[2021] "Serving Each User"- Supporting Different Eating Goals Through a Multi-List Recommender Interface

[2021] "Serving Each User"- Supporting Different Eating Goals Through a Multi-List Recommender Interface

ALAIN D. STARKE, EDIS ASOTIC and CHRISTOPH TRATTNER

 

본문의 논문의 출처는 RecSys 2021로, 여기를 확인해주세요.

 

 

 

 

 Summary

 

 유저들의 다양한 목적에 부합하는 multi-list 음식 추천 인터페이스를 제안한다. 저자들은 두 가지 인터페이스 (single vs multiple lists)의 방법을 노출했을 때 어떤 차이가 있는지 유저 스터디로 비교 분석하였다. 비록 multi-list 인터페이스가 single보다 덜 건강한 것을 선택하지만, 다양성과 선택의 만족성은 single-list보다 multi-list에서 좋은 평가를 보였다.

 

 

 

 

 Approach

 

 현재 보고 있는 레시피와 유사한 레시피를 추천하는 연관 추천 환경으로. 저자들은 직접 레시피 데이터를 가져와 5가지 추천 리스트를 구성하였다.

 

 ① similar recipies : 레시피 이름을 TF-IDF indexing 후 top-5 similarity

    - 유사 레시피를 가장 유사한 것부터 가장 덜 유사한 것까지 정렬 (재정렬 없이)

 

 

 ② Fewer Calories : top-40 similarity 연산 후 칼로리가 작은 순서대로 재 정렬한 top-5

 

 ③ Fewer Carbohydrates : top-40 similarity 연산 후 탄수화물이 100g당 작은 순서대로 재 정렬한 top-5

 

 ④ Less Fat : top-40 similarity 후 지방이 100g당 작은 순서대로 재정렬한 top-5

 

 ⑤ More Fiber : top-40 similarity 후 섬유질이 100g당 큰 순서대로 재 정렬한 top-5

 

 

 총 366명의 실험 참가자를 대상으로 하였고, 평균 나이는 34.24, 52%가 남성이다. 

 - 실험 참가자마다 위의 5번의 실험을 진행한다.

 - 참가자가 레시피를 검색해서 들어가면 아래 2가지 중 하나의 화면이 보여진다.

  ▶ 미리 준비된 5개의 리스트 중 하나를 골라 보여준다.

  ▶ 5개의 리스트를 전부 보여준다.

 

 - 설명은 붙이는 경우도 있고 없는 경우 (similar recipies)도 있다.

 - 참가자는 레시피를 하나 고르고 레시피와 추천에 대한 만족도를 보고한다.

 

 

 

 

Results

 

 참가자의 피드백을 SEM (Structural Equation Modeling) 기법으로 분석하였다.

 

 

 

 Multi-list로 보일 때, 설명과 상관없이 참가자들이 더 다양하게 추천된다고 느꼈다.

 참가자들이 다양하게 추천된다고 느꼈을 때, 다음 두 가지 현상이 보인다.

  - 하나의 아이템을 고르는데 어려움을 느낀다. 

  - 추천의 만족도가 증가한다.

 

 참가자들이 추천이 나온 이유를 이해하면, 추천이 더 다양하다고 느낀다. 또 single-list가 보였을 때, 추천에 대한 설명을 붙여주었을 때 참가자 만족도가 올라가지만, multi-list가 보일 땐 설명이 있을 때 만족도가 하락하는 것을 볼 수 있었다.