La Raccomandazione · Il piatto giusto per te
Panoramica sui Sistemi di Raccomandazione Alimentare — Anderson 2018
Pensate a quante volte avete aperto un'app di consegna cibo e scrollato all'infinito, incapaci di scegliere. Un algoritmo avrebbe dovuto risolvere quel problema — ma nel 2018, lo faceva con strumenti sorprendentemente rudimentali.
Carl Anderson, data scientist di Weight Watchers, ha mappato in sedici pagine ogni sistema pubblicato che tentasse di consigliarvi cosa mangiare, cucinare o ordinare. La sua scoperta: la tecnologia che raccomanda il prossimo film su Netflix funziona grazie ai voti di milioni di spettatori, mentre quella che raccomanda il prossimo pasto dispone di un segnale molto più scarso, perché la maggior parte delle persone non vota la propria cena.
Il problema del cibo è più difficile, più ricco e più intrecciato con la cultura di quanto chiunque avesse pubblicamente ammesso.
Cosa dice, in breve
- Anderson (2018) analizza i sistemi di raccomandazione alimentare lungo cinque casi d'uso principali: consegna di cibo, selezione di ristoranti, ricette e cucina, sostituzione di ingredienti e pianificazione di diete/pasti, esaminando circa 30 sistemi pubblicati.
- Il sondaggio introduce una tassonomia a sei dimensioni dello spazio dei recommender alimentari: chi sono gli utenti, cosa viene raccomandato (dall'ingrediente al piano dietetico), quando (in tempo reale o a lotti), perché (gusto vs salute/benessere), come (approccio tecnico) e dove (web/mobile/voce).
- Il filtraggio collaborativo è l'approccio tecnico predominante, ma soffre di un'acuta scarsità di valutazioni: 38 valutazioni/elemento su Food.com contro 209 su Netflix.
- Vengono catalogati tredici tipi distinti di segnali utente (ordine, like, valutazione, salvataggio, visione, pubblicazione, condivisione, tracciamento, ricerca, commento, realizzazione, follow) e uno schema dettagliato di metadati degli elementi.
- Grafi di ingredienti, embedding testuali (food2vec, diet2vec) e sistemi basati su conoscenza emergono come alternative al CF con profili di compromesso distinti.
- Le lacune strutturali identificate includono: estrema scarsità dei dati di valutazione, denominazione non standardizzata degli ingredienti, quasi assenza di dataset non occidentali e trascuratezza della dimensione temporale/varietà dell'alimentazione.
- Le tendenze previste per il futuro includono interfacce vocali (smart speaker) e integrazione con frigoriferi intelligenti per raccomandazioni di kit pasto personalizzate e automatizzate.
Provenienza
- Fonte
- A Survey of Food Recommenders— Anderson 2018
- Licenza
- unknown
- Nel Kosmos
- 4 voci · 145 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.