피드포워드 신경망을 이용한 조리법의 요리근원 분류 = Classifying Cuisine Origin of Recipes using a Feed Forward Neural Network

다국어 초록 (Multilingual Abstract)

In recent years, there has been growing interest in developing recipe data analysis systems due to the wide availability of recipe information. One of the analysis method is to automatically classify a recipe into a particular category based on taste or cuisine origin. In this paper, we implemented a model to classify the cuisine origin of a recipe data based on a feed forward neural network (FFNN). For this purpose, we divide the recipe data into a train dataset and a test dataset and represent these datasets as a unigram binary matrix representation. Then, we build a FFNN classifier using the train dataset. As a FFNN training process involves several hyperparameters such as number of hidden layer, a network size and regularization constants, we combine a coordinate descent method and a grid-search method for obtaining the best hyperparameters. Experimental results demonstrate that our approach can improve the accuracy compared to previous solutions such as support vector machine (SVM) [1], random forest (RF) [2] and feature extraction-based stacking ensemble [3].

국문 초록 (Abstract)

최근 몇 년간, 조리법 정보의 광범위한 가용성으로 인해 조리법 데이터 분석 시스템을 개발하는 데 관심이 증가하고 있다. 분석 방법 중의 한 예는 취향이나 요리의 기원에 따라 조리법을 특정 카테고리로 자동으로 분류하는 것이다. 이 논문에서는 피드포워드 신경망 (feed forward neural network)에 기반하여 조리법 데이터의 요리 기원을 분류하는 모델을 구현한다. 이를 위해 조리법 데이터를 훈련 데이터 셋과 테스트 데이터셋으로 나누고, 이 데이터 셋들을 유니그램 이진 행렬로 표현한다. 그런 다음 훈련 데이터 셋을 사용하여 FFNN 분류기를 구성한다. FFNN 훈련 과정은 숨겨진 계층의 수, 네트워크 크기 및 정규화 상수와 같은 하이퍼 파라미터를 포함하기 때문에, 좌표 하강 방법과 그리드 검색 방법을 결합하여 최적의 하이퍼 파라미터들을 구한다. 제안한 기법이 SVM (Support Vector Machine) [1], 임의 포리스트 (RF) [2] 이나 피쳐 추출 기반스태킹 앙상블 [3] 을 사용한 기존의 기법 보다 더 좋은 정확도를 보이는 것을 실험을 통하여 보였다.

참고문헌 (Reference)

• 1 Xavier Glorot, "Understanding the diculty of training deep feedforward neural networks" 249-256, 2010
• 2 Kyung-Joong Kim, "Tell me what you eat, and i will tell you where you come from: A data science approach for global recipe data on the web" 99-, 2016
• 3 Chun-Yuen Teng, "Recipe recommendation using ingredient networks" 298-307, 2012
• 4 Putu Wiramaswara Widya, "Predicting cuisine origin from a given ingredients using hybrid feature extraction method and random forest classier" 127-129, 2015
• 5 Warren S. Sarle, "Neural network faq, part 3:Generalization"
• 6 Kur Hornik, "Multilayer feed orward networks are universal approximators" 2 : 359-366, 1989
• 7 Steve Lawrence, "Lessons in neural network training: Overtting may be harder than expected" 540-545, 1997
• 8 Yoshua Bengio, "Learning deep architectures for ai" 2 (2): 1-127, 2009
• 9 Sina Sajadmanesh, "Kissing cuisines: Exploring worldwide culinary habits on the web" 2016
• 10 Yong-Yeol Anh, "Flavor network and the principles of food pairing" 1 : 2011
• 11 Nitish Srivastava, "Dropout: A simple way to prevent neural networks from overtting" 15 : 1929-1958, 2014
• 12 Yann LeCun, "Deep learning. Insight" 521 : 436-444, 2015
• 13 Ian Goodfellow, "Deep Learning" The MIT Press 2016
• 14 Han Su, "Automatic recipe cuisine classication by ingredients" 565-570, 2014
• 15 John Duchi, "Adaptive subgradient methods for online learning and stochastic optimization" 12 : 2121-2159, 2011