用于视觉感知食物推荐的层次化注意力网络
信息检索
2019-01-08 v3
摘要
食物推荐系统在帮助用户确定想吃什么食物方面发挥着重要作用。决定吃什么是一个复杂且多面的过程，受许多因素影响，例如食材、食谱的外观、用户对食物的个人偏好，以及过去餐食中吃过什么等各种情境。在本工作中，我们将食物推荐问题形式化为基于决定用户食物选择的三个关键因素来预测用户对食谱的偏好，即：1) 用户（及其他用户）的历史；2) 食谱的食材；3) 食谱的描述性图像。为解决这一具有挑战性的问题，我们提出了一种专用的基于神经网络的方案——基于层次化注意力的食物推荐（HAFR），其能够：1) 捕捉协同过滤效应，如相似用户倾向于吃什么；2) 在食材层面推断用户偏好；3) 从食谱的视觉图像中学习用户偏好。为评估我们所提出的方法，我们构建了一个由 AllRecipes.com 上数百万条评分组成的大规模数据集。大量实验表明，我们的方法优于因子分解机（Factorization Machine）和视觉贝叶斯个性化排序（Visual Bayesian Personalized Ranking）等若干竞争推荐方案，平均提升 12%，在预测用户食物偏好方面给出了有前景的结果。代码与数据集将在录用后发布。
引用
@article{arxiv.1810.05032,
title = {Hierarchical Attention Network for Visually-aware Food Recommendation},
author = {Xiaoyan Gao and Fuli Feng and Xiangnan He and Heyan Huang and Xinyu Guan and Chong Feng and Zhaoyan Ming and Tat-Seng Chua},
journal= {arXiv preprint arXiv:1810.05032},
year = {2019}
}