DEIM2015で発表する予定のポスターです

1. 各種メタデータの特徴を考慮した
未知レシピへのメタデータ自動付与方式
DEIM2015 C1-3
背景
レシピ推薦サービスにおいて，高精度に推薦アイテムの選定を行うためには，
各レシピデータを分析し，適切なメタデータを付与することが考えられる．
先行研究の「類似度分析に基づく未知レシピへのメタ
データ自動付与方式の提案」(DEIM2014 Section:P2-3)
では，メタデータ自動付与方式の妥当性を示すことが
できたが，各軸の特徴量を考慮しておらず，類似度算
出精度の向上に限界がある．
あっさり
こってり
定番
お手軽
安い
メタデータが付与されていると、
推薦精度が向上する。
メタデータありレシピ
森下らの開発した，ユーザの気分でレシピを推薦するシステム
「気分で料理がポン！」で利用された，人の手によって
メタデータが付与されているレシピ（マスターレシピ）を使用する．
付与されているメタデータ
からだ：
こころ：
味：
時間：
お金：
アレンジ：
お疲れ(-5)
ｼｸｼｸ(-5)
あっさり(-5)
お手軽(-5)
安く(-5)
定番(-5)
〜
〜
〜
〜
〜
〜
(+5)元気
(+5)ｳｷｳｷ
(+5)こってり
(+5)本格
(+5)豪華に
(+5)ｱﾚﾝｼﾞ
しかし，「こころ」は他のメタデータと類似している部分が
多くあったため，相関を算出してみると，
特に「味」との相関が高いことがわかった．
よって「こころ」は「味」の中に統合することにする．
各メタデータの相関
こころと味 0.95
こころとからだ 0.81
味とからだ 0.76
こころとお金 0.71
・
・
・
・
・
・
提案手法
U(i) = S1 + S2 + S3 + S4 + S5
S1*M1(i) + S2*M2(i) + S3*M3(i) + S4*M4(i) + S5*M5(i)
Mrank(i)：マスターレシピの各気分データ(rank=1位,2位,……)
Sm：対象未知レシピと類似度順位がm番のマスターレシピとの類似度
i：｛からだ，ココロ，味，時間，お金，アレンジ｝
マスターレシピの類似度の上位5件のメタデータに
類似度を考慮した重みを加えたものを平均して付与する．
1位
2位
3位
4位
5位
類似度の高い
メタデータ付きレシピ
未知レシピ
各レシピのメタデータに
類似度を考慮した重み
を加えたものを付与
各種メタデータの特徴を
考慮した未知レシピへの
メタデータ自動付与方式の提案
あっさり
メタデータなしレシピ
「あっさり」レシピが
なかなか見つからない
メタデータの種類
U(i)：未知レシピ
本研究の目的
味
メタデータが付与されているレシピの，
あっさり度の高い物数件と，こってり度の高い物数件の
特徴語を特徴ベクトルの次元とする．
あっさり度の高いレシピ こってり度の高いレシピ
それぞれの特徴語をベクトルの次元へ
メタデータが付与されているレシピの，
お疲れ度の高い物数件と，元気度の高い物数件の
特徴語を特徴ベクトルの次元とする．
お疲れ度の高いレシピ 元気度の高いレシピ
それぞれの特徴語をベクトルの次元へ
時間
調理動作辞書を作成し，時間を算出する．
切る
時間がかかる
蒸す
時間がかからない お手軽度に重み
を置く
本格度に重み
を置く
ただし，「切る」が何度も出現した場合でも，
時間がかかるため，動詞の出現回数も考慮する必要が
あると考える．
材料毎の平均値段表を作成し，1食あたりの値段を
算出する．算出された金額を-5〜5に正規化する．
さんま：125円/1匹
例：秋刀魚の塩焼き
大根：148円/1本 塩：98円/1ビン
合計した値段を，メタデータ付与済みレシピの値段の
ヒストグラムに当てはめ，そこから-5〜+5の値に正規化
して，出力する．
同名のレシピ数件から，
動詞と名詞を抽出し，それぞれに
頻出する語を「定番」のベクトルと
する．
Edit Distanceに基づいて，
アレンジ度を算出し，
-5〜5の値に正規化して，出力する
からだ
お金アレンジ
各5つのメタデータに対して，それぞ
れの特徴を考慮するために，それ
ぞれの軸の特徴ベクトルの抽出を
行う．
類似度順位1〜5件にそれぞれの特
徴ベクトルを用いて，類似度順位5
件のマスターレシピのメタデータに
類似度を考慮した重みを加えたも
のを平均し，付与することにする．
①各種メタデータの特徴を考慮した特徴抽出
②メタデータの自動付与 未知レシピ
マスターレシピDB
システム
概要図
①入力
メタデータ付与済
みレシピDB
④DBに格納
②各軸の特徴を考慮した
特徴ベクトルの算出
③メタデータ自動付与
メタデータ自動付与システム