Calorie Estimation in a Real-World Recipe Service

Copyright © 2020 調和系工学研究室 - 北海道大学大学院情報科学研究院情報理工学部門複合情報工学分野 – All rights reserved.
Calorie Estimation in a Real-World
Recipe Service
北海道大学大学院情報科学研究院
情報理工学部門複合情報工学分野調和系工学研究室
細川万維

Copyright © 2020 Laboratory of Harmonious Systems Engineering Research Group of Synergetic Information Engineering
Division of Computer Science and Information Technology Faculty of Information Science and Technology Hokkaido University – All rights reserved.
• タイトル
– Calorie Estimation in a Real-World Recipe Service
• 著者
– Jun Harashima, Makoto Hiramatsu, Satoshi Sanjo
(Cookpad Inc)
• 出典
– IAAI-20 (2020-04-03発行)
• 論文URL
– https://ojs.aaai.org//index.php/AAAI/article/view/7041
論文情報 2

• レシピの情報からカロリーの推定を行う
– 表現の正規化
– 料理の量の推定
• 上記の問題に関して機械学習の手法を使用
• 結論：サービスの中で実際に運用し運用可能な
性能であることを確認した
論文概要 3

• ネット上には膨大な料理のレシピが存在
– Cookpad：550万件、Yummly：200万件
– ほぼユーザーの自作
• レシピのデータを活用した機械学習の増加
– 写真⇒カロリー推定はある
– レシピの情報⇒カロリー推定がない
• ユーザーの自作レシピのカロリー推定を
そのレシピの情報から行いたい
背景 4

• レシピ情報の成分の正規化
– 成分名を正規化し、材料辞書で検索
⇒含んでいる食材からカロリー含有量を求める
– レシピごとに表記がバラバラ
• 新たま
• オレガノ(あれば)
• 料理の量の推定
– レシピがどれだけの量を生み出すか
– レシピごとに表記がバラバラ
• N人分
• N個
– レシピが何人分なのかを推定したい
カロリー推定の２つのサブタスク 5

• レシピから情報を
取得
• c(r)：レシピrの一人分の
カロリー
• c(i)：成分iの100gあたり
のカロリー
• q(i)：レシピのiの分量
• s(r)：レシピが何人分か
カロリー推定タスクの定義 6

手順
• 成分の表現の正規化
• 以下の情報をレシピ、および材料辞書から取得
– c(i)：成分iの100gあたりのカロリー
– q(i)：レシピの成分iの分量
• 以下の情報をレシピから推定
– s(r)：レシピが何人分なのか
• 先ほどの式に代入してレシピのカロリーを推定
カロリー推定の流れ 7

表現の正規化タスク 8
表現の正規化タスク
＝翻訳問題
Encoder-Decoderモデル

表現の正規化タスク 9
• モデルはできる限りシンプルに
– いろいろ追加できるメカニズムがあるが、
劇的に改善されなかったため適応していない

料理の分量推定タスク 10
• 以下のように分量(serving)を推定
• 栄養士の意見を参考に一種類の分量を推定

料理の分量推定タスク 11
• モデルは２種類
– シングルソース
– マルチソース
• 回帰問題ではなく分類
問題として扱う
– 何人前かの量はレシピの
分量の倍数か除数
– 連続値を扱う回帰モデル
ではなく離散的な分類モ
デルのほうが適切

アーキテクチャの概要 12

赤い矢印：
モデルのトレーニングセット
サービスからデータを取得
３人の管理栄養士がアノテーション

緑の矢印：
モデルの学習と
更新
AWSのGPUイン
スタンスと
PyTorchを使用
+GitHub,Jenkins

青の矢印：
モデルの実行方法
毎日アップロード
されたレシピから
正規化されていな
い食材を選ぶ
正規形を推定
データベースに格
納(推定結果は人が
大まかに確認する)
一人分の分量を推定

黄色の矢印：カロリーを推測する方法
レシピ、データベースの情報をカロリー算出式に
代入しカロリーを出す(人の手が入っているので正確)

結果：表現の正規化タスク 17
• 18,805の成分を収集
→辞書に従い手動で正規化
• 正規化しても同じ表現のものを削除し残りの
16,719個の食材を実験のデータセットに使用
– トレーニング：13,375 開発：1,672 テスト：1,672
• エンコーダーデコーダーにはLSTMを使用

結果：表現の正規化タスク 18
手法を見直したり、
トレーニングセットを
拡張することでより精度
を上げていきたい

結果：料理の分量推定タスク 19
• 5,279件のレシピを収集
⇒一人のアノテーターが分量を推定
– 1から20人前までのカテゴリーに分類
– アノテーターはレシピのすべての情報をレシピから
推定
– トレーニング：4,223 開発：528 テスト：528
• エンコーダーデコーダーにはLSTMを使用

• シングルソースの結果のほうが良かった
– 全レシピのうち約半数は数値そのままでよい
→レシピの分量のデータのみで推定可能
– 残りの半数にはタイトルの情報が必要
→学習例が少なすぎてタイトルが必要なレシピの
学習ができなかった
• 例１：タイトル：マフィン分量１⇒1人前
• 例２：タイトル：ケーキ分量１⇒8,6,4人前
単純に数字だけ取り
出してきた結果が
正解の例が約半数

• 人間が量を推定してもばらつきが出る場合も
– タイトルと分量だけでなく、ケーキの小麦粉など
材料の分量にも注目しないと当てられないものもある

結果：カロリー推定タスク 22
アサリの炊き込みご飯の
一人前のカロリー：306
このようにして2019年の時
点では10万以上のレシピの
カロリーを推定している

まとめ 23
• オンラインレシピのカロリー推定とMLベースの
手法を組み合わせた初めての試み
– 食材の正規化：neural translation model
– 分量の推定：neural classification model
• 実際のサービス内で運用し使用するのに十分な
性能があることを確認
• 上記のシステムで扱えない食材やレシピも確認
⇒今後適応できるようにしていきたい

Calorie Estimation in a Real-World Recipe Service

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Calorie Estimation in a Real-World Recipe Service

Similaire à Calorie Estimation in a Real-World Recipe Service (20)

Plus de harmonylab

Plus de harmonylab (18)

Dernier

Dernier (9)

Calorie Estimation in a Real-World Recipe Service