La Raccomandazione · Il piatto giusto per te
HGAT: Rete di Attenzione su Grafi Gerarchica per la Raccomandazione di Ricette (Tian et al. 2022)
Immaginate di dover scegliere la ricetta per stasera tra mezzo milione di opzioni. Un sistema di raccomandazione tradizionale si limiterebbe a dire: 'hai apprezzato la pasta la settimana scorsa, eccone dell'altra'.
HGAT ragiona diversamente: mappa l'intera rete di relazioni — quali ingredienti si accompagnano, quali ricette condividono sapori, quali utenti con gusti simili hanno valutato gli stessi piatti — e impara, attraverso due livelli di attenzione, quali connessioni contano davvero per voi. Il risultato è un sistema che capisce non solo cosa avete apprezzato, ma perché, e può suggerire qualcosa di genuinamente nuovo che si adatta alla vostra identità culinaria.
Nei test su Food.com, HGAT ha trovato la ricetta giusta nella sua lista delle prime dieci con una precisione superiore di circa 6–9 punti percentuali rispetto al metodo concorrente migliore.
Cosa dice, in breve
- I sistemi di raccomandazione di ricette hanno ignorato l'informazione relazionale che connette utenti, ricette e ingredienti; HGAT è proposto per colmare questa lacuna tramite apprendimento su grafi.
- HGAT costruisce un grafo eterogeneo a tre tipi di nodi (utente, ricetta, ingrediente) e quattro tipi di arco (ingrediente-ingrediente, ricetta-ingrediente, ricetta-ricetta, utente-ricetta), con embedding di ingredienti da USDA (46 dimensioni) e embedding di istruzioni di cottura pre-addestrati (1.024 dimensioni).
- Una trasformazione tipo-specifica proietta le feature eterogenee in uno spazio condiviso; un modulo di attenzione a livello di nodo con M=4 teste produce embedding specifici per ciascun tipo di relazione.
- Un modulo di attenzione a livello di relazione fonde gli embedding relazione-specifici con pesi appresi via softmax; gli embedding finali concatenano le rappresentazioni da tutti gli L strati di propagazione (ottimale: L=3).
- Un predittore a prodotto interno e una funzione di perdita BPR-style ottimizzano il modello end-to-end.
- Su Food.com (protocollo leave-one-out, 100 campioni negativi per utente), HGAT migliora Recall@1–10 di +5,42%–+9,53% e MRR@1–10 di +5,42%–+6,67% rispetto al miglior baseline.
- Gli studi di ablazione confermano contributi additivi di entrambi i livelli di attenzione; la dimensione ottimale degli embedding è 256; tre strati di propagazione sono sufficienti.
Provenienza
- Fonte
- Recipe Recommendation With Hierarchical Graph Attention Network— Tian 2022
- Licenza
- CC BY
- Nel Kosmos
- 3 voci · 109 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.