INGREDIA: An Ingredient-Aware Hybrid Recipe Recommendation
INGREDIAD एक हाइब्रिड अनुशंसा प्रणाली है जिसे उपलब्ध सामग्रियों के आधार पर भारतीय व्यंजनों का सुझाव देने के लिए डिज़ाइन किया गया है, जो रैंकिंग, कवरेज और व्यवहार्यता के ऑफलाइन मूल्यांकन में TF–IDF/KNN बेसलाइन से बेहतर प्रदर्शन करता है, हालांकि उपयोगकर्ता संतुष्टि और खाद्य अपशिष्ट पर इसका वास्तविक दुनिया का प्रभाव अभी भी अप्रमाणित है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
हर दिन, लाखों लोग एक खुले रेफ्रिजरेटर या पेंट्री शेल्फ के सामने खड़े होकर, बिखरी हुई वस्तुओं के संग्रह को देखते हैं और एक ही व्यावहारिक प्रश्न पूछते हैं: मेरे पास जो है उससे मैं क्या बना सकता हूँ? यह केवल भूख का मामला नहीं है; यह सूचना का एक प्रश्न है। डिजिटल युग में, हमारे पास खाना पकाने के निर्देशों के विशाल पुस्तकालय उपलब्ध हैं, फिर भी सही निर्देश ढूँढना अक्सर घास के ढेर में सुई खोजने जैसा महसूस होता है। चुनौती उपयोगकर्ता की विशिष्ट, सीमित इन्वेंट्री और रेसिपी की कठोर आवश्यकताओं के बीच के अंतर में निहित है। एक प्रणाली जो केवल शब्दों का मिलान करती है, वह एक ऐसा व्यंजन सुझा सकती है जो सुनने में परिचित लगे लेकिन जिसके लिए उस सामग्री की आवश्यकता हो जो रसोइये के पास नहीं है, जिससे उसे स्टोर जाने या एक शाम बर्बाद करने के लिए मजबूर होना पड़ता है। इसे हल करने के लिए, शोधकर्ताओं को ऐसे उपकरण बनाने चाहिए जो न केवल रेसिपी के टेक्स्ट को समझते हों, बल्कि घर में उपलब्ध सामग्रियों की वास्तविकता को भी समझते हों। इसके लिए भाषा की समझ (language understanding) के मिश्रण की आवश्यकता है, जो यह पहचानने में मदद करती है कि अलग-अलग शब्द एक ही चीज़ का वर्णन कर सकते हैं, और एक व्यावहारिक मूल्यांकन की आवश्यकता है कि क्या उपलब्ध वस्तुओं से वास्तव में एक व्यंजन तैयार किया जा सकता है।
हाल ही में एक अध्ययन में, भारत के एसआरएम इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने 'INGREDIA' नामक एक प्रणाली बनाकर इस समस्या का समाधान किया। उनका लक्ष्य केवल टेक्स्ट मैचिंग से आगे बढ़कर एक ऐसा रिकमेंडेशन इंजन बनाना था जो उन सामग्रियों को प्राथमिकता दे जो उपयोगकर्ता के पास पहले से मौजूद हैं। उन्होंने अपना काम लगभग छह हजार भारतीय व्यंजनों के संग्रह पर केंद्रित किया, जो एक ऐसा डेटासेट है जो विविधता से समृद्ध है लेकिन सामग्रियों के नामकरण या विवरण के कई तरीकों के कारण जटिल भी है। शोधकर्ता यह जानना चाहते थे कि क्या वे एक ऐसी प्रणाली बना सकते हैं जो पहले यह जाँच ले कि क्या कोई रेसिपी उपयोगकर्ता के पास मौजूद विशिष्ट वस्तुओं का उपयोग करती है, और फिर उन रेसिपी को इस आधार पर रैंक करे कि वे उपयोगकर्ता की स्थिति में कितनी अच्छी तरह फिट बैठती हैं, न कि केवल इस आधार पर कि टेक्स्ट खोज क्वेरी के साथ कितना समान दिखता है।
अपने विचार का परीक्षण करने के लिए, टीम ने एक डिजिटल पाइपलाइन बनाई जो एक बहु-स्तरीय फ़िल्टर की तरह कार्य करती है। सबसे पहले, सिस्टम उपयोगकर्ता की सूची और रेसिपी की सामग्री सूची के बीच सटीक मिलान (exact matches) को देखता है। इसके बाद, यह समझने के लिए भाषा विश्लेषण के एक रूप का उपयोग करता है कि कब अलग-अलग शब्द एक ही वस्तु को संदर्भित करते हैं, जैसे कि यह पहचानना कि किसी मसाले का एक विशिष्ट क्षेत्रीय नाम वही है जो रेसिपी बुक में पाया जाने वाला मानक शब्द है। केवल सामग्री सूचीबद्ध करने के अलावा, सिस्टम इस बात का मूल्यांकन करता है कि प्रत्येक सामग्री व्यंजन के लिए कितनी महत्वपूर्ण है और यह देखने के लिए खाना पकाने के निर्देशों की जाँच करता है कि क्या उपलब्ध वस्तुओं के साथ प्रक्रिया तर्कसंगत है। अंत में, यह एक व्यावहारिक जाँच लागू करता है, उन रेसिपी को नीचे धकेल देता है जिनके लिए उपयोगकर्ता को बहुत सारी अतिरिक्त चीजें खरीदने की आवश्यकता होगी, और उन रेसिपी को ऊपर उठाता है जिन्हें पहले से मौजूद रसोई के सामान से लगभग पूरी तरह से बनाया जा सकता है।
शोधकर्ताओं ने अपने नए सिस्टम की तुलना एक पारंपरिक पद्धति से की जो पूरी तरह से टेक्स्ट में शब्दों को मिलाने पर निर्भर करती है, जिसे 'टर्म फ्रीक्वेंसी-इन्वर्स डॉक्यूमेंट फ्रीक्वेंसी' (TF-IDF) कहा जाता है, जो प्रासंगिकता निर्धारित करने के लिए शब्दों की आवृत्ति को गिनती है। दो सौ विशिष्ट खोज परिदृश्यों का उपयोग करते हुए एक नियंत्रित परीक्षण में, नए सिस्टम ने स्पष्ट सुधार दिखाया। शीर्ष पाँच सुझावों को देखते समय, नए सिस्टम ने लगभग पचहत्तर प्रतिशत मामलों में प्रासंगिक रेसिपी की पहचान की, जो पारंपरिक पद्धति द्वारा प्राप्त पैंतालीस प्रतिशत से एक महत्वपूर्ण उछाल है। इसने शीर्ष दस परिणामों के भीतर भी अधिक संभावित अच्छी रेसिपी को खोजा और यह सुनिश्चित करने में बेहतर काम किया कि सुझाए गए व्यंजन वास्तव में उन सामग्रियों का उपयोग करते हैं जो उपयोगकर्ता ने प्रदान की थीं। अध्ययन से पता चलता है कि व्यावहारिक व्यवहार्यता (practical feasibility) का एक स्तर जोड़ना—यह जाँच करना कि क्या कोई व्यंजन उपलब्ध वस्तुओं के साथ वास्तव में बन सकता है—इस सुधार का सबसे महत्वपूर्ण कारक था। जब शोधकर्ताओं ने अपने सिस्टम से इस व्यावहारिक जाँच को हटा दिया, तो सिफारिशों की गुणवत्ता में उल्लेखनीय गिरावट आई, जिससे यह पुष्टि हुई कि किसी रेसिपी का टेक्स्ट में समान होना पर्याप्त नहीं है यदि उसे हाथ में मौजूद चीजों से पकाया नहीं जा सकता।
हालाँकि, शोधकर्ता अपने निष्कर्षों की सीमाओं को परिभाषित करने में सावधान हैं। परिणाम भारतीय व्यंजनों के एक विशिष्ट डेटासेट का उपयोग करके किए गए एक ऑफलाइन टेस्ट पर आधारित हैं, और वे अभी तक यह सिद्ध नहीं करते कि यह प्रणाली वास्तविक रसोई में भोजन की बर्बादी को कम करती है या पोषण में सुधार करती है। अध्ययन यह दावा नहीं करता कि यह प्रणाली हर व्यंजन के लिए पूर्ण है या यह मानवीय सत्यापन के बिना एलर्जी जैसी जटिल आहार संबंधी प्रतिबंधों को संभाल सकती है। टीम ने उल्लेख किया कि सिस्टम सामग्री के महत्व के बारे में ह्यूरिस्टिक्स (heuristics), या शिक्षित अनुमानों पर निर्भर करता है, और इसके डेटा में कभी-कभी सटीक मात्रा या सर्विंग साइज की कमी होती है। वे यह भी बताते हैं कि सिस्टम वर्तमान में यह माप नहीं करता है कि उपयोगकर्ता परिणाम से वास्तव में संतुष्ट है या नहीं या क्या वे सुझाया गया व्यंजन वास्तव में पकाते हैं।
यह कार्य इस बात पर प्रकाश डालता है कि रिकमेंडेशन सिस्टम को कैसे डिजाइन किया जा सकता है, इसमें एक महत्वपूर्ण बदलाव आया है। रेसिपी को केवल मैच किए जाने वाले टेक्स्ट के एक ब्लॉक के रूप में मानने के बजाय, सिस्टम इसे भौतिक आवश्यकताओं के एक सेट के रूप में मानता है। शब्द मिलान (word matching) को सामग्री की उपलब्धता की जाँच और व्यावहारिकता की समझ के साथ जोड़कर, यह प्रणाली घरेलू रसोइये के लिए एक अधिक उपयोगी उपकरण प्रदान करती है। शोधकर्ता सुझाव देते हैं कि भविष्य के संस्करणों में उपयोगकर्ताओं को सख्त मिलान (strict matching), जहाँ प्रत्येक वस्तु मौजूद होनी चाहिए, और लचीले मिलान (flexible matching) के बीच चयन करने की अनुमति दी जा सकती है, जहाँ सिस्टम प्रतिस्थापन (substitutions) सुझाता है। वे वास्तविक लोगों के साथ अधिक परीक्षण की आवश्यकता पर भी जोर देते हैं ताकि यह देखा जा सके कि क्या ये डिजिटल सुधार बेहतर खाना पकाने के अनुभवों में परिवर्तित होते हैं। फिलहाल, यह अध्ययन प्रदर्शित करता है कि एक हाइब्रिड दृष्टिकोण, जो खाना पकाने की भाषा और पेंट्री की वास्तविकता दोनों का सम्मान करता है, एक ऐसा भोजन खोजने की क्षमता में महत्वपूर्ण सुधार कर सकता है जो संभव भी हो और व्यावहारिक भी।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।