Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Sequential recommendation for food recipes with Variable Order Markov Chain
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Sekventiell rekommendation för matrecept med Variable Order Markov Chain (Swedish)
Abstract [en]

One of the key tasks in the study of the recommendation system is to model the dynamics aspect of a person's preference, i.e. to give sequential recommendations. Markov Chain (MC), which is famous for its capability of learning a transition graph, is the most popular approach to address the task. In previous work, the recommendation system attempts to model the short-term dynamics of the personal preference based on the long-term dynamics, which implies the assumption that the personal preference over a set of items remains same over time. However, in the field of food science, the study of Sensory-Specific Satiety (SSS) shows that the personal preference on food changes along time and previous meals. However, whether such changes follow certain patterns remains unclear. In this paper, a recommendation system is built based on Variable Order Markov Chain (VOMC), which is capable of modeling various lengths of sequential patterns using the suffix tree (ST) search. This recommendation system aims to understand and model the short-term dynamics aspect of the personal preference on food. To evaluate the system, a Food Diary survey is carried to collect users’ meals data over seven days. The results show that this recommendation system can give meaningful recommendations.

Abstract [sv]

En av huvuduppgifterna när det kommer till rekommenderingsplatformar är att modellera kortsidiga dynamiska egenskaper, dvs. användares sekventiella beteenden. Markov Chain (MC), som är mest känd för sin förmåga att lära sig övergångsgrafer, är den mest populära metoden för att ge sig på denna uppgift. I föregående arbeten så har rekommenderingsplatformar ofta tenderat att modellera kortsidig dynamik baserat på långsidig dynamik, t.ex. likheter mellan objekt eller användares relativa preferenser givet olika tillfällen. Att använda den här metoden brukar medföra att användares långsiktiga dynamik, i detta fall personliga smakpreferenser, är alltid densamma. Däremot, så har studien av Sensory-Specific Satiety visat att användares preferenser gällande mat varierar. I detta arbete så undersöks ett rekommenderingssystem som baseras på Variable Order Markov Chain (VOMC) som kan anpassa sig efter den observerade realiseringen genom att använda suffix tree (ST) för att extrahera sekventiella mönster. Detta rekommenderingssystem fokuserar på kortsidig dynamik istället för att kombinera kort- och långsidig dynamik. För att evaluera metoden, en undersökning av vilken mat som konsumeras, under loppet av sju dagar, ges ut för att samla data om vilken mat och i vilken ordning användare konsumerar. I resultaten så visas att det föreslagna rekommenderingsystemet kan ge meningsfulla rekommendationer.

Place, publisher, year, edition, pages
2018.
Series
TRITA-EECS-EX ; 2018:52
Keywords [en]
recommendation system; food recipe; Markov Chain; sequential recommendation
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-223567OAI: oai:DiVA.org:kth-223567DiVA, id: diva2:1184890
External cooperation
Eatit
Supervisors
Examiners
Available from: 2018-02-28 Created: 2018-02-22 Last updated: 2018-02-28Bibliographically approved

Open Access in DiVA

fulltext(1456 kB)25 downloads
File information
File name FULLTEXT01.pdfFile size 1456 kBChecksum SHA-512
6cdcf51ecf88ebb5306a45709d641e75aac58c7f0c3b880e21889a835122dafac4d68d4fc87871fdaab9892df82fedab7cac4b912d50a7f617df394d84871100
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 25 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 66 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf