著者の所属・活動拠点の国は、ドイツです。

掲載誌：Applied Intelligence

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

食事と健康や環境との関わりを調べる栄養疫学の研究では、参加者が食べた物を量りながら記録する「秤量食事記録」がよく使われます。記録はスマートフォンのアプリで取ることが多く、参加者はデータベースから食品を選びます。該当する食品が無いときは、包装の写真を送ります。こうして集まった新しい加工食品は後から整理され、原材料の構成や栄養成分を収めた栄養データベースに加えられます。そのデータベースで栄養の一貫性とデータの質を保つことが大きな課題だと、著者らは述べています。

新しい食品を加える作業では、栄養士がデータベースの中から栄養的に見合う既存の項目を探して対応づけます。論文はこの作業を「レシピマッチング」と呼んでいます。研究チームは、文字情報と栄養成分の両方を使う検索システムを作り、その設定を体系的に調整しました。目的は、栄養士に示す候補をより信頼できるものにすることです。

何を、どのように調べたか

対象は、ドイツで流通する包装食品・加工食品30,336品目を収めたデータベースです。各品目は122の食品カテゴリーのいずれかに分類されています。ブランド名が分かっているのは約1万品目で、ブランドの種類は523でした。

システムは、まず商品名と原材料の文字情報を、単語の出現の特徴を数値に置き換える手法（TF–IDF）で表します。次に、エネルギー、たんぱく質、脂質、飽和脂肪酸、炭水化物、糖類、食塩の7つの栄養素を100gあたりの値で表します。候補として残るのは、7つの栄養素すべてで、検索元の食品との差の割合が許容範囲（τ）に収まる食品だけです。調整した設定は三つあります。栄養と文字情報のどちらを重く見るか（α）、商品名と原材料のどちらを重く見るか（β）、そして許容範囲τです。さらに、機械学習の分類器が食品カテゴリーとブランドを予測し、予測の確からしさを考えに入れながら候補を絞り込む段階も設けました。

評価には、専門の栄養士が判定した300件の検索例を正解として使いました。栄養士は、栄養と原材料の基準に沿って適切な代替食品をすべて選び、該当が無ければ「一致なし」としました。無作為に選んだ5%の例で判定者どうしの一致度を確かめたところ、平均97%と高い値でした。

主な評価指標は、システムが返した候補のうち正解が占める割合（Precision@Retrieved）です。食品によって適切な候補の数が1件だったり複数だったりするため、返す件数を固定しないこの指標を重視したと説明されています。比較の相手は三つです。文字情報だけで検索する方式、ロジスティック回帰による方式、そして主な基準とした多項式カーネルのサポートベクターマシン（SVC）による方式です。実験では、α・βを0.3、0.5、0.7、τを10%、15%、20%の範囲で変えて影響を調べました。そのうえで、候補として受け入れる類似度の下限と、ブランドによる絞り込みを一つずつ加え、それぞれの効果を測りました。

主な報告結果

基準とした多項式SVC方式と比べた結果が報告されています。返した候補に占める正解の割合は、許容範囲を10%にするなど設定を見直すことで67.0%から83.2%に上がりました。カテゴリーとブランドによる絞り込みを加えると83.9%になりました。最終的な設定は、α=0.7、β=0.5、τ=10%、類似度の下限0.5です。

返す候補の数は減りました。多項式SVC方式はすべての検索例で候補を返し、1件あたり平均2.54件でした。改良後のシステムで候補を1件以上返せた例は95.7%となり、平均件数は1.23件でした。許容範囲を20%から10%に厳しくすると、正解でない候補（誤検出）は172件から85件に減りました。一方、見落とされた正解はわずかに増えました。

一方、文字情報だけの方式は、上位の順位づけの良さを測る指標（MAP、MRR、上位1件・5件の正解率）では改良後のシステムを上回りました。著者らは、改良後のシステムが条件を厳しくして返す候補を絞った結果、正解が除かれる場合もあり、順位に基づく指標に影響したと説明しています。

設定の調整では、類似度の下限を設けない場合、αとβを変えても正解の割合はほとんど変わりませんでした。下限を0.5にすると大きく向上し、それより高くすると悪化しました。許容範囲は広げるほど正解の割合が下がりました。ブランドの分類器は多項式SVCが最も良く、カテゴリーの偏りも考えに入れた正解率の指標（マクロF1）で93.9%でした。栄養素の値はそのまま使うと正解の割合が83%で、値の大きさをそろえる正規化を施した場合（63.8%）より高い結果でした。ただし順位づけの指標と、候補を返せた検索例の割合では、正規化した方が上回りました。

具体例も示されています。チョコレート味のアイスクリームに対し、許容範囲20%ではイチゴ味の商品が候補に挙がりました。しかし原材料と風味が違うため、専門家は不適切と判定していました。10%にするとこの候補は外れ、「一致なし」という専門家の判定と一致しました。一方、ある多穀物パンでは、適切な類似商品が20%では見つかったものの、10%では糖類の差が許容範囲を超えて外れてしまいました。

この報告が示すこと

研究チームは、この手法を、最終判断を専門家に残したまま栄養士の対応づけ作業を支える仕組みとして位置づけています。目指したのは、決まった数の候補を並べることではありません。少数でも信頼できる候補を示すことです。著者らは、栄養の適合性や原材料、カテゴリー・ブランドといった分野固有の条件を検索に組み込むことで、文字情報だけの方式を超える質の高い対応づけができると結論づけています。この特徴は、専門家が実際に行っている対応づけのやり方とも合っているとしています。その一方で、条件を厳しくすれば適切な候補を取りこぼすこともあり、精度と網羅性の間には兼ね合いがあることも結果から読み取れます。

限界として著者らは、次の点を挙げています。評価に使った300件の検索例はデータベースの一部にすぎません。カテゴリーごとの品目数の偏りが大きいため、すべてのカテゴリーを均等に代表しているとは限りません。また、設定の調整と方式どうしの比較を同じ検索例で行ったため、見られた差の一部はこの標本の特徴を反映している可能性があります。選んだ設定が幅広い食品カテゴリーに通用するかを確かめるには、より大きく、独立に判定された、偏りの少ない検索例での評価が必要だとしています。

原著論文の著者・所属：Svetlana Schmidt（University of Bonn, Bonn, Germany）、Linda Klasen（University of Bonn, Bonn, Germany）、Ute Nöthlings（University of Bonn, Bonn, Germany）、Rafet Sifa（Fraunhofer IAIS, Sankt Augustin, Germany; Lamarr Institute for Machine Learning and Artificial Intelligence, Dortmund, Germany; University of Bonn, Bonn, Germany）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Svetlana Schmidt, Linda Klasen, Ute Nöthlings, et al. Systematic optimization of a hybrid text–nutrient retrieval pipeline for food product matching. Applied Intelligence（出版社：Springer Science+Business Media） 2026-11-01. DOI: 10.1007/s10489-026-07579-2. 原著ライセンス：CC BY.