mereka sendiri. Semua sistem mendasarkan rekomendasi mereka pada tanggapan peserta terhadap 50 pertanyaan, yang mengeksplorasi preferensi terkait makanan dan kebutuhan diet mereka. Hebatnya, kerangka kerja yang dibuat oleh Zaki dan rekan-rekannya mengungguli semua teknik yang dibandingkan, dengan sebagian besar peserta mengungkapkan preferensi mereka untuk rekomendasi yang telah diberikannya daripada yang dihasilkan oleh sistem lain.

“Kami berharap ketersediaan publik dari benchmark ini akan memacu pekerjaan lanjutan yang sangat dibutuhkan dan perbaikan di masa depan,” kata Zaki. “Di sisi teknis, kami menunjukkan bahwa pendekatan yang kami usulkan untuk menggabungkan perluasan kueri, pemodelan batasan, dan augmentasi grafik pengetahuan dengan sistem penjawab pertanyaan grafik pengetahuan berbasis pembelajaran mendalam (BAMnet) yang canggih memberikan peningkatan luar biasa dalam rekomendasi makanan dibandingkan dengan yang ada pendekatan. “

Penelitian yang dilakukan oleh Zaki dan rekan-rekannya didanai oleh AI Horizons Network IBM Research dan merupakan bagian dari proyek yang lebih luas yang disebut RPI-IBM HEALS, yang merupakan singkatan dari Health Empowerment by Analytics, Learning, dan Semantics. Kode sistem rekomendasi makanan yang mereka kembangkan tersedia secara online di: https://github.com/hugochan/PFoodReq.

Kedepannya, tulisan ini dapat menginformasikan perkembangan asisten digital yang membantu pengguna dalam membuat pilihan makanan yang lebih sehat dan mencari resep baru. Zaki dan rekan-rekannya sekarang sedang berupaya meningkatkan sistem mereka dengan beberapa cara.

“Sistem yang ada harus dipertimbangkan sebagai langkah pertama dalam rekomendasi makanan yang dipersonalisasi, tetapi masih banyak tantangan yang tersisa,” kata Zaki. “Kami membutuhkan tolok ukur menjawab pertanyaan yang lebih kompleks yang berhubungan dengan maksud pengguna implisit dan skenario yang beragam. Merekomendasikan alternatif yang lebih sehat dan potensi substitusi juga membutuhkan lebih banyak pekerjaan. Menangani batasan yang lebih kompleks dan menemukan rangkaian batasan yang paling relevan yang harus dipertimbangkan saat menjawab kueri tetap menjadi tantangan dan ini juga dapat dianggap sebagai menggabungkan penalaran yang masuk akal ke dalam kerangka kerja. ”


Jejaring sosial memungkinkan peralatan rumah tangga pintar membuat rekomendasi yang lebih baik


Informasi lebih lanjut:
Rekomendasi makanan yang dipersonalisasi sebagai jawaban pertanyaan terbatas melalui grafik pengetahuan makanan skala besar. arXiv: 2101.01775 [cs.CL]. arxiv.org/abs/2101.01775

© 2021 Science X Network

Kutipan: Peneliti mengembangkan sistem yang dapat merekomendasikan resep yang dipersonalisasi dan sehat (2021, 21 Januari), diakses 24 Januari 2021 dari https://techxplore.com/news/2021-01-personalized-healthy-recipes.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Toto SGP