기술 요약: 레시피 특징에 기반한 레시피 난이도 정량화

문제 정의

수백만 개의 레시피를 보유한 쿡패드(Cookpad)와 같은 레시피 공유 플랫폼의 확산에도 불구하고, 레시피 난이도를 측정할 수 있는 표준화되고 계산 가능한 지표는 부족한 실정이다. 기존의 검색 및 추천 시스템은 주로 사용자의 선호도, 식재료 간의 관계 또는 영양학적 건강에 의존하며, 레시피를 실행하는 데 필요한 숙련도나 노력은 간과하는 경우가 많다. 결과적으로 사용자들은 자신의 역량을 초과하는 레시피를 선택하게 되어, 요리 실패나 중단으로 이어지는 상황이 발생한다. 이전 연구들에서도 난이도를 정량화하려는 시도가 있었으나, 단순히 조리 동작만을 활용하여 (결과적으로 거칠고 이산적인 수준을 제공함) 혹은 정보의 중복을 고려하지 않고 단순히 여러 특징을 합산함으로써, 정밀한 레시피 추천에 필요한 미세하고 연속적인 난이도 값을 제공하는 데 실패했다.

방법론

저자들은 레시피 텍스트에서 자동으로 추출된 6가지 특징을 바탕으로, 레시피 난이도를 연속적인 값으로 정량화하는 하향식(top-down) 계산 방법을 제안한다. 방법론은 다음 단계로 진행된다:

1. 특징 추출 및 정량화

약 605,000개의 쿡패드 레시피(데이터가 누락된 항목 제외)로부터 6가지 특징을 추출한다:

• (a) 조리 동작 수준 (Cooking Action Level): 일본 가정 요리 기술 인증을 기준으로 4단계(1~4)로 분류된 118개의 조리 동사 사전으로부터 도출된다. 레시피의 수준은 추출된 동작 중 가장 높은 난이도의 동작에 의해 정의된다.
• (b) 글자 수 (Number of Characters): 레시피 지시문의 총 글자 수 (공백 및 줄바꿈 제외).
• (c) 조리 도구 수 (Number of Cooking Utensils): 언급된 고유한 조리 도구 유형의 개수.
• (d) 양념 종류 수 (Number of Seasonings): 언급된 고유한 양념 유형의 개수.
• (e) 식재료 수 (Number of Ingredients): 양념으로 분류된 것을 제외한 고유한 식재료의 개수.
• (f) 단계 수 (Number of Steps): 전체 조리 단계의 개수.

2. 정규화

모든 특징은 서로 다른 단위와 크기를 가진 특징들 간의 비교 가능성을 확보하기 위해 Min-Max 정규화를 사용하여 [0, 1] 범위로 정규화된다.

3. 상관관계 및 회귀 분석

피어슨 상관계수 분석 결과, 조리 동작 수준(a)은 다른 특징들과 대체로 독립적임을 확인했다. 그러나 글자 수(b)는 단계 수(f) ($r=0.86$), 조리 도구 수(c) ($r=0.58$), 식재료 수(e) ($r=0.36$)와 강한 상관관계를 보였다. 정보의 중복 계산(예: 긴 텍스트는 종종 많은 단계를 함축함)을 방지하기 위해, 저자들은 단순 선형 회귀를 채택하였다.

4. 회귀 계수를 통한 통합

단순 합산 대신, 상관관계가 있는 특징들을 회귀 계수($\alpha$)를 사용하여 중간 변수로 통합한다. 두 상관된 특징 $x$와 $y$에 대하여 ($y$가 $x$에 대해 회귀되었을 때의 기울기가 $\alpha$인 경우), 통합 변수 $z$는 가중 평균으로 정의된다: $z = \frac{\alpha x + y}{1 + \alpha}$.

• 1단계: 단계 수(f)를 글자 수(b)와 통합하여 $\tilde{b}$를 형성한다.
• 2단계: 나머지 특징들(조리 도구, 양념, 식재료)을 $\tilde{b}$와 통합하여 $\tilde{c}, \tilde{d}, \tilde{e}$를 형성한다.

5. 제안된 난이도 공식

네 가지 통합 방법이 구성되었다:

• 방법 1: 조리 동작 수준(a)과 모든 중간 변수($\tilde{b}, \tilde{c}, \tilde{d}, \tilde{e}$)의 평균을 구한다.
• 방법 2: 조리 동작 수준(a)과 $\tilde{c}, \tilde{d}, \tilde{e}$의 평균을 구한다. 이 방법은 $\tilde{b}$를 직접 포함하지 않지만, $\tilde{c}, \tilde{d}, \tilde{e}$를 계산하는 과정에서 간접적으로 포함된다.
• 방법 3: 조리 동작 수준(a)과 모든 중간 변수의 평균을 구한다.
• 방법 4: 글자 수와 단계 수를 무시하고, 조리 동작 수준(a)과 조리 도구, 양념, 식재료의 원시 개수를 평균한다.

실험적 평가

네 가지 방법의 타당성은 20대 여성 응답자 30명을 대상으로 한 설문 조사로 평가되었다. 참가자들은 선정된 9개의 레시피를 인지된 난이도에 따라 순위를 매겼다.

• 통계적 유의성: 프리드먼 검정(Friedman test)을 통해 9개의 레시피가 유의미하게 다른 난이도 수준을 가진 것으로 나타났다 ($p < 0.001$).
• 순위 거리 지표 (Rank-Distance Metrics): 네 가지 방법으로 생성된 순위는 Spearman's footrule distance, Kendall distance, Cayley distance, Ulam distance의 네 가지 지표를 사용하여 설문 조사 순위와 비교되었다.
• 결과: 방법 2가 설문 결과와 가장 높은 유사성을 보였으며, 가장 낮은 Spearman's footrule distance (12)와 낮은 다른 지표 값들을 기록했다.
  • 방법 1과 방법 3은 글자 수의 영향력을 과대평가하여 약간 더 높은 편차를 보였다.
  • 방법 4는 가장 큰 편차 (Footrule distance 18)를 보였는데, 특히 단계 수가 많은 레시피(레시피 I)를 어려운 것으로 순위 매기지 못했는데, 이는 단계 수를 무시하는 것이 상당한 오류를 초래함을 시사한다.
• 단일 특징 베이스라인: 단일 특징 순위(예: 식재료에 기반한 난이도)는 많은 순위 동점(tied ranks)을 발생시켰으며, 제안된 통합 방법들에 비해 설문 결과와의 유사성이 낮았다.

주요 기여

1. 자동화된 특징 추출: 본 연구는 약 605,000개의 레시피로부터 6가지의 뚜렷한 특징을 추출하며, 단순한 동작 기반 분류를 넘어 다각적인 접근 방식을 취한다.
2. 상관관계를 고려한 통합: 상관관계가 있는 특징들을 회귀 계수를 사용하여 통합함으로써, 기존의 가산 모델(additive models)이 가진 한계인 정보 중복 계산 문제를 해결한다.
3. 연속적 전순위 (Continuous Total Ordering): 제안된 방법은 엄격한 전순위(동점이 없는 연속적인 값)를 생성하여 레시피 간의 미세한 비교를 가능하게 하며, 이는 단일 특징 베이스라인이나 이산적 수준 시스템이 제공하지 못하는 특성이다.
4. 경험적 검증: 본 연구는 순위 거리 지표를 사용하여 계산 모델을 인간의 인지와 비교 검증하였으며, 인간의 인지와 가장 잘 일치하는 특정 통합 전략(방법 2)을 식별하였다.

의의 및 주장

본 논문은 기존의 "사용자 측면"의 요리 기술 및 식품 리터러시 측정치를 보완할 수 있는 필수적인 "레시피 측면"의 난이도 척도를 제공한다고 주장한다. 계산 가능한 미세한 난이도 점수를 제공함으로써, 본 방법은 준비 과정에 필요한 노력과 기술을 명시적으로 모델링하지 못하는 현재의 음식 추천 시스템의 공백을 메운다.

저자들은 제안된 방법(특히 방법 2)이 인간의 인지와 일치하는 순위를 성공적으로 생성하지만, 본 연구가 적은 표본 크기(응답자 30명)와 인구 통계학적 균질성(20대 여성)에 의해 제한된다는 점을 인정하며 겸허히 결론을 맺는다. 또한, 다양한 연령, 성별 및 경험 수준의 사용자에게 대한 결과의 일반화 가능성을 위해서는 추가적인 검증이 필요하다고 밝힌다. 본 연구의 주요 의의는 사용자의 특정 숙련도에 맞는 레시피를 선택하도록 돕는 시스템을 지원할 수 있는 자동화된 연속적 난이도 정량화 프레임워크를 구축했다는 데 있다.