Вдосконалення інтелектуальних систем підтримки рішень щодо планування збалансованого раціону харчування

Автор(и)

  • Віктор Іванович Ладижець Київський національний університет будівництва і архітектури, Україна https://orcid.org/0000-0002-4326-7325
  • Світлана Анатоліївна Теренчук Київський національний університет будівництва і архітектури, Україна https://orcid.org/0000-0001-6527-4123
  • Ірина Олександрівна Азнаурян Київський національний університет будівництва і архітектури, Україна https://orcid.org/0000-0002-7085-7291
  • Антоніна Андріївна Махиня Київський національний університет будівництва і архітектури, Україна https://orcid.org/0009-0002-0295-0627

DOI:

https://doi.org/10.15587/1729-4061.2025.322316

Ключові слова:

глибинне навчання, дерево рішень, ефективність, матрична факторизація, система рекомендацій

Анотація

Об’єктом дослідження є процес формування персоналізованого меню інтелектуальною системою планування збалансованого раціону харчування. Предметом дослідження є рекомендаційні систем, що використовуються для генерації меню сніданків, обідів, перекусів і вечерь. Проблема, що вирішується, полягає у вдосконаленні систем планування збалансованого раціону харчування в напрямку покращення ефективності рекомендаційних системи генерації меню різних категорій прийому їжі. Запропоновано для формування меню сніданків, обідів, перекусів і вечерь використовувати окремі системи рекомендацій, робота яких заснована на моделях штучного інтелекту. Вибір моделей-претендентів для систем рекомендацій меню зроблено на основі порівняльного аналізу моделей штучного інтелекту, в основу яких покладено підходи матричної факторизації, дерев прийняття рішень і глибинного навчання. Висновок щодо ефективності систем рекомендацій на основі моделей широкого і глибокого навчання, сингулярного розкладання матриці, градієнтного бустингу дерев рішень зроблено на основі результатів експерименту. Доцільність вибору моделі сингулярного розкладання матриці для генерації меню сніданків та моделі широкого і глибокого навчання для генерації меню перекусів, обідів і вечерь оцінюється значеннями Precision@K. Модель сингулярного розкладання матриці показала найбільше Precision@K для сніданку, а саме 0,942. В той час, як модель широкого та глибокого навчання показала найбільше Precision@K для обіду, перекусу та вечері: 0.961, 0.977 і 0.951, відповідно. На практиці ці результати можуть бути використані для розробки високоефективних персоналізованих сервісів планування харчування в мобільних додатках і онлайн-платформах

Біографії авторів

Віктор Іванович Ладижець, Київський національний університет будівництва і архітектури

Аспірант

Кафедра інформаційних технологій проєктування та прикладної математики

Світлана Анатоліївна Теренчук, Київський національний університет будівництва і архітектури

Доцент

Кафедра інформаційних технологій проєктування та прикладної математики

Ірина Олександрівна Азнаурян, Київський національний університет будівництва і архітектури

Доцент

Кафедра фізики

Антоніна Андріївна Махиня, Київський національний університет будівництва і архітектури

Доцент

Кафедра мовної підготовки і комунікації

Посилання

  1. Overweight and obesity - BMI statistics. Eurostat. Available at: https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Overweight_and_obesity_-_BMI_statistics
  2. Misra, A., Jayawardena, R., Anoop, S. (2019). Obesity in South Asia: Phenotype, Morbidities, and Mitigation. Current Obesity Reports, 8 (1), 43–52. https://doi.org/10.1007/s13679-019-0328-0
  3. Powell-Wiley, T. M., Poirier, P., Burke, L. E., Després, J.-P., Gordon-Larsen, P., Lavie, C. J. et al. (2021). Obesity and Cardiovascular Disease: A Scientific Statement From the American Heart Association. Circulation, 143 (21). https://doi.org/10.1161/cir.0000000000000973
  4. Adair, T., Lopez, A. D. (2020). The role of overweight and obesity in adverse cardiovascular disease mortality trends: an analysis of multiple cause of death data from Australia and the USA. BMC Medicine, 18 (1). https://doi.org/10.1186/s12916-020-01666-y
  5. Liu, J., Rehm, C. D., Onopa, J., Mozaffarian, D. (2020). Trends in Diet Quality Among Youth in the United States, 1999-2016. JAMA, 323 (12), 1161. https://doi.org/10.1001/jama.2020.0878
  6. Pecune, F., Callebert, L., Marsella, S. (2020). A Socially-Aware Conversational Recommender System for Personalized Recipe Recommendations. Proceedings of the 8th International Conference on Human-Agent Interaction, 78–86. https://doi.org/10.1145/3406499.3415079
  7. Papastratis, I., Konstantinidis, D., Daras, P., Dimitropoulos, K. (2024). AI nutrition recommendation using a deep generative model and ChatGPT. Scientific Reports, 14 (1). https://doi.org/10.1038/s41598-024-65438-x
  8. Stefanidis, K., Tsatsou, D., Konstantinidis, D., Gymnopoulos, L., Daras, P., Wilson-Barnes, S. et al. (2022). PROTEIN AI Advisor: A Knowledge-Based Recommendation Framework Using Expert-Validated Meals for Healthy Diets. Nutrients, 14 (20), 4435. https://doi.org/10.3390/nu14204435
  9. Zioutos, K., Kondylakis, H., Stefanidis, K. (2023). Healthy Personalized Recipe Recommendations for Weekly Meal Planning. Computers, 13 (1), 1. https://doi.org/10.3390/computers13010001
  10. Majumder, B. P., Li, S., Ni, J., McAuley, J. (2019). Generating Personalized Recipes from Historical User Preferences. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), 5975–5981. https://doi.org/10.18653/v1/d19-1613
  11. Mohan, A., Singh, S., Kalpana, Dr. A. V. (2023). Meal Plan Monitoring and Recommendation System. Recent Trends in Data Science and Its Applications, 595–602. https://doi.org/10.13052/rp-9788770040723.117
  12. Zhang, S., Yao, L., Sun, A., Tay, Y. (2019). Deep Learning Based Recommender System. ACM Computing Surveys, 52 (1), 1–38. https://doi.org/10.1145/3285029
  13. Ladyzhets, V., Yeremenko, B., Terenchuk, S. (2024). Candidate Generation for Meal Recommendation System. 2024 IEEE 4th International Conference on Smart Information Systems and Technologies (SIST), 560–564. https://doi.org/10.1109/sist61555.2024.10629517
  14. Pu, L., Faltings, B. (2013). Understanding and improving relational matrix factorization in recommender systems. Proceedings of the 7th ACM Conference on Recommender Systems, 41–48. https://doi.org/10.1145/2507157.2507178
  15. Li, D., Jin, R., Gao, J., Liu, Z. (2020). On Sampling Top-K Recommendation Evaluation. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. https://doi.org/10.1145/3394486.3403262
  16. Manety, S., Khider, D., Heiser, C., McKay, N., Emile-Geay, J., Routson, C. (2022). PaleoRec: A sequential recommender system for the annotation of paleoclimate datasets. Environmental Data Science, 1. https://doi.org/10.1017/eds.2022.3
  17. Hug, N. (2020). Surprise: A Python library for recommender systems. Journal of Open Source Software, 5 (52), 2174. https://doi.org/10.21105/joss.02174
  18. Guolin, K. et al. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. 31st Conference on Neural Information Processing Systems. Available at: https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf
  19. Abadi, M. et al. (2015). TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. arXiv. https://doi.org/10.48550/arXiv.1603.04467
  20. Jiao, J., Zhang, X., Li, F., Wang, Y. (2020). A Novel Learning Rate Function and Its Application on the SVD++ Recommendation Algorithm. IEEE Access, 8, 14112–14122. https://doi.org/10.1109/access.2019.2960523
  21. Mat Amin, M., Yep Ai Lan, J., Makhtar, M., Rasid Mamat, A. (2018). A Decision Tree Based Recommender System for Backpackers Accommodations. International Journal of Engineering & Technology, 7 (2.15), 45. https://doi.org/10.14419/ijet.v7i2.15.11210
  22. Cheng, H.-T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H. et al. (2016). Wide & Deep Learning for Recommender Systems. Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. https://doi.org/10.1145/2988450.2988454
Вдосконалення інтелектуальних систем підтримки рішень щодо планування збалансованого раціону харчування

##submission.downloads##

Опубліковано

2025-02-21

Як цитувати

Ладижець, В. І., Теренчук, С. А., Азнаурян, І. О., & Махиня, А. А. (2025). Вдосконалення інтелектуальних систем підтримки рішень щодо планування збалансованого раціону харчування. Eastern-European Journal of Enterprise Technologies, 1(3 (133), 37–47. https://doi.org/10.15587/1729-4061.2025.322316

Номер

Том 1 № 3 (133) (2025): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2025 Viktor Ladyzhets, Svitlana Terenchuk, Iryna Aznaurіan, Antonina Makhynia

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.