Аннотації
19.06.2023
Розглянуто питання планування раціону і режиму харчування людини та визначено фактори, що суттєво впливають на вибір їжі. Досліджено підходи, на основі яких працюють сучасні системи рекомендацій щодо збалансованого харчування. Надано класифікацію систем підтримки рішень щодо вибору раціону і режиму харчування за даними, на основі яких вони надають рекомендації. Показано обмеження лінійного поєднання факторів вибору користувача і елементів, що характеризують його профіль, при моделюванні великої кількості прихованих факторів, що впливають на раціон харчування користувача. Основний фокус дослідження спрямовано на аналіз моделей і методів, які застосовуються при розробці інтелектуальних систем підтримки рішень щодо збалансованого харчування. Аналіз переваг і недоліків інтелектуальних рекомендаційних систем засвідчив актуальність розробки цілісної системи, яка зможе надавати рекомендації з урахуванням великої кількості явних і неявних факторів впливу раціону і режиму харчування користувача на стан його здоров’я. На основі проведеного аналізу моделей і методів штучного інтелекту, що уже використовуються в таких системах, обґрунтовано перспективність розвитку моделей і методів машинного навчання та сформовано сферу інтересу подальшого дослідження. Ці дослідження планується спрямувати на побудову багатошарової системи глибинного машинного навчання, що зможе враховувати велику кількість факторів, від яких залежить правильність раціону і режиму збалансованого харчування кожного користувача.
In this article was taken to consideration an issue of planning a person's diet and nutrition and were determined factors that significantly affect the choice of food. It was covered approaches studies on the basis of which modern systems of recommendations for a balanced diet work. A classification of decision support systems regarding the choice of diet and diet is provided based on the data on the basis of which they provide recommendations. The limitations of the linear combination of the user's choice factors and the elements characterizing his profile are shown when modeling a large number of hidden factors affecting the user's diet. The main focus of the research is directed to the analysis of models and methods used in the development of intelligent systems decision support systems about balanced nutrition. The analysis of the advantages and disadvantages of intelligent recommendation systems showed the relevance of developing a complete system that can provide recommendations taking into account a large number of explicit and implicit factors affecting the user's diet and nutrition on his health. Based on the analysis of the models and methods of artificial intelligence already used in such systems, the perspective of the development of models and methods of machine learning has been substantiated and the field of interest for further research has been formed. These studies are planned to be addressed to the construction of a multilayer system of deep machine learning, which will be able to take into account a large number of factors that depend on a balanced diet and healthy eating of each user.
1. Health effects of dietary risks in 195 countries, 1990–2017: a systematic analysis for the Global Burden of Disease Study. (2017).
2. Balintfy, J. L. (1964). Menu planning by computer. Communications of the ACM, 7(4):255–259.
3. Roy, D, Dutta, M. (2022). A systematic review and research perspective on recommender systems. J Big Data, 9, 59.
4. Zhang, R., Liu, Q. D., Chun-Gui, J., Wei, X. and Huiyi, Ma. (2014). Collaborative Filtering for Recommender Systems. 2014 Second International Conference on Advanced Cloud and Big Data, Huangshan, China, 2014, pp. 301–308.
doi: 10.1109/CBD.2014.47.
5. Tran, T. N., Atas, T. T., Felfernig, M. A. & Stettinger, M. (2018). An overview of recommender systems in the healthy food domain. Journal Intelligent Information Systems, 50, 501–526.
6. Yasmin, Beij. (2019). A Literature Review on Food Recommendation Systems to Improve Online Consumer Decision-Making.
7. Shuai, Zhang, Lina, Yao, Aixin, Sun, Yi, Tay. (2019). Deep Learning based Recommender System: A Survey and New Perspectives. ACM Computing Surveys, 52, 1.
8. Chen, X., Liu, D., Xiong Z., Zha, Z. J. (2021). Learning and fusing multiple user interest representations for micro-video and movie recommendations. IEEE Trans Multimedia, 23, 484–496.
9. Aditya, G. M., Hoode, A., Rai, K. A., Biradar, G., Kumarа, M. A., Kumar, M. V., Prashanth, B. S., Sneha, H. R, Shivadarshan, S. L. (2018). Machine learning based platform and recommendation system for food ordering services within premises.
10. Naik, P. A. (2017). Intelligent food recommendation system using machine learning. Nutrition, 5 (8).
11. Xiangnan, He, Lizi, Liao, Hanwang, Zhang, Liqiang, Nie, Xia, Hu and Tat-Seng, Chua. (2017). Neural collaborative filtering. WWW, 173–182.
12. Agarap, Abien Fred. (2018). Deep Learning using Rectified Linear Units (ReLU). ArXiv abs/1803.08375 (2018).
13. Oh, Y., Choi, A., Woo, W. (2010). U-babsang: A context-aware food recommendation system. Journal of Supercomputing, 54 (1), 61-81.
14. Gao, X., Feng, F., Huang, H., Mao, X.-L., Lan, T., Chi, Z. (2022). Food recommendation with graph convolutional network. Information Sciences, 584, 170–183.
15. Dubey, Shiv Ram et al. (2021). Activation functions in deep learning: A comprehensive survey and benchmark. Neurocomputing, 503, 92–108.
16. Ke, G., Du, H. L., Chen, Y. C. (2021). Cross-platform dynamic goods recommendation system based on reinforcement learning and social networks. Appl Soft Computing, 104, 107213.
1. Health effects of dietary risks in 195 countries, 1990–2017: a systematic analysis for the Global Burden of Disease Study. (2017).
2. Balintfy, J. L. (1964). Menu planning by computer. Communications of the ACM, 7(4):255–259.
3. Roy, D, Dutta, M. (2022). A systematic review and research perspective on recommender systems. J Big Data, 9, 59.
4. Zhang, R., Liu, Q. D., Chun-Gui, J., Wei, X. and Huiyi, Ma. (2014). Collaborative Filtering for Recommender Systems. 2014 Second International Conference on Advanced Cloud and Big Data, Huangshan, China, 2014, pp. 301–308.
doi: 10.1109/CBD.2014.47.
5. Tran, T. N., Atas, T. T., Felfernig, M. A. & Stettinger, M. (2018). An overview of recommender systems in the healthy food domain. Journal Intelligent Information Systems, 50, 501–526.
6. Yasmin, Beij. (2019). A Literature Review on Food Recommendation Systems to Improve Online Consumer Decision-Making.
7. Shuai, Zhang, Lina, Yao, Aixin, Sun, Yi, Tay. (2019). Deep Learning based Recommender System: A Survey and New Perspectives. ACM Computing Surveys, 52, 1.
8. Chen, X., Liu, D., Xiong Z., Zha, Z. J. (2021). Learning and fusing multiple user interest representations for micro-video and movie recommendations. IEEE Trans Multimedia, 23, 484–496.
9. Aditya, G. M., Hoode, A., Rai, K. A., Biradar, G., Kumarа, M. A., Kumar, M. V., Prashanth, B. S., Sneha, H. R, Shivadarshan, S. L. (2018). Machine learning based platform and recommendation system for food ordering services within premises.
10. Naik, P. A. (2017). Intelligent food recommendation system using machine learning. Nutrition, 5 (8).
11. Xiangnan, He, Lizi, Liao, Hanwang, Zhang, Liqiang, Nie, Xia, Hu and Tat-Seng, Chua. (2017). Neural collaborative filtering. WWW, 173–182.
12. Agarap, Abien Fred. (2018). Deep Learning using Rectified Linear Units (ReLU). ArXiv abs/1803.08375 (2018).
13. Oh, Y., Choi, A., Woo, W. (2010). U-babsang: A context-aware food recommendation system. Journal of Supercomputing, 54 (1), 61-81.
14. Gao, X., Feng, F., Huang, H., Mao, X.-L., Lan, T., Chi, Z. (2022). Food recommendation with graph convolutional network. Information Sciences, 584, 170–183.
15. Dubey, Shiv Ram et al. (2021). Activation functions in deep learning: A comprehensive survey and benchmark. Neurocomputing, 503, 92–108.
16. Ke, G., Du, H. L., Chen, Y. C. (2021). Cross-platform dynamic goods recommendation system based on reinforcement learning and social networks. Appl Soft Computing, 104, 107213.