饮食管理是管理糖尿病等慢性病的关键。自动化食品推荐系统可以通过提供符合用户的营养目标和食物偏好的膳食建议提供帮助。当前推荐系统缺乏缺乏准确性，部分是由于缺乏对食物偏好的知识，即食品用户可以常常吃。在这项工作中，我们提出了一种从食物日志中学习食物偏好的方法，是关于用户饮食习惯的全面但嘈杂的信息来源。我们还介绍了伴随的指标。该方法生成并比较Word Embeddings以识别每个食物条目的父食品类别，然后计算最受欢迎的。我们所提出的方法识别用户十个最常见的食物的82％。我们的方法是公开推出的（https://github.com/aametwally/learningfoodpreferences）
translated by 谷歌翻译
研究目标：评分多个词法中的绩效差异是一个众所周知的问题。大多数现有的自动睡眠评分系统都是使用单个得分手注释的标签培训的，该标签将主观评估转移到模型中。当有两个或多个得分手的注释可用时，评分模型通常会在得分手共识上训练。平均得分手的主观性被转移到模型中，失去了有关不同得分子之间内部变异性的信息。在这项研究中，我们旨在将不同医生的多重知识插入培训程序中。目标是优化模型培训，利用可以从一组得分手共识中提取的全部信息。方法：我们在三个不同的多得分数据库上训练两个基于深度学习的模型。我们将标签平滑技术与软传感器（LSSC）分布一起利用，以在模型的训练过程中插入多重知识。我们介绍了平均余弦相似性度量（ACS），以量化模型与LSSC产生的催眠密度毛电和得分手共识产生的催眠密度图之间的相似性。结果：当我们使用LSSC训练模型时，模型的性能会改善所有数据库。我们发现，通过LSSC训练的模型和共识产生的催眠仪型的催眠刻画之间的ACS增加（高达6.4％）。结论：我们的方法绝对使模型能够更好地适应得分手的共识。未来的工作将集中于对不同评分体系结构的进一步调查。
translated by 谷歌翻译