Моделі, методи і засоби планування раціону харчування людини

Автор(и)

  • Віктор Ладижець Київський національний університет будівництва і архітектури, Київ, Україна https://orcid.org/0000-0002-4326-7325
  • Світлана Теренчук Київський національний університет будівництва і архітектури, Київ, Україна https://orcid.org/0000-0001-6527-4123

DOI:

https://doi.org/10.32347/2412-9933.2023.53.39-44

Ключові слова:

гібридна модель, матрична факторизація, машинне навчання, штучна нейронна мережа, фільтрація

Анотація

Розглянуто питання планування раціону і режиму харчування людини та визначено фактори, що суттєво впливають на вибір їжі. Досліджено підходи, на основі яких працюють сучасні системи рекомендацій щодо збалансованого харчування. Надано класифікацію систем підтримки рішень щодо вибору раціону і режиму харчування за даними, на основі яких вони надають рекомендації. Показано обмеження лінійного поєднання факторів вибору користувача і елементів, що характеризують його профіль, при моделюванні великої кількості прихованих факторів, що впливають на раціон харчування користувача. Основний фокус дослідження спрямовано на аналіз моделей і методів, які застосовуються при розробці інтелектуальних систем підтримки рішень щодо збалансованого харчування. Аналіз переваг і недоліків інтелектуальних рекомендаційних систем засвідчив актуальність розробки цілісної системи, яка зможе надавати рекомендації з урахуванням великої кількості явних і неявних факторів впливу раціону і режиму харчування користувача на стан його здоров’я. На основі проведеного аналізу моделей і методів штучного інтелекту, що уже використовуються в таких системах, обґрунтовано перспективність розвитку моделей і методів машинного навчання та сформовано сферу інтересу подальшого дослідження. Ці дослідження планується спрямувати на побудову багатошарової системи глибинного машинного навчання, що зможе враховувати велику кількість факторів, від яких залежить правильність раціону і режиму збалансованого харчування кожного користувача.

Біографії авторів

Віктор Ладижець , Київський національний університет будівництва і архітектури, Київ

Аспірант кафедри інформаційних технологій проєктування та прикладної математики

Світлана Теренчук , Київський національний університет будівництва і архітектури, Київ

Кандидат фізико-математичних наук, доцент кафедри інформаційних технологій проєктування та прикладної математики

Посилання

Health effects of dietary risks in 195 countries, 1990–2017: a systematic analysis for the Global Burden of Disease Study. (2017).

Balintfy, J. L. (1964). Menu planning by computer. Communications of the ACM, 7(4):255–259.

Roy, D, Dutta, M. (2022). A systematic review and research perspective on recommender systems. J Big Data, 9, 59.

Zhang, R., Liu, Q. D., Chun-Gui, J., Wei, X. and Huiyi, Ma. (2014). Collaborative Filtering for Recommender Systems. 2014 Second International Conference on Advanced Cloud and Big Data, Huangshan, China, 2014, pp. 301–308.

doi: 10.1109/CBD.2014.47.

Tran, T. N., Atas, T. T., Felfernig, M. A. & Stettinger, M. (2018). An overview of recommender systems in the healthy food domain. Journal Intelligent Information Systems, 50, 501–526.

Yasmin, Beij. (2019). A Literature Review on Food Recommendation Systems to Improve Online Consumer Decision-Making.

Shuai, Zhang, Lina, Yao, Aixin, Sun, Yi, Tay. (2019). Deep Learning based Recommender System: A Survey and New Perspectives. ACM Computing Surveys, 52, 1.

Chen, X., Liu, D., Xiong Z., Zha, Z. J. (2021). Learning and fusing multiple user interest representations for micro-video and movie recommendations. IEEE Trans Multimedia, 23, 484–496.

Aditya, G. M., Hoode, A., Rai, K. A., Biradar, G., Kumarа, M. A., Kumar, M. V., Prashanth, B. S., Sneha, H. R, Shivadarshan, S. L. (2018). Machine learning based platform and recommendation system for food ordering services within premises.

Naik, P. A. (2017). Intelligent food recommendation system using machine learning. Nutrition, 5 (8).

Xiangnan, He, Lizi, Liao, Hanwang, Zhang, Liqiang, Nie, Xia, Hu and Tat-Seng, Chua. (2017). Neural collaborative filtering. WWW, 173–182.

Agarap, Abien Fred. (2018). Deep Learning using Rectified Linear Units (ReLU). ArXiv abs/1803.08375 (2018).

Oh, Y., Choi, A., Woo, W. (2010). U-babsang: A context-aware food recommendation system. Journal of Supercomputing, 54 (1), 61-81.

Gao, X., Feng, F., Huang, H., Mao, X.-L., Lan, T., Chi, Z. (2022). Food recommendation with graph convolutional network. Information Sciences, 584, 170–183.

Dubey, Shiv Ram et al. (2021). Activation functions in deep learning: A comprehensive survey and benchmark. Neurocomputing, 503, 92–108.

Ke, G., Du, H. L., Chen, Y. C. (2021). Cross-platform dynamic goods recommendation system based on reinforcement learning and social networks. Appl Soft Computing, 104, 107213.

##submission.downloads##

Опубліковано

2023-03-17

Як цитувати

Ладижець , В. ., & Теренчук , С. . (2023). Моделі, методи і засоби планування раціону харчування людини. Управління розвитком складних систем, (53), 39–44. https://doi.org/10.32347/2412-9933.2023.53.39-44

Номер

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ