Towards health-aware food recipe recommendation

Rostami, Mehrdad (2024-11-27)
 
Avaa tiedosto
Lataukset: 

URL:
https://urn.fi/URN:NBN:fi:oulu-202410226420

Rostami, Mehrdad
Oulun yliopisto
27.11.2024
https://rightsstatements.org/vocab/InC/1.0/
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:oulu-202410226420

Kuvaus

Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Information Technology and Electrical Engineering of the University of Oulu for public defence in Auditorium IT116, Linnanmaa, on 4 December 2024, at 5 p.m.
Tiivistelmä
Abstract

Food recommender systems (FRS) play a crucial role in lifestyle services by assisting users in adopting healthier eating habits. In recent years, numerous FRSs have emerged to predict and guide user choices. However, they face several limitations. Traditional FRS rely heavily on past user ratings, neglecting food ingredients and overlooking changes in user preferences over time. They also fail to consider users’ communities and food clusters, encounter explainability issues, lack visual aspects of food images, and often do not align with users’ health goals. Additionally, they primarily focus on single-user scenarios, neglecting group dynamics and emotional insights, thereby limiting their effectiveness in real world scenarios.

To address these challenges, we developed six food recommender systems (FRS I to FRS VI). Initially, our primary focus was on recommendation accuracy. However, we recognized that non-accuracy-based measures such as explainability and transparency are also crucial in FRS. Consequently, our next step was the development of an FRS that not only prioritizes accuracy but also emphasizes explainability and transparency. Recognizing the significance of promoting healthy lifestyles through our recommendations, we endeavored to propose health-aware FRS. We observed that while advocating for healthier food choices, there could potentially be a decrease in user satisfaction and overall system performance. Hence, we aimed to strike a balance between these factors by introducing a fairness-aware approach to healthy recommendations. Moreover, to accommodate group preferences, we formulated health-aware food recommendations tailored to group users. Finally, we sought to enhance overall performance and user satisfaction by incorporating and identifying users’ emotional aspects. This integration caters to both the varied preferences of users and the needs of those with distinct emotional attitudes.
 
Tiivistelmä

Ruokasuositusjärjestelmillä on keskeinen rooli elämäntapaa tukevissa palveluissa, sillä ne auttavat käyttäjiä omaksumaan terveellisempiä ruokailutottumuksia. Viime vuosina on kehitetty lukuisia ruokasuositusjärjestelmiä ennustamaan ja ohjaamaan käyttäjien valintoja, mutta niissä on useita rajoituksia. Perinteiset ruokasuositusjärjestelmät perustuvat vahvasti käyttäjien aiempiin arvioihin, eivätkä ne huomioi ruoka-aineiden ainesosia tai muutoksia käyttäjien mieltymyksissä ajan myötä. Ne eivät myöskään ota huomioon käyttäjän yhteisöä ja ruokaklusteria, selitettävyysongelmia, ruokakuvien visuaalista puolta, ja usein ne eivät vastaa käyttäjien terveystavoitteita. Lisäksi ne keskittyvät ensisijaisesti yksittäiskäyttäjien skenaarioihin sekä laiminlyövät ryhmädynamiikan ja käyttäjien erilaiset tunnetilat, mikä rajoittaa niiden tehokkuutta käyttäjillä. Ratkaistaksemme nämä haasteet kehitimme kuusi ruokasuositusjärjestelmää. Aluksi keskityimme ensisijaisesti suositusten tarkkuuteen. Huomasimme, että ei-tarkkuuteen perustuvat mittarit, kuten selitettävyys ja läpinäkyvyys, ovat myös keskeisiä ruokasuositusjärjestelmissä. Tämän seurauksena kehitimme ruokasuositusjärjestelmän, joka ei ainoastaan priorisoi tarkkuutta, vaan korostaa myös selitettävyyttä ja läpinäkyvyyttä.

Ottaen huomioon terveyssuositusten merkityksen terveellisten elämäntapojen edistämisessä, pyrimme ehdottamaan terveyden huomioon ottavia ruokasuositusjärjestelmiä. Huomasimme, että samalla kun edistämme terveellisempiä ruokavalintoja, käyttäjien tyytyväisyys ja järjestelmän yleinen suorituskyky voivat mahdollisesti heikentyä. Tästä syystä pyrimme löytämään tasapainon näiden tekijöiden välillä esittelemällä oikeudenmukaisuuden huomioon ottavan terveellisen suosituslähestymistavan. Lisäksi ryhmien mieltymysten huomioimiseksi laadimme terveyden huomioon ottavia ruokasuosituksia ryhmäkäyttäjille. Lopuksi pyrimme parantamaan järjestelmän kokonaisvaltaista suorituskykyä ja tyytyväisyyttä sisällyttämällä ja tunnistamalla käyttäjän tunnetiloja. Tämä integraatio kehittää käyttäjien yleisiä mieltymyksiä ja erilaisiin tunnetiloihin pohjautuvia tarpeita.
 

Original papers

  1. Rostami, M., Oussalah, M., & Farrahi, V. (2022). A novel time-aware food recommender-system based on deep learning and graph clustering. IEEE Access, 10, 52508–52524. https://doi.org/10.1109/access.2022.3175317 https://doi.org/10.1109/access.2022.3175317

    Self-archived version

  2. Rostami, M., Muhammad, U., Forouzandeh, S., Berahmand, K., Farrahi, V., & Oussalah, M. (2022). An effective explainable food recommendation using deep image clustering and community detection. Intelligent Systems with Applications, 16, 200157. https://doi.org/10.1016/j.iswa.2022.200157 https://doi.org/10.1016/j.iswa.2022.200157

    Self-archived version

  3. Rostami, M., Farrahi, V., Ahmadian, S., Mohammad Jafar Jalali, S., & Oussalah, M. (2023). A novel healthy and time-aware food recommender system using attributed community detection. Expert Systems with Applications, 221, 119719. https://doi.org/10.1016/j.eswa.2023.119719 https://doi.org/10.1016/j.eswa.2023.119719

    Self-archived version

  4. Rostami, M., Aliannejadi, M., & Oussalah, M. (2023). Towards health-aware fairness in food recipe recommendation. Proceedings of the 17th ACM Conference on Recommender Systems, 1184–1189. https://doi.org/10.1145/3604915.3610659 https://doi.org/10.1145/3604915.3610659

  5. Rostami, M., Berahmand, K., Forouzandeh, S., Ahmadian, S., Farrahi, V., & Oussalah, M. (2024). A novel healthy food recommendation to user groups based on a deep social community detection approach. Neurocomputing, 576, 127326. https://doi.org/10.1016/j.neucom.2024.127326 https://doi.org/10.1016/j.neucom.2024.127326

    Self-archived version

  6. Rostami, M., Vardasbi, A., Aliannejadi, M., & Oussalah, M. (2024). Emotional insights for food recommendations. Lecture Notes in Computer Science, 14609, 238–253. https://doi.org/10.1007/978-3-031-56060-6_16 https://doi.org/10.1007/978-3-031-56060-6_16

    Self-archived version

 

Osajulkaisut

  1. Rostami, M., Oussalah, M., & Farrahi, V. (2022). A novel time-aware food recommender-system based on deep learning and graph clustering. IEEE Access, 10, 52508–52524. https://doi.org/10.1109/access.2022.3175317 https://doi.org/10.1109/access.2022.3175317

    Rinnakkaistallennettu versio

  2. Rostami, M., Muhammad, U., Forouzandeh, S., Berahmand, K., Farrahi, V., & Oussalah, M. (2022). An effective explainable food recommendation using deep image clustering and community detection. Intelligent Systems with Applications, 16, 200157. https://doi.org/10.1016/j.iswa.2022.200157 https://doi.org/10.1016/j.iswa.2022.200157

    Rinnakkaistallennettu versio

  3. Rostami, M., Farrahi, V., Ahmadian, S., Mohammad Jafar Jalali, S., & Oussalah, M. (2023). A novel healthy and time-aware food recommender system using attributed community detection. Expert Systems with Applications, 221, 119719. https://doi.org/10.1016/j.eswa.2023.119719 https://doi.org/10.1016/j.eswa.2023.119719

    Rinnakkaistallennettu versio

  4. Rostami, M., Aliannejadi, M., & Oussalah, M. (2023). Towards health-aware fairness in food recipe recommendation. Proceedings of the 17th ACM Conference on Recommender Systems, 1184–1189. https://doi.org/10.1145/3604915.3610659 https://doi.org/10.1145/3604915.3610659

  5. Rostami, M., Berahmand, K., Forouzandeh, S., Ahmadian, S., Farrahi, V., & Oussalah, M. (2024). A novel healthy food recommendation to user groups based on a deep social community detection approach. Neurocomputing, 576, 127326. https://doi.org/10.1016/j.neucom.2024.127326 https://doi.org/10.1016/j.neucom.2024.127326

    Rinnakkaistallennettu versio

  6. Rostami, M., Vardasbi, A., Aliannejadi, M., & Oussalah, M. (2024). Emotional insights for food recommendations. Lecture Notes in Computer Science, 14609, 238–253. https://doi.org/10.1007/978-3-031-56060-6_16 https://doi.org/10.1007/978-3-031-56060-6_16

    Rinnakkaistallennettu versio

 
Kokoelmat