La Raccomandazione · Il piatto giusto per te
FKGM: Raccomandazione Alimentare Salutare con Knowledge Graph e Multi-Task Learning (Chen 2023)
Quando un servizio di streaming consiglia un film, cerca di indovinare cosa ti piacerà — non cosa fa bene alla tua salute. I sistemi di raccomandazione alimentare funzionano allo stesso modo: imparano il tuo gusto e continuano a propinartelo, anche se il tuo palato tende verso ricette troppo salate o ricche di grassi.
Chen e colleghi hanno costruito un sistema che fa entrambe le cose insieme. Prima hanno assemblato un'enorme mappa connessa — un knowledge graph — che collega 48.000 utenti di Allrecipes a 38.000 ricette, e poi le ricette ai loro ingredienti, tipi di cucina e dati nutrizionali.
Poi hanno progettato un sistema di punteggio che calcola, per ogni persona, quanto sodio, grassi, zuccheri e grassi saturi ha consumato in media e quanto una determinata ricetta la spingerebbe al di sopra delle soglie salutari stabilite dalla Food Standards Agency britannica. Una rete neurale addestrata contemporaneamente su 'cosa piace a questo utente' e 'cosa questo utente dovrebbe mangiare di meno' produce raccomandazioni che ottengono risultati sistematicamente migliori su tutti e quattro i parametri nutrizionali rispetto ai quattro sistemi concorrenti testati.
È come avere un sommelier che conosce altrettanto bene il tuo palato e il tuo colesterolo.
Cosa dice, in breve
- Chen et al. (2023) propongono FKGM, un modello di raccomandazione alimentare salutare che ottimizza congiuntamente le preferenze dietetiche dell'utente e il suo fabbisogno nutrizionale personalizzato attraverso un'unica architettura multi-task.
- Il punto di partenza è il Collaborative Recipe Knowledge Graph (CRKG): un grafo eterogeneo che fonde il grafo bipartito utente-ricetta di Allrecipes (48.111 utenti, 38.115 ricette, 1.267.176 interazioni) con un grafo di conoscenza sulle ricette derivato da Freebase (69.799 entità, 10 tipi di relazione, 2.500.801 triplette).
- La salute viene quantificata tramite tre punteggi ancorati alle soglie nutrizionali della UK Food Standards Agency per sodio, grassi, zuccheri e grassi saturi: Nutrient Content Score (NCS, per ricetta), Nutrient Intake Score (NIS, per utente tramite media ponderata per gruppi), e Nutrient Discrepancy Score (NDS, divergenza con funzione softplus modificata usata come segnale supervisore per il task sanitario).
- L'architettura FKGM comprende: (1) un livello di embedding TransD che vettorizza entità e relazioni del CRKG; (2) un livello di message passing con GCN a attenzione knowledge-aware e aggregazione bi-interaction; (3) un livello di perdita BPR multi-task che combina i task di preferenza e salute con peso lambda_h regolabile.
- Confrontato con quattro baseline (CKE, CFKG, KGAT, BPRMF) al variare di K da 20 a 100, FKGM ottiene i valori più bassi di contenuto di sodio, grassi, zuccheri e grassi saturi nelle top-K raccomandazioni per i rispettivi gruppi ad alto consumo, rimanendo competitivo su Recall@20.
- I valori ottimali degli iperparametri sono: dimensione dell'embedding = 64; 3 livelli di message passing; lambda_h = 0,1.
- Limitazioni dichiarate: soli quattro nutrienti considerati; dataset unico (Allrecipes); nessuno studio con utenti reali.
Provenienza
- Fonte
- Health-Aware Food Recommendation Based on Knowledge Graph and Multi-Task Learning— Chen 2023
- Licenza
- CC BY 4.0
- Nel Kosmos
- 4 voci · 131 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.