平衡舒适度与好奇心的美食推荐

美食是旅行的一大乐趣,但旅行者面临一个权衡:探索新奇的地方美食,还是选择舒适熟悉的食物。这催生了对个性化推荐系统的需求,以平衡这些相互竞争的因素。据我们所知,传统的推荐方法无法为旅行目的地中用户未知的美食同时提供兼具好奇心与舒适度的推荐。在本研究中,我们提出了估计舒适度与好奇心的新定量方法:核密度评分(KDS)与马氏距离评分(MDS)。KDS 利用核密度估计概率性地估计美食历史分布,而 MDS 则使用美食之间的马氏距离。这些方法根据美食的表征向量与估计分布的契合程度对其进行打分。我们还提出了一种基于口味与食材衡量舒适度与好奇心平衡的排序方法。该平衡定义为选择某道美食时每单位舒适度(风险)所获得的好奇心(回报)。为评估所提方法,我们新收集了一个数据集,包含关于日本美食的用户调查以及外国美食在舒适度与好奇心方面的评估。将我们的方法与现有方法进行比较,Wilcoxon 符号秩检验表明:当基于口味估计舒适度、基于食材估计好奇心时,基于 MDS 的方法优于基线方法,而基于 KDS 的方法未显示出显著差异。当基于口味估计好奇心、基于食材估计舒适度时,两种方法均优于基线方法。基于 MDS 的方法在 ROC-AUC 值上始终优于 KDS。