Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.070
Aluno: Larissa Feliciana da Silva Britto
Orientadora: Profa. Teresa Bernarda Ludermir
Coorientador: Prof. Luciano Demetrio Santos Pacifico (UFRPE/Departamento de Computação)
Título: Identificação Automática de Restrições Alimentares em Receitas
Culinárias Através de Técnicas de Aprendizagem de Máquina
Data: 03/03/2023
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Profa. Teresa Bernarda Ludermir (UFPE / Centro de Informática)
Prof. Douglas Veras e Silva (UFRPE / Departamento de Computação)
Prof. João Fausto Lorenzato de Oliveira (UPE / Escola Politécnica de PE)
RESUMO:
A alimentação desempenha um papel fundamental para o ser humano. É a
principal fonte de nutrientes, que fornecem energia para as atividades
básicas, crescimento, e todas as funções corporais, como respiração,
digestão e termorregulação, além de manter o sistema imunológico saudável.
A comida também é um forte fator social, conectando culturas e gerações.
Com o avanço e popularização da internet e de tecnologias como os
smartphones, a alimentação sofreu uma revolução, na qual as receitas
culinárias se tornaram um dos tópicos mais acessados e comentados da Web.
Apesar da facilidade de acesso trazida pela internet, encontrar a receita
ideal para uma dada ocasião pode se torna uma tarefa árdua, devido ao
grande volume de dados disponibilizados pelos sites de receitas, e à
dificuldade do processo de busca, que envolve diversos fatores, como sabor,
informações nutricionais, variáveis econômicas e políticas e culturais.
Esse processo pode ser ainda mais complexo para pessoas que possuem algum
tipo de restrição alimentar, para as quais o número de receitas disponíveis
é consideravelmente inferior às do público geral (sem qualquer restrição).
Visando auxiliar esses usuários, sistemas de filtragem ou recomendação têm
sido aplicados a esse problema de busca. Diversos estudos recentes têm
abordado o desenvolvimento de ferramentas de identificação automática de
restrições alimentares em receitas culinárias, buscando reconhecer
alimentos que podem ou não ser consumidos por um usuário que possui uma ou
várias restrições alimentares.
A identificação correta dos alimentos que infrinjam determinada restrição
é fundamental para saúde e bem estar do indivíduo que segue uma dieta
restritiva, uma vez que o consumo de um alimento fora de sua dieta pode
causar frustração, mal estar e até problemas de saúde.
Este trabalho tem como principal objetivo realizar a identificação
automática de alimentos que infrinjam restrições alimentares, através da
classificação de receitas dietéticas, utilizando técnicas de Aprendizagem
de Máquina. Essa classificação pode ser aplicada para facilitar a busca de
usuários de sites de receitas que possuem algum tipo de restrição
alimentar, seja por motivos de saúde, por questões culturais ou,
simplesmente, por preferências pessoais. Para isso, algumas dietas
associadas a restrições alimentares são selecionadas para identificação,
sendo elas: a diabética, livre de glúten, livre de lactose, kid-friendly e
vegana. Para o presente trabalho, os dados foram adquiridos de uma base de
receitas culinárias no idioma inglês, obtida através do site Food.com.
Alguns dos principais modelos da literatura de classificação de receitas
culinárias são escolhidos para avaliação, no intuito de apurar qual deles
seria o mais adequado para execução da tarefa de identificação de dietas e
restrições em receitas. Os seguintes classificadores são adotados: Árvore
de Decisão (AD), Bidirectional Encoder Representations from Transformers
(BERT), Floresta Aleatória (FA), K-Vizinhos Mais Próximos (K-NN), Naive
Bayes (NB), Perceptron Multicamadas (MLP), Regressão Logística (RL) e
Máquinas de Vetores de Suporte (SVM). As listas de ingredientes, modos de
preparo, títulos e descrições das receitas são avaliados, individualmente e
combinados, com o propósito da seleção dos conjuntos de dados que mais
contribuem para o processo de aprendizado dos classificadores. Esses dados
se encontram em formato textual, sendo necessário o emprego de técnicas de
Processamento de Linguagem Natural para a extração de características dos
documentos da base.
Experimentos são realizados, nos quais os classificadores selecionados são
executados, e seus desempenhos são mensurados e comparados uns com os
outros.
Os resultados experimentais são avaliados empiricamente, e através de
métodos estatísticos (teste de hipóteses de Friedman/Nemenyi). A avaliação
aponta o bom desempenho dos modelos adotados na tarefa de classificação de
receitas dietéticas, com destaque para os classificadores Regressão
Logística, BERT e MLP. Os resultados obtidos indicam ainda que as
características mais adequadas para a classificação podem variar de
restrição para restrição.
Palavras-chave: Sistemas de Recomendação, Aprendizagem de Máquina,
Processamento de Linguagem Natural
Comentários desativados