ユーザの好みと献立バランスを考慮したレシピ入替えを行うグループ向け献立推薦

(1)

DEIM Forum 2016 E2-1

ユーザの好みと献立バランスを考慮したレシピ入替えを行う

グループ向け献立推薦

西脇

崇文

†

清

雄一

†

田原

康之

†

大須賀昭彦

†

電気通信大学情報システム学研究科

182–8585

東京都調布市調布ケ丘１–5–１

E-mail:

†

[email protected],

††{

sei,tahara,ohsuga

}

@is.uec.ac.jp

あらまし本研究は，共に食事をするグループのために構成員全体の好みを考慮した献立を推薦することを目的とす

る．そのため，献立に含まれる好みでないレシピの入替えを行った後にグループ向けの献立推薦を行うことにより推

薦結果の満足度を高める手法を提案する．レシピ入替えは，各レシピ間の共起度と類似度を基に最も献立と相性の良

いレシピを見つけ出し代替レシピとすることにより実現する．複数のグループに対して推薦を行い，推薦された献立

に対するグループの満足度，入替えをした献立の妥当性の 2 つの観点から評価実験を行い提案手法の有効性を確認し

た．本研究は，多くの人が好ましいと感じるバランスを考慮しながら複数のコンテンツを組合せてグループ向けの推

薦を行う点で新規性がある．

キーワードグループ向け推薦，献立，レシピ入替え，投稿型レシピサイト

1. はじめに

近年，クックパッド[1]や楽天レシピ[2]など，投稿者が自由にレシピを作成し，多数の閲覧者に作成したレシピを公開することができる投稿型レシピサイトが登場している．それらの投稿型レシピサイトには膨大な数のレシピが投稿されている．またクックパッドでは，レシピのみではなく複数のレシピを組み合わせた献立をユーザが作成して投稿することもできる．投稿型レシピサイトは食に関する多様なコンテンツを社会に広めることにより，私達の食生活をより豊かにしてくれる．投稿型レシピサイトに投稿された献立を利用するためには，ユーザは投稿された献立の中から自分の目的にあった献立を検索する必要がある．しかし，投稿型レシピサイトには膨大なコンテンツが存在するため，自分の目的にあった献立を見つけ出すことが困難になりつつある．例えば，投稿型レシピサイトの献立検索でメジャーなレシピである「カレー」をキーワードに献立を検索すると3244件もの献立の検索結果が表示される．上記の問題の解決のため膨大なコンテンツの中からユーザの好みのコンテンツを見つけ出すための推薦システムの研究が進められている．推薦システムの多くは個人のユーザを対象としたものであるが，グループのユーザを対象とした研究も進められている．投稿型レシピサイトに投稿されたコンテンツの中には，献立など，個人のユーザではなく家族や友人などグループで消費するコンテンツも存在しており，多様なユーザのニーズに対応するためグループを対象とした推薦システムの研究も必要とされている．多くのグループ向け推薦システムはグループに所属する個人の情報を基に，個人のコンテンツへの好みを束ねあわせることによってグループ向けの推薦を実現する．しかし，献立を推薦する場合，献立は複数のレシピが組み合わさって成立しているため，グループのメンバー中に一人でも献立に含まれたレシピが嫌いなメンバーがいる場合，献立の全体の評価が下がってしまう．そのため，献立に含まれた嫌いなレシピ以外のレシピが活かされないという問題がある．そこで，本研究ではグループのメンバーの材料と料理カテゴリの好みを基に，献立のレシピから嫌いなレシピを抽出し入替えを行い，レシピ入替えを行った献立を推薦することで，グループの推薦結果への満足度を向上させることを目標とする．そのための手法として，まず，献立のバランスを考慮した献立とレシピの入替えを行う．献立にユーザの嫌いな材料やカテゴリのレシピが含まれていた場合，推薦対象者が嫌いな材料・レシピカテゴリが含まれていないレシピの中から最も献立と相性の良いレシピを代替レシピとして入替える．このことにより，献立から嫌いなメニューを取り除きつつ，献立のバランスへの影響を最小限に抑えることができる．次に，献立のグループ向け推薦を実現するために，精度の高いグループ向け映画推薦の既存手法[11]の献立推薦への応用を行う．既存手法では映画を対象としているが，映画に対してユーザが多くの評価を実施済みであることを前提としている．しかし，献立の場合，グループの各メンバーが多くの評価をシステム上で実施済みの状況を想定することは困難である．そのため本研究では，各メンバーの食の好みを用いて献立を推薦するように手法の改善を行った．最後に本研究ではアンケート調査により入替えをした献立のグループの満足度と，入替えをした献立の妥当性を評価した．具体的には，レシピの入替えを行った場合の献立の推薦結果と，行わなかった場合の献立の推薦結果の2つの結果を用意し，ユーザにアンケート調査を行うことで推薦結果の満足度を評価した．さらに，8人の栄養士にアンケート調査を行い，入替えの前後の献立のバランスを比較することで，入替えの妥当性を評価した．

(2)

以下に，本論文の構成を示す．2.章に本研究の背景を説明し， 3.章で提案手法の概要を，4.章で提案手法に用いるデータの事前処理の説明を行う．本研究の提案手法は大きく2つのシステムに分かれ，5.章で提案手法の前半部分を，6.章で後半部分を説明する．7.章で提案手法の評価を行い，8.章で評価結果の考察を行う．9.章で関連研究について説明する．10.章で本研究のまとめを説明する．

2. 背

景

2. 1 想定シナリオ本研究の提案手法は複数人のグループでともに食事をする状況を想定する．各々のメンバーは食事の献立に対し独自の好みを持っており，メンバー全体の好みが反映された献立が検索できればグループ全体の満足度が向上すると考えられる．以下に例を挙げる．ここでは，ある3人家族を対象にして想定シナリオの説明をする．3人の名前をA，B，Cとする．A とBの好きな材料は「鶏肉」で，Cの嫌いな食べ物は「玉葱」であったとする．この家族に「ご飯」と「鶏の唐揚げ」と「玉葱サラダ」からなる「唐揚げ定食」が推薦候補に挙げられたとする．家族内のAとBは材料に鶏肉が含まれる「鶏の唐揚げ」があるので献立の評価は高い．しかし，Cは「玉葱」が含まれる「玉葱サラダ」があるので献立の評価は低い．そのため，この家族の「唐揚げ定食」の評価は悪くなると想定されるため，通常，システムは「唐揚げ定食」を推薦しない．提案システムでは，「ご飯」と「鶏の唐揚げ」と相性の良い「ツナサラダ」と入替えることにより，Cの嫌いな材料がなくなり，家族が献立に満足するようになる． 2. 2 投稿型レシピサイト図1にレシピサイトのサイト構成の例を示す．まず献立ページは献立名，献立の写真，献立の説明，献立に含まれるレシピの一覧で構成されている．レシピの一覧からは，各レシピページにリンクが張られている．レシピページはレシピの写真，レシピの説明，調理手順，調理レポート，サイト利用者，レシピのカテゴリで構成されている．「調理レポート」とは，サイト利用者が，写真や感想などで，投稿されたレシピを実際に作ったことを記録する機能である．サイト利用者が「調理レポート」したレシピは，概して，サイト利用者の好みに合ったレシピと考えられる．レシピのカテゴリは，「お肉のおかず」や「鍋物」など料理の分類を示すものである．本研究では，投稿型レシピサイトから，献立に含まれるレシピ，レシピが含む材料，「調理レポート」を投稿したサイト利用者の情報を用いる．

3. 提案手法の概要

提案手法の全体的な流れを図2に示す．提案手法は大きく分けて，献立のレシピ入替えと，献立のグループ向け推薦の2つのシステムに分類される．提案手法では，先に献立のレシピ入替えを行う．献立のレシピ入替えは，推薦候補の献立に含まれるすべての嫌いなレシピを入替えることによって，どのような図 1 レシピサイトの構成献立が推薦されても推薦対象者が嫌いな材料を含む献立が推薦されることを目的とする．そのため推薦対象の献立に含まれるレシピから推薦対象者の嫌いな材料が含まれるレシピを，嫌いな材料が入っていないレシピと入替える．この際，献立のバランスを崩さないレシピ入替えを行う必要がある．たとえば，ある献立にサラダが一品だけ含まれていて，このレシピを他のレシピと入替える場合，肉料理よりも野菜料理に入替えたい．献立のバランスを崩さない献立のレシピを入替えるために，献立とレシピの相性度を定義し，嫌いな材料が含まれるレシピを相性度が高いレシピと入替えることによって，献立のバランスを崩さないレシピ入替え手法を提案した．次にグループ向けの献立推薦を行う．献立推薦は既存手法を献立に応用したもので，ユーザ，レシピ，献立の類似度と関係性のグラフを構築し，ランダムウォークという手法を用いてグループのメンバーの好みを組み合わせることによってグループ向けの推薦を実現する．最終的には，推薦対象者の嫌いな材料が入っていない，グループ全体の好みを考慮した献立がランキング形式で推薦される．また，本研究では材料の表記揺れを除去するために事前処理を行った．図 2 提案手法の流れ

4. 事前処理

レシピサイトに投稿されるレシピの材料の名前は一般にユーザの自由記述となっている．その為，同じ食材でも様々の表記

(3)

の方法が存在する．例えば，「玉葱」という食材でもひらがなで「たまねぎ」であったり，「○玉葱」や「＊玉葱」などレシピの調理手順を表すため，材料名に記号が入っていたりする．このように，材料の表記にゆれが存在するため，実際には同一の材料であっても，表記の違いにより異なる材料となってしまう．また，同じ食材でも表記の仕方で役割が異なる材料も存在するため，単純に表記ゆれを除去することができない．そのため，本研究では，手作業で表記ゆれであるかどうかを判断し，リストを作成することで材料の表記ゆれを除去した．

5. 献立のレシピ入替え

献立のレシピ入替えは，推薦対象の献立の中からグループの嫌いな材料が含まれているレシピを，献立のバランスを考慮した，グループの嫌いな材料が含まれていないレシピと入替えることにより，献立をグループの満足度の高いレシピに組み替えることを目的とする．そのため，入替え候補レシピと献立の相性度を求め，最も献立との相性度の高い入替え候補レシピを代替レシピとする．入替え候補レシピと献立との相性度は，5. 2節の手法により，入替え候補レシピと献立に含まれる各レシピとの相性度を5. 2. 1 節で定義する「最小値法」か，5. 2. 1節で定義する「平均値法」によって組み合わせることによって求める．レシピ間の相性度は，5. 1節の手法により，レシピの共起度と類似度を組み合わせることによって求める．相性度が高いほど2つのレシピはバランスが良いとする． 5. 1 レシピ間の相性度献立と入替え対象レシピの相性度は，献立に含まれる各レシピと入替え対象レシピの相性度の組み合わせである．レシピ間の相性度を求めるため，共起度と類似度の2つの指標を定義する．レシピ間の共起度は2つのレシピが同じ献立に含まれている割合であり，レシピ間の類似度は2つのレシピが共通の材料を含む割合である．共起度を求めるためには2つのレシピが同じ献立に含まれる必要があるため，多くのレシピ間では求められない．共起度と類似度の2つの指標を組み合わせることによって，同じ献立に含まれる各レシピと類似したレシピとの相性度を求める手法を提案する．そのため，レシピをノード，共起度と類似度をリンクの重みとしたグラフを構築し，相性度を測る2つのレシピ間の最短経路距離の逆数を求め相性度とする． 5. 1. 1 共起度レシピ間の共起度は2つのレシピが同じ献立に含まれている割合である．レシピiを含む献立の集合をX ={m1, m2,· · · ms}，レシピjを含む献立の集合をY ={m1, m2,· · · rt}とする．レシピiとレシピjの共起度は式によって求める． occij=|X ∩ Y | |X ∪ Y | (1) 5. 1. 2 類似度レシピ間の類似度は2つのレシピが共通の材料を含む割合である．レシピiの材料の集合をX ={f1, f2,· · · fa}，レシピj の材料のY ={f1, f2,· · · fb}とする．レシピiとレシピjの類似度はによって求める. simij= |X ∩ Y | |X ∪ Y | (2) 5. 1. 3 レシピ間の相性度の算出グラフを献立に含まれるレシピ毎に作成する．献立に含まれるレシピの集合をMとして，各レシピrecipei∈ M についてグラフGiを構築する．ノード間の共起度，類似度が大きいほどリンクの重みを小さくしたい．レシピをグラフGiのノードとし，recipejのノードをnjとする．任意のノードnjとnkの間のリンクの重みをlj,kとすると，リンクの重みは式3で求める．献立に含まれるあるレシピriとの共起度が0より大きいレシピ集合をSとし，riと各レシピrj∈ Sとをリンクでつなぎ，その重みを2− occijとする．また，任意のレシピrj, rk(i≠j, k) について，このレシピ間の類似度が0より大きい場合は，rjと rkをリンクでつなぎ，その重みを2− simijとする．lj,kが設定されていないノード間にはリンクは存在しない． ljk=    2− occj,k (occjk |= 0, i = j, j |= k) 2− simj,k (simjk |= 0, i |= j, k, j |= k) (3) 構築したグラフG上のrecipeiとrecipelのノード間の最短経路の逆数を求め相性度とする．本研究ではダイクストラ法を用いることによってグラフGiを上の最短経路距離を求めた．これによって、レシピ間の距離が小さいほど相性度が高くなる．． Score = 1 dijkstra(Gi, ri, rj) (4) 5. 1. 4 レシピ間の相性度の算出例図3にレシピ間の相性度の求め方の例を示す．図3で重みが共起度であるリンクは破線で示した．献立に含まれるレシピである「牛蒡サラダ」と共通の献立に含まれるレシピのノード間のリンクの重みは，1− occijとする．「牛蒡サラダ」と共に献立に含まれないレシピ間のリンクのは1− simijを用いて重みを計算する．「牛蒡サラダ」と各レシピ間の最短経路を計算し，「牛蒡サラダ」と各レシピの相性度とする．図 3 レシピ間の相性度の計算の例 5. 2 レシピ・献立間の相性度レシピ・献立間の相性度を求める．本研究ではレシピ・献立間の相性度を求める手法として最小値法と平均値法の2つの指標を定義した．

(4)

5. 2. 1 最小値法献立に含まれるレシピと入替え対象レシピの最も低い相性度を，献立全体と入替えレシピの相性度とする．献立mに含まれるレシピの総数をnとする．献立mに含まれる各レシピと入替え対象レシピの相性度の集合をP = (p1, p2,· · · , pn)とする．献立mと各レシピのスコアは式5によって求める． minScore = min(p1, p2,· · · , pn) (5) 5. 2. 2 平均値法献立とレシピの相性度を献立に含まれる各レシピとの相性度の平均を，献立全体と入替え対象レシピとの相性度とする．そのため，献立とレシピの相性度を式6で定義する． aveScore = ave(p1, p2,· · · , pn) = ∑n i(pi) |P | (6) 5. 2. 3 レシピ・献立間の相性度の例「ご飯」「みそ汁」「唐揚げ」の3品からなる献立があったとする．入替え対象のレシピとして「牛丼」，「スープ」，「ハンバーグ」，「サラダ」の4品があったとする．各レシピ間の相性度の例を表1に示した．表 1 レシピ間の相性度の例牛丼スープハンバーグサラダご飯 0.2 0.33 3.33 0.45 みそ汁 1.47 0.25 0.77 0.4 唐揚げ 0.45 0.31 0.33 0.5 表2に表1の献立の相性度を，最小値法と平均値法ごとに示した．最小値法でレシピ間の相性度を組み合わせた場合，どのレシピとも比較的相性度の良い「サラダ」が最も献立と相性度の高いレシピとなる．一方，平均値法を用いた場合，「ご飯」と「ハンバーグ」の相性度が高いため，「ハンバーグ」が献立と最も相性度の高いレシピとなる．表 2 献立・レシピ間の相性度の例牛丼スープハンバーグサラダ最小値法 0.2 0.25 0.33 0.4 平均値法 0.71 0.30 1.48 0.45 5. 3 献立のレシピ入替え献立に含まれるグループが嫌いな材料を含むレシピを，献立との相性度が最も高いレシピとの入替えることで献立との相性度を考慮したレシピ入替えを行う．献立に嫌いな材料を含むレシピが複数含まれていた場合，嫌いな材料を含む全レシピに対してレシピ入替えを行い，献立から嫌いな材料を含む全レシピを入替える．献立Sに含まれるレシピの集合をS ={s1, s2,· · · , sn}，入替え対象レシピをR ={r1, r2,· · · , rl}，グループの嫌いなレシピをH ={s′1, s′2,· · · , s′m}とする．s′i∈ Sの場合，S′= S−{s′i} として，献立S′と各レシピrj∈ Rの相性度を求め，最も相性度が高いレシピを代替レシピとしてS′に追加する． 5. 3. 1 献立のレシピ入替えの例献立mに含まれるレシピを{ご飯,味噌汁,玉葱ハンバーグ, 玉葱サラダ}とする．グループの嫌いな材料を「玉葱」とする．「玉葱」を含む「玉葱バンバーグ」を献立から取り除き，{ご飯,味噌汁,玉葱サラダ}と相性度の最も高いレシピ，「茄子ハンバーグ」など，を代替レシピとして追加する．次に，「玉葱サラダ」を献立から取り除き，{ご飯,味噌汁,茄子ハンバーグ} と相性度が高いレシピ，「牛蒡サラダ」など，をレシピとして追加する．最終的に献立mに含まれるレシピは，{ご飯,味噌汁, 茄子ハンバーグ,牛蒡サラダ}となる．

6. レシピ入替後の献立のグループ向け推薦

本研究では既存研究の中で精度の高い映画向けのグループ向け推薦手法[11]をレシピ推薦に拡張した手法を提案する．[11] の手法はユーザの映画への評価を用いて，ユーザ間，映画間の類似度を求め，推薦対象者の好みを束ね合わせることによって映画のグループ向け推薦を実現している．本研究では入替えを行った献立にはユーザの評価の情報がないため，ユーザの評価の情報の代わりに，ユーザの材料の好き嫌いから，好きな材料が入っているレシピを，そのユーザが好むレシピとした．また，推薦対象者と似たユーザの好みを推薦結果に反映するため，サイト利用者間の類似度も求め，推薦手法に反映させた．献立推薦を行うため，ランダムウォークによって，グループの食事の好みを組み合わせ，グループ全体が満足するレシピ入替後の献立の推薦を実現する．グループ向け献立推薦の全体の流れを図4に示す．まず，ユーザ・レシピ・献立の関連性を表すグラフを構築する．構築したグラフとランダムウォークという手法を用いて，グラフの中から結びつきの強いノードを見つけ出し，グループ全体が満足する献立として推薦する．図 4 グラフ全体の流れ 6. 1 献立推薦のグラフの構築図5にグラフの全体図を提示する．グラフは大きくユーザ層，レシピ層，献立層の3層に分かれている．各層はノード間の類似度をリンクの重みとしている．本節では，類似度を求めることによって各層を構築し，各層を組み合わせることで全体のグラフを構築する手法を説明する．

(5)

6. 1. 1 ユーザ層の構築まず，ユーザ層について説明する．ユーザ間の類似度はユーザのレシピリストの類似度とする．ユーザにはサイト利用者と推薦対象者の2種類が存在する．まず，サイト利用者のレシピリストの求め方から説明する．レシピ投稿サイトには「調理レポート」という機能が存在し，投稿されたレシピに対して，レシピを作ったことを紹介するレポートを投稿することができる．サイト利用者は複数のレシピに対し「調理レポート」を投稿することができる．「調理レポート」を投稿したサイト利用者は作ったレシピに対して肯定的な評価をしていると考えられる．そして，同じような「調理レポート」の履歴を持つユーザは同じような好みを持つと考えられる．そのため，レシピリストはサイト利用者が「調理レポート」したレシピの集合である．次に推薦対象者のレシピリストの求め方を説明する．推薦対象者はシステムに好きな材料とカテゴリを入力する．本研究では推薦対象者の好きな材料を含むレシピ，もしくはカテゴリに関連するレシピを推薦対象者の好むレシピとする．そのため，レシピリストは，入力した材料が含むレシピと好きなカテゴリに含まれるレシピを含む．最後に，レシピリストを用いてユーザ層の構築の方法を説明する．サイト利用者と推薦対象者の合計数をmとすると，ユーザ層はmのユーザ間の類似度の行列U として表す．ユーザi のレシピリストをXとする．ユーザjのレシピリストをY とする．ユーザiとユーザjの類似度は式7で求める．式7はユーザのレシピリストの一致度を示す値である． Uij=|X ∩ Y | |X ∪ Y | (7) 6. 1. 2 レシピ層の構築次に，レシピ層について説明する．レシピ投稿サイトのレシピは複数の献立に含まれている．レシピが含まれる献立を基にレシピ間の類似度の層を構築する．レシピの類似度は5.章で用いた式1で求める．レシピの類似度を求めることによりユーザが好むレシピと似たレシピが含まれる献立を推薦することができる． 6. 1. 3 献立層の構築最後に，献立層について説明する．献立は複数のレシピで構築されている．献立数をlとすると，献立層はlの献立間の類似度の行列Mとして表す．献立iが含むレシピの集合をXとする．献立jが含むレシピの集合をY とする．献立iと献立j の類似度は，式8で求める．式8は2つの献立に含まれるレシピがどれだけ一致しているかという値である． Mij= |X ∩ Y | |X ∪ Y | (8) 献立に含まれるレシピの類似度を計算することで，ユーザが好むレシピが含まれる献立と似た献立を推薦することができる． 6. 1. 4 層間のリンクの設定ユーザ・レシピ・献立の3層はそれぞれのリンクで結ばれる. ユーザ・レシピ間のリンクは，ユーザのレシピリストにレシピが含まれる場合につなぐ.ユーザ・レシピ間の関係はm× nの行列U Rとして表す.ユーザiとレシピjの関係U Rijは,式9 によって表す． U Rij=    1, (ユーザiがレシピjをレポート) 0, otherwise (9) レシピ・献立間のリンクは献立にレシピが含まれている場合につなぐ．このことによってユーザが好むレシピが含まれる献立が推薦される．レシピ・献立間の関係はn× lの行列RMとして表す.レシピiと献立jの関係RMijは,式10に表す. RMij=    1, (献立iがレシピjを含む) 0, otherwise (10) 本研究ではグラフを隣接行列Gとして表す．隣接行列Gは対称行列であり，一辺の長さがユーザ数，レシピ数，献立数の合計となっている．グラフGは式11で表す． G =     U U R 0 (U R)T R RM 0 (RM )T M     (11) また，本研究では，各ノードから出ているリンク数を制限するため，値が大きい上位10件のリンクのみを利用する．その後，各ノードから出ているリンクの重みの合計が1となるようにリンクの重みを正規化した．図 5 グラフの全体 6. 2 献立推薦のアルゴリズム献立リストの作成手法について説明する．まず，構築したグラフ上をリンクの重みを確率変数としてランダムに移動するポインタを用意する．これによって，結びつきの強いノードのポインタの訪問回数が多くなる．図6にポインタの移動のイメージを示す．まず，推薦対象者のノードからランダムに一つノードを選んでポインタの出発点とする．ポインタは類似度や関連性などリンクの重みを確率変数としてランダムに移動を繰り返す．移動を繰り返すごとに訪問したノードは，訪問数が1ずつ加算されていく．また，推薦対象者と結びつきの強いノードを発見するため，移動を繰り返す際，一定の確率aでポインタの現在位置にかかわらず，推薦対象者のノードにポインタは移動する．この動作を何度も繰り返すことによって推薦対象者の近くのノー

(6)

ドほど訪問する確率が高くなる．ポインタは予め決めておいた x回の移動を行う．xの値が大きいほど推薦結果の精度が向上する．また，xの値が大きいほど献立推薦に必要な計算時間が増加する．移動を終えた時点でランダムウォークは終了とし，ノードの中から献立のノードのみを抽出する．献立のノードを抽出してポインタの訪問回数の多い順にソートしてグループ向けの献立ランキングとして推薦する．図 6 ポインタの移動のイメージ

7. 評

価

7. 1 評価方法本節では，提案手法に対して， • 提案手法によって推薦された献立のグループ満足度 • 入替えを行った献立の妥当性という2つの観点から評価実験を行った．実験には，投稿型レシピサイトであるクックパッドのデータベースを用いた．また，レシピの「調理レポート」として，クックパッドの「つくレポ」の情報を用いた． 7. 2 比較手法提案手法を比較評価するため，ベースラインとして「オリジナル」と「類似度法」の手法を用いた．「オリジナル」は献立のレシピ入替えを行わずグループ向けに献立を推薦する手法である．献立のレシピの入替えを行わないため，献立のバランスの良さという観点では最も精度が高い手法と考えられる．「類似度法」は，グループが嫌いな材料を含む入替え対象レシピとユーザの嫌いな材料を含まない全レシピとの類似度を式2によって計算し,ユーザの嫌いな材料を含まないレシピの中から最も類似度の高いレシピを代替レシピとして入替える手法である. 7. 2. 1 献立推薦の満足度推薦された献立のグループの満足度の評価方法をアンケートにより評価した．被験者の大学院生男女合計10人を対象としてアンケート調査で行った．被験者はそれぞれメンバの異なる 2つのチームに所属して，4人のメンバーが所属するの5つのチームにランダムに分けてアンケート調査を行った．まず，グループ向け推薦を行うために必要な情報を得るため，各被験者の好きな材料，好きなカテゴリ，嫌いな材料，嫌いなカテゴリをアンケートにより調査した．アンケートの結果を用いて提案手法により，データベースから各々のグループの満足度の高い献立を推薦した．入力する好きな材料数，好きなカテゴリ数，嫌いな材料は被験者一人につき最大で3つまでとした．提案システムのランダムウォークのポインタが推薦対象者のノードに戻る遷移確率aは既存手法と同じで最も制度が高い0.15とした．推薦された献立のランキングの上位10件をグループの満足度が高い献立とした．推薦された献立の妥当性を評価するために，再度，被験者にアンケートを行ない，献立を各レシピ入替え手法ごとに上位10 件の推薦結果を献立名は提示せずレシピのリストのみ提示し，献立をランダムな順序に並べ替えで被験者に提示した．被験者は提示された献立に対し満足度を5段階で評価した．「この献立を食べたいか」という質問で評価を行った． 7. 2. 2 レシピ入替えの妥当性レシピを入替えた献立が献立として成り立っているかをアンケートにより評価した．まず，「オリジナル」，「類似度法」，「平均値法」，「最小値法」ごとに献立の推薦を行った．その後，各手法ごとに推薦された献立をランダムで5件ずつ，合計で20 件抽出した．被験者は8人の栄養士を対象とし，献立は被験者が入替えを行ったかどうかがわからないように，献立名は伏せ，レシピのリストのみを提示しランダムな順番で並び替えた．アンケートでは献立バランスを5段階の評価で依頼した．献立バランスとは献立のレシピの食べ合わせや栄養の適性をはかるものであり，「この献立のバランスは良いか」と質問することで評価を行った．アンケートの解答率は75%だった． 7. 3 データセットクックパッド株式会社が国立情報学研究所と協力して研究者に提供しているデータセットを本実験では利用した. このデータ内では,35928件の献立データがあった.献立には献立を閲覧したユーザによって「参考になった!」の評価が付けられており, 本実験では質の高い献立のみを推薦の対象とするために,「参考になった!」の数が30件以上の献立のみを抽出して提案手法による献立推薦の対象とした.抽出された献立数は 5329件であり,抽出された献立に含まれるレシピの件数は14645件であった.本実験では献立に含まれるレシピを入替えに利用するレシピとした. 計算時間が多大と成ることを防ぐために,入替えに利用するレシピに「つくレポ」を投稿したユーザの中から,つくレポ投稿数をもとに3362人を抽出して利用した.表3に評価に使用したデータの数値をまとめる. 表 3 評価に用いたデータ数献立数レシピ数ユーザ数 5329件 14645件 3362人 7. 4 評価結果 7. 4. 1 献立推薦のグループの満足度本項では，献立推薦のグループの満足度の結果を示す．グループの満足度は，各手法ごとに推薦した献立に対する被験者の評価の平均点を用いた．図7はレシピを入替える前後の献立を推薦した結果に対する被験者の推薦結果の上位n件までの評価の平均である．n = 10 の場合，本研究のベースラインとして用いた「オリジナル」は

(7)

被験者の推薦された献立に対する評価の平均点は3.14だった．「類似度法」は3.22だった．「平均値法」に対する評価の平均点は2.92だった．「最小値法」に対する評価の平均点は3.26だった．「平均値法」はベースラインと比較して評価が低かった．「最小値法」はベースラインである「オリジナル」と比較して評価が高く，「類似度法」と比較しても僅差であるが評価が高かった．以上のことから，本研究の提案手法のうち「最小値法」は「平均値法」より献立のレシピ入替えに有効であり，ベースラインと比較しても有効であることがわかった．表 4 推薦結果の上位 n 件までの評価の平均 オリジナル類似度法平均値法最小値法 n = 1 2.94 3.00 2.88 3.29 n = 3 2.76 3.16 2.84 3.35 n = 5 2.86 3.12 2.87 3.21 n = 10 3.14 3.22 2.92 3.26 7. 4. 2 レシピ入替えの妥当性栄養士によるレシピ入替えの前後での献立のバランスの変化を評価した．栄養士に献立のバランスの評価を依頼した．レシピ入替えの前後での評価の平均の結果を表5に表した．表 5 レシピ入替えの妥当性オリジナル類似度法平均値法最小値法評価 3.4 2.95 2.53 3.4 被験者の各手法に対する評価の平均は「オリジナル」は3.4，「類似度法」は2.95，「平均値法」は2.53，「最小値法」は3.4となった．「平均値法」は評価が2.53となり，「オリジナル」の評価である3.4と比較してバランスの評価が下がった．また，ベースラインである「類似度法」の評価である2.95と比較しても評価が低かった．「最小値法」は評価が3.4となり「類似度法」と比較して評価が高かった．また，「オリジナル」と比較しても献立のバランスの評価が同じだった．レシピ入替えを行わない献立は最もバランスが良いと考えられるため，「最小値法」によるレシピ入替えは，献立のバランスに影響を与えなかったと考えられる． 7. 5 レシピ入替えの結果の例表6に「葱」が嫌いなグループの実験データを用いた，レシピ入替えの一例を示す．表6の「オリジナル」の「トマトときゅうりのパクパクサラダ」に推薦対象者の嫌いな材料である「葱」が含まれていたため，レシピ入替えの対象になった．「類似度法」では，レシピの雰囲気が違う「☆ピリ辛レンコン炒め☆」に入替わった．これは，類似度を計算する際，材料の中で「すりごま」「めんつゆ」「砂糖」などの調味料が多く一致し，レシピ間の類似度が高くなったためと考えられる．「平均値法」では，すでに献立に含まれている「ピーマンの消費に超簡単焼きピーマン」と雰囲気の似た「簡単★ピーマンの肉詰め」に入替わった．これは，「ピーマンの種を簡単に取り出す方法」など，ピーマンととても相性度の高いレシピが献立に含まれていたため，献立に含まれるレシピとの平均的な相性度が高くなったためと考えられる．「最小値法」では，献立から取り除いたレシピである「トマトときゅうりのパクパクサラダ」とレシピの雰囲気の似た「安いトマトが激ウマに!トマトの胡麻和え」に入替わった．表 6 レシピ入替えの結果の例オリジナル類似度法平均値法最小値法大根とひき肉で簡単とろ∼り煮物大根とひき肉で簡単とろ∼り煮物大根とひき肉で簡単とろ∼り煮物大根とひき肉で簡単とろ∼り煮物ピーマンの消費に超簡単焼きピーマンピーマンの消費に超簡単焼きピーマンピーマンの消費に超簡単焼きピーマンピーマンの消費に超簡単焼きピーマン献立に含まれるレトマトときゅうりのパクパクサラダ ☆ ピリ辛レンコン炒め ☆ 簡単 ★ ピーマンの肉詰め安いトマトが激ウマに! トマトの胡麻和えシピ名ピーマンの種を簡単に取り出す方法ピーマンの種を簡単に取り出す方法ピーマンの種を簡単に取り出す方法ピーマンの種を簡単に取り出す方法

8. 考

察

8. 1 献立推薦のグループの満足度本研究ではレシピ入替えの提案手法として「平均値法」と「最小値法」の2つの手法を提案した．「平均値法」はベースラインと比較して有効性が確認できなかった．「平均値法」は栄養士による献立バランスの評価が低く，他の手法と比較してバランスの悪い献立が推薦されたことが原因であると考えられる．「最小値法」はベースラインと比較して有効な手法であることが確認された．「最小値法」は栄養士による献立バランスの評価が，入替えを行わない「オリジナル」の献立とほぼ同じであり，推薦対象となる献立からグループの嫌いな材料を取り除いたことによって，グループのメンバーの嫌いなレシピが推薦されなかったからであると考えられる．結果として，本研究の提案手法のうち最も有効な献立のレシピ入替え手法は「最小値法」であると考えられる． 8. 2 献立入替えの妥当性献立のレシピ入れ会の妥当性を考察する．「平均値法」は，献立のレシピ入替えを行わない「オリジナル」と比較して献立のバランスが大きく下がった．また，「類似度法」と比較しても評価が低かった．「平均値法」は献立に含まれる各レシピとの相性度が平均的に高い入替え対象レシピを代替レシピとして選択している．そのため，献立に含まれるレシピの中に一つでも相性度が高いレシピが存在した場合，他のレシピとの相性度が低くても代替レシピとして選択される．そのため，相性度の低いレシピ同士が同じ献立に含まれバランスの評価が下がったと考えられる．「最小値法」はベースライン手法である「類似度法」よりも評価が高く，「オリジナル」と比較しても献立のバランスに大きな変化が見られなかった．そのため，本研究で提案した献

(8)

立のレシピ入替え手法の中で，バランスを考慮したレシピ入替え手法として有効な手法は「最小値法」であると考えられる．

9.

10. おわりに

本研究ではグループの満足度の向上を目的として，投稿型レシピサイトの献立に含まれるレシピの入替えを行う推薦システムの提案を行った．献立と入替え対象レシピの相性度をを求めることによって，嫌いな材料を含まない献立とのバランスの良いレシピと入替える手法を提案した．また，献立とレシピの相性度を求める手法として「平均値法」と「最小値法」の2つの手法を提案した．その後，クックパッドのデータベースに登録された献立に嫌いな材料を含まないように入替えを行った．入替えを行った献立を，グループ向け推薦手法を献立向けに拡張した手法で推薦することにより，グループの満足度を向上させる推薦システムを提案した．提案手法は，推薦された献立に対するグループの満足度と入替えをした献立の妥当性の2つの観点から評価をした．その結果，ベースラインと比較して「最小値法」でレシピ入替えを行った献立の推薦結果に対するグループの満足度が良くなった．献立の入替えの妥当性の評価では栄養士に対し，献立のバランスの評価を依頼した．その結果，「最小値法」によりレシピ入替えを行った献立と入替え前の献立を比較し，バランスに大きな変化が見られないことが確認できた．

謝

辞

本研究はJSPS科研費24300005, 26330081, 26870201の助成を受けたものです．本研究では，クックパッド株式会社と国立情報学研究所が提供する「クックパッドデータ」を利用しました．ここに感謝の意を表します．文献 [1] クックパッド : http://cookpad.com/，Nov.2015 [2] 楽天レシピ : http://recipe.rakuten.co.jp/，Nov.2015 [3] 高畑真里，上田真由美，中島伸介, ”食材に対する好き嫌いを考慮した料理レシピ推薦手法の提案，” 第 3 回データ工学と情報マネジメントに関するフォーラム，E3-5，Mar.2011 [4] 矢嶋亜紗美，小林一郎，“ 個人の状況を考慮した“ かんたん ”なレシピの推薦,“ ファジィシステムシンポジウム講演論文集，25th， ROMBUNNO.1C1-01，Dec.2009. [5] 志土地由香，井手一郎，高橋友和，村瀬洋，“ 料理レシピマイニングによる代替可能食材の発見，”電子情報通信学会論文誌 A， J94-A，7，pp.532-535，Jul.2011. [6] 花井俊介，難波英嗣，灘本明代，”健康を意識した代替食材の発見手法, ”第 7 回データ工学と情報マネジメントに関するフォーラム，G6-6，Mar.2015 [7] 大野礼儀，福原知宏，山田剛一，増田英孝，”献立の雰囲気を考慮した料理推薦システムの提案，”2015 年度人工知能学会全国大会 (第 29 回)，2H1-4，June.2015 [8] 西川智佳，伊藤孝行，永井明彦，丸山智美，”献立表自動生成におけるユーザのフィードバックに基づく献立再調整アルゴリズム，2013 年度人工知能学会全国大会 (第 27 回) ”， 3E1-1， June.2013 [9] 木原ひかり，植田真由美，中島伸介，”余剰食材の使い切りを考慮したレシピ推薦手法の提案，”第 3 回データ工学と情報マネジメントに関するフォーラム，E3-3，Mar.2011

[10] Shlomo Berkovsky, Jill Freyne,“Group-based recipe recom-mendations,”4th ACM Conference on Recommender Sys-tems, Pages 111-118, 2010

[11] Heung-Nam Kim, Majdi Rawashdeh, Abdulmotaleb El Sad-dik,“ Tailoring Recommendations to Groups of Users : A Graph Walk-based Approach,“ Proceedings of the 18th In-ternational Conference on Intelligent User Interfaces, Pages 15-24, 2013

ユーザの好みと献立バランスを考慮したレシピ入替えを行うグループ向け献立推薦

DEIM Forum 2016 E2-1