Dryck till maten. - ett nyttobaserat rekommendationssystem. Sarah Albertsson

Transkript

1 Dryck till maten - ett nyttobaserat rekommendationssystem saral853@student.liu.se

2 Inledning Systembolaget lanserade under år 2013 en tjänst för att matcha dryck ur deras provade sortiment, med antingen färdiga recept eller efter användarens egen specificerade recept. Ett rekommendationssystem som ett verktyg för att hantera den stora och komplexa datamängden som deras sortiment består i, för att låta kunder få en personligare datamängd av rekommendationer att hantera, de artiklar som kan vara av intresse för kunden. Rekommendationssystem är inom artificiell intelligens en samling av olika tekniker såsom datamining, användarmodellering och constraint-based reasoning för att nämna några. Definitionen för rekommendationssystem är bred, vilket system som helst som producerar individuella rekommendationer som output eller har den effekten att den guidar användaren på ett personligare sätt till för användaren intressanta eller användbara objekt i en rymd som innehåller stora mängder olika alternativ (Burke, 2002). Rekommendationssystem existerar därför i många olika domäner och det finns flera olika typer av uppbyggnad bakom dessa, som passar olika bra för olika uppgifter (Burke & Ramezani, 2011). Programmet som matchar dryck med mat som byggts i detta arbete bygger på strukturen för ett nyttobaserat rekommendationssystem. Programmet har använt existerande uppdelningen, av Systembolagets tjänst, av huvudingrediens, sås, tillagning och kryddning för att plocka upp användarens egna recepts grundsmaker, konsistens och aromer som är av störst betydelse, och så har det lagts till en funktion för att fråga användaren om den föredrar någon dryck framför de andra. 1.1 Syfte Syftet med projektet och fördjupningsuppgiften var att skapa en insikt i hur ett nyttobaserat rekommendationssystem fungerar och är uppbyggt, genom att använda dryck och mat som domän. 1.2 Begränsningar Rekommendationssystem är verktyg inom artificiell intelligens som bygger på flera olika tekniker, där teknikerna i sig är komplexa tillsammans med den komplexa vetskapen om den kulinariska upplevelsen gör uppgiften i sig mycket stor. Jag har begränsat mig till att inte dela upp dryckerna ytterligare än till sin smaktyp, vilket om tiden och 2

3 tillgången till Systembolagets hela provade, eller liknande, databas funnits att tillgå, varit väldigt roligt. Ytterligare begränsningar ligger i programmets enkla och avskalade grafiska gränssnitt, där det är fullt funktionellt för en användare men ingen fokus är lagd på det visuella. Det presenteras heller inga förklaringar i hur matchningen gått till eller alternativ i att visa alla smaktyper och hur det gick för dem i förhållande till gällande recept för användaren. 2. Rekommendationssystem Ett rekommendationssystem är enligt tidigare beskrivna definition väldigt bred, men i detta projekt har fokus legat i att skapa ett nyttobaserat system. Funktionen i det är att beräkna nyttan en artikel har för användaren och systemets uppgift är att presentera den dryck som stämmer med användarens kriterier och begränsningar. I detta projekts program kan användaren välja att väga in om det är viktigt med pris, förpackning eller om det finns en föredragen dryck, och de andra valen som användaren gör viktas och begränsar till en smaktyp tillsammans med valet om föredragen dryck. Det föreligger sedan en funktionell kunskap i systemet som mappar användarens behov mot objekt som kommer vara tillfredställande. (Ricci, et al., 2011) 3. Programmet Programmet har byggts i programmeringsspråket Python med tillhörande moduler för grafiskt gränssnitt för att ta emot användarens input som skapar kriterier för vilken dryck som sedan ska matchas och sedan presenteras tre stycken drycker som rekommenderas för användaren. Existerande tjänst Vad passar till? som ägs av Systembolaget har legat grund för detta programs struktur. 3.1 Vad passar till? Programmet är ett försök att replikera den existerande tjänsten där dryck matchas med kundens input om vad denne ska äta på Systembolagets hemsida. I tjänsten Vad passar till? presenteras en matchning från 0-5 på artiklarna där ett högt betyg innebär en bättre matchning. Kundens olika val viktas mot varje artikels olika smakklockor som representerar de viktigaste kännetecknen som är av betydelse för kombinationen av mat och dryck för bästa kulinariska upplevelse. Som sista steg presenteras tre artiklar utan inbördes ordning slumpmässigt ur databasen av artiklar. 3

4 3.2 Projektets program Varje människas egna preferenser till mat och dryck påverkar i slutändan de val som påverkar vad som ska serveras. I flera fall där man möter kunder som önskar ha rekommendationer om dryck vet kunden redan ungefär vilken dryck som de själva tänkt ska serveras. Såsom i fallet med rödvin som inte nödvändigtvis är det bästa valet till den menyn som kunden ska servera, men då snarare behöver veta vilken smaktyp för rödvin och inte lyssna på att ett fylligt vitt vin hellre hade varit att föredra. Av ovanstående anledning har implementeringen av detta program lagt till den funktionen, att börja med att rådfråga användaren om den har några önskemål av dryck. Denna funktion kommer att ge den smaktyp som kunden föredrar ett positivt utslag i förhållande till viktningen av de olika smaktyperna i matchningen så kommer den föredragna drycken att vara starkare. Programmet består av ett grafiskt gränssnitt utvecklat i Python med modulen Tkinter där funktionerna som viktar och hittar rekommendationerna förklaras mer ingående senare i detta avsnitt. Figur 1 visar en översikt över programmets struktur och uppbyggnad. Figur 1. En översikt över projektets program Olika smaktyper passar olika bra med olika ingredienser och är av störst vikt för vilken smaktyp och dryck som passar ihop. Givet en ingrediens viktas det mot smaktyper, där det om det inte föreligger en match ger ett negativt utslag på smaktypen. Om användaren exempelvis väljer att servera vit fisk som huvudingrediens så ger det ett negativt utslag på drycker som är intensiva och kraftiga, medan en dryck såsom ljus lager i det fallet inte påverkas alls. 4

5 Olika ingredienser kan tillagas på olika sätt och beroende på vilken huvudingrediens som användaren har uppgett så presenteras olika sätt att tillaga denna. Metoden för tillagningen påverkar valet av dryck och i exempelfallet av en grillad råvara eller en lufttorkad råvara, såsom nötkött, så påverkar det huvudingrediensens intensitet, konsistens och aromer. Det senare av metoder behöver ackompanjeras av en betydligt mindre sträv dryck än den förstnämnda av metoder. Den får också gärna erbjuda hög syra som går väl till sältan som ofta tillkommer lufttorkade råvaror, såsom Bresaola för att nämna ett exempel på en sådan råvara. Skulle fallet vara av den tidigare för metod, där en bit nötkött såsom entrecote istället grillas, så blir rätten mer smakrik och kräver därmed mer smak och tyngd ifrån drycken. Så i viktningen så kommer drycker med mindre kraft och mindre fyllighet erhålla det negativa utslaget. Det som serveras till huvudingrediensen, kryddningen i tillagningen och såser som serveras påverkar de aromer som en maträtt består i och kan helt eller delvis alternera det som senare rekommenderas att serveras. I sökandet efter det perfekta samspelet är det de saker som ska serveras till som ofta utgör de aromer där man utan större risker kan experimentera, under förutsättningen att konsistens och grundsmak har avstämts harmoniskt. Viss försiktighet bör tas eftersom det som är krydda i en drycks arom kan skilja sig avsevärt från en maträtts aromer i förhållande till terminologi. Eftersom databasen som programmet bygger på saknar nödvändig information om varje drycks aromer så påverkas bara resultatet i viktning om det som serveras till eller kryddar rätten påverkar grundsmakerna, såsom sälta och syrlighet ifrån en ingrediens som inlagda grönsaker. Är fallet som så att kycklingen användaren ska servera är en asiatiskt inspirerad rätt med hetta ifrån chili så kommer ett vitt vin med liknande aromer och restsötma göra rätten mer rättvis. Ett rödvin med mycket strävhet kan istället verka negativt i ovanstående exempelrätt och upplevas överdrivet bitter. I ett annat fall kan det även om det ska serveras vit fisk som är stekt och serverad med en sås som bygger på rödvin vara lämpligare med ett mustigt rött vin utan strama unga tanniner framför alla typer av vitt vin. 5

6 Figur 2. Frame nummer 8, visar de val av såser användaren kan välja När användaren matat in nödvändig input för att erhålla rekommendationer, där det minsta är att lämna huvudingrediens och tillagningen för denna, så används dessa parametrar för att vikta de olika smaktyperna. Figur 2 visar hur det ser ut när användaren matar in information för parametrar i systemet genom det grafiska gränssnittet. När programmet viktat alla alternativ så söker programmet efter om användaren har lagt in önskemål om prisklass och förpackningstyp. Användaren kan i båda fallen välja att ingen av dessa parametrar är av vikt, då tar programmet fram den smaktypen, ur Systembolagets provade artiklar, som rankat högst och presenterar, om möjligt, tre olika dryckesalternativ ur samma smaktyp. Frame i gränssnittet Användarens val; x 1 Prisklass: oviktigt, låg, mellan, hög 2 Önskemål av dryck, smaktyp: smaktyp 1,.., z 20 3 Huvudingrediens: ingrediens 1,, ingrediens 22 4 Tillagning, antalet alternativ beror på vilken huvudråvaran är: alt 1,, alt N 5 Serveras med, användaren kan välja allt från inga till 29 stycken: tillbehör 1,,tillbehör 29 6 Kryddas med, användaren kan välja allt från inga till 16 stycken: krydda 1,,krydda 16 6

7 7 Sås som ska serveras till, användaren kan välja allt från inga till 29 stycken: sås 1,,sås 17 8 Vilken typ av förpackning som användaren eftersöker: oviktigt, flaska, box, burk, tetra/pet-flaska Figur 3. Alla de val användaren gör för varje frame i programmet Resultatet som programmet använder för att hitta rekommendationer i databasen bygger slutligen på tre olika parametrar; önskad prisklass, önskad förpackning och smaktypen som rekommenderas efter matchningen. visa i pseudokod. För att presentera detta förklaras samtliga variabler nedan för att senare kunna tillg_val = alternativa val i varje frame, (se figur 1 ovan vilka val), t.ex. sås 1 eller gjort_val =användarens gjorda val, har ett specifikt värde, (se figur 1 ovan vilka val) smaktyp = smaktyp, har ett första värde av 6 Alla_Smaktyper = lista med instanser av alla smaktyp i Alla_Gjorda_Val = lista med alla parametrar, y i, som användaren valt (se figur 1 ovan vilka val) [gjort_val 1,gjort_val 2, gjort_val 3,, gjort_val 8 ] Rekommendationer = tre artiklar som presenteras användaren efter genomförd sökning och viktning För att visa hur viktningen går till följer en pseudokod på hur viktningen av huvudingrediensens funktion ser ut. Funktion VIKTA_VAL_INGREDIENS(gjort_val ingrediens ) returnerar instanserna i Alla_Smaktyper :s uppdaterade värden 7

8 Om gjort_valingrediens == ingrediens1: Annars om gjort_valingrediens == ingrediens2: Annars om gjort_valingrediens == ingrediens3: Annars om gjort_valingrediens == ingrediens4: Annars om gjort_valingrediens == ingrediens5: Annars om gjort_valingrediens == ingrediensn:. Annars om gjort_valingrediens == ingrediens22: Returnera Alla_Smaktyper Det som skiljer sig här är vilka olika smaktyper som förlorar i rankning beroende av vilket val användaren gjort. Detta är ett exempel för just viktning av smaktyperna för användarens val av huvudingrediens, men har samma funktionalitet för föredragen dryck, tillagning, tillbehör, sås och kryddning. I fallet av föredragen dryck så ger det aktuell smaktyp ett positivt värde om en föredragen smaktyp angetts. Liknande funktionalitet finns också i de fall där tillbehöret fungerar som en smakbrygga för att binda en viss smaktyp med mat. När alla smaktypers värden korrigerats och viktats för de inputs som användaren gett programmet så tar den det första valet om prisklass, det sista valet om förpackning och den högst rankade smaktypen, och söker efter dessa kriterier i databasen. fram. Exempel två i följande pseudokod visar hur artiklarna som rekommenderas tas Funktion HITTA_REKOMMENDATION_FIL(Alla_Gjorda_Val[gjort_val pris ], Alla_Gjorda_Val[gjort_val förpackning ], Alla_Smaktyper[smaktyp med_max ]) returnerar en lista innehållandes alla rekommenderade artiklar 8

9 Lokal_lista <- lista att spara artiklarna i Om Alla_Gjorda_Val[gjort_val pris ] är viktigt: För varje dryck i databasen: Om dryck == Alla_Gjorda_Val[gjort_val pris ]: Lokal_lista.lägg_till(dryck) Annars om Alla_Gjorda_Val[gjort_val förpackning ] är viktigt: För varje dryck i databasen: Om dryck == Alla_Gjorda_Val[gjort_val pris ]: Lokal_lista.lägg_till(dryck) Annars: För varje dryck i databasen: Om dryck == Alla_Gjorda_Val[gjort_val pris ]: Lokal_lista.lägg_till(dryck) Returnera Lokal_lista Det som funktionen HITTA_REKOMMENDATION returnerar är en lista med alla artiklar som rekommenderas användaren, och ur denna lista slumpas tre, om möjligt, olika artiklar fram. Det är det som användaren sedan presenteras tre stycken rekommenderade artiklar ur Systembolagets provade artiklar. Användaren kan läsa av artikelns namn, pris, smaktyp och ursprungsland. Dessa alternativ presenteras utan inbördes ordning, och om användaren vill kan den välja att se tre nya slumpmässigt utvalda artiklar, de kan eftersom de valts ut just slumpmässigt vara de som tidigare visats. 4. Diskussion Det har varit ett riktigt lärorikt projekt att arbeta med. Rekommendationerna som ges i det här projektet ska ses som en riktning för inom vilken smaktyps grupp användaren bör kunna hitta ett bra alternativ till sin rätt. Jag har sedan tio år tillbaka jobbat i hotell och restaurang vilket också ledde mig på vägen till att utbilda mig till sommelier. En utbildning som bygger på att just matcha dryck med mat. Jag gick in med tanken om att försöka få tillgång till mer information om varje drycks provade egenskaper och trodde nog att det skulle vara mycket enklare att förvandla min redan tillskansade kunskap till ettor och nollor. Det visade sig vara lite mer komplicerat än vad jag tänkt mig. Där varje liten input som användaren faktiskt ger påverkar rekommendationen som ges användaren. Det är en konversation som när den i sin naturliga form sker muntligen påverkas av användaren och därmed de slutliga rekommendationerna som en kunnig person vill ge. Personen som rådfrågade någon kunnig för att få en rekommendation till en maträtt kan guidas på ett helt annat sätt. Den rådfrågade personen kan berätta för novisen vad det bästa alternativet utifrån kundens kriterier borde vara, men inte 9

10 bara det, de kan också berätta varför och hur de kom fram till dessa rekommendationerna. På så sätt kan novisen också få berättat för sig vad som rekommenderats mer specifikt än smaktyp och varför denna rekommendation gjordes. Det hade om tiden tillåtit varit en bra aspekt i förhållande till utvecklingen av rekommendationssystem att kunna förklara hur matchning och viktning gått till då användaren efter att resultatet presenterats och av någon anledning inte är nöjd kan välja själv om det till exempel skulle vara en annan typ av öl som hade varit mer intressant. För detta projekt lades det till en funktion som existerande tjänst saknar. Funktionen där användaren får vara med och berätta vad denne föredrar för dryck. Det kanske är så att användaren trots att det perfekta valet för rätten vore ett torrt vitt vin, ändå var ute efter ett halvtorrt vit vin och då bör ha möjlighet att påverka de rekommendationerna. Eftersom existerande tjänst kallas personalens kunskap på nätet och kunden kan påverka personalens rekommenderingar på tu man hand så finns det anledning att tro att implementeringen som gjorts i detta projekt är till användares fördel. Jag ser att det finns flera fördelar med rekommendationssystem, speciellt inom domänen för mat och dryck, där man idag söker nya drycker att prova och nya maträtter som tillagas i hemmen. Rekommendationssystem kan exempelvis utvecklas så att användarens egna profil liknas med andra användares profiler för att se vad de gillat och ogillat. I fallet av den här tjänsten så hade den kunnat utvecklas med att ladda användarens tidigare föredragna drycker och rankningar av produkter, istället för att behöva välja en föredragen dryck. Vi har idag medlemskap hos de flesta dagligvaruhandelsbutikerna och med existerande teknik hade man kunnat koppla användarens profil till inhandlade varor, om så hade önskats. Då kan användaren ranka artiklarna där för att ta fram en högst personlig profil som kunde ersätta funktionen för föredragen dryck. Jag ser också att det hade varit en bra idé med omvända funktionen, där användaren kan välja en artikel ur sortimentet där olika recept rekommenderas som passar till vald dryck. Det kan till exempel vara i de fall en person fått en dryck i gåva eller bara saknar inspiration för den där drycken som inhandlades för fyra år sedan. Dessa förslag vore till existerande tjänstens fördel att utveckla. Vidare är det lätt att se hur det som finns i detta program, utan vidare information, ändå hade kunnat utvecklas om tiden funnits innanför projektets ramar. En förbättring på projektet som jag hade velat göra om tiden funnits hade varit att förfina det grafiska gränssnittet, som även om det fungerar fint, är lite grådaskigt. Den databas som är tillgänglig innehåller information om klassificering, vinmark, ursprungsland, årgång och druvor. För varje druva i ett visst ursprungsområde där drycken erhållit en klassificering kan 10

11 man förvänta sig en rad olika egenskaper och aromer. I liknande fall styrs öl och olika typer av öl av bryggmetoder och malt och humle innehåll. Där kunskap om olika kombinationer av dessa hade kunnat förfina rekommendationer ytterligare med korrekt kunskap om varje del, vilka jag egentligen besitter kunskapen för men saknar tiden för den omfattande implementeringen det hade inneburit. 5. Litteraturförteckning Burke, R., Hybrid Recommender Systems: Survey and Experiments. User Modeling and User- Adapted Interaction, 12(4), pp Burke, R. & Ramezani, M., Matching Recommendation Technologies and Domains. i: Recommender Systems Handbook: A Complete Guide for Research Scientists & Practitioners. Berlin: Springer, pp Ricci, F., Rokach, L. & Shapira, B., Recommender Systems Handbook: A Complete Guide for Research Scientists & Practitioners. 1:a upplagan red. Berlin: Springer. 11