NutriGen: Personalized Meal Plan Generator Leveraging Large Language Models to Enhance Dietary and Nutritional Adherence

📄 arXiv: 2502.20601v2 📥 PDF

作者: Saman Khamesian, Asiful Arefeen, Stephanie M. Carpenter, Hassan Ghasemzadeh

分类: cs.AI, cs.CL, cs.LG

发布日期: 2025-02-28 (更新: 2025-04-28)

DOI: 10.1109/EMBC58623.2025.11253879

💡 一句话要点

NutriGen：利用大语言模型生成个性化膳食计划，提升饮食依从性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 个性化膳食计划 大语言模型 营养推荐 提示工程 饮食依从性

📋 核心要点

  1. 现有膳食推荐系统缺乏适应性，忽略实际约束，且需要大量用户输入，难以实现可持续的日常使用。
  2. NutriGen利用大语言模型，通过构建个性化营养数据库和提示工程，生成符合用户偏好和约束的膳食计划。
  3. 实验表明，Llama 3.1 8B和GPT-3.5 Turbo在膳食计划生成中表现出色，误差率分别为1.55%和3.68%。

📝 摘要（中文）

维持均衡饮食对整体健康至关重要，但许多人因营养复杂性、时间限制和缺乏饮食知识而难以进行膳食计划。个性化的食物推荐可以通过根据个人偏好、习惯和饮食限制定制膳食计划来帮助解决这些挑战。然而，现有的饮食推荐系统通常缺乏适应性，未能考虑食物成分可用性等实际约束，并且需要大量的用户输入，这使得它们在可持续和可扩展的日常使用中不切实际。为了解决这些限制，我们介绍了一种基于大型语言模型（LLM）的框架NutriGen，旨在生成符合用户定义的饮食偏好和约束的个性化膳食计划。通过构建个性化的营养数据库并利用提示工程，我们的方法使LLM能够整合可靠的营养参考，如美国农业部（USDA）营养数据库，同时保持灵活性和易用性。我们证明了LLM在生成准确且用户友好的食物推荐方面具有强大的潜力，通过提供结构化、实用且可扩展的膳食计划，解决了现有饮食推荐系统的关键限制。我们的评估表明，Llama 3.1 8B和GPT-3.5 Turbo分别实现了1.55%和3.68%的最低百分比误差，生成的膳食计划与用户定义的卡路里目标紧密对齐，同时最大限度地减少偏差并提高精度。此外，我们将DeepSeek V3的性能与几个已建立的模型进行了比较，以评估其在个性化营养计划中的潜力。

🔬 方法详解

问题定义：现有膳食推荐系统难以兼顾个性化需求、实际约束（如食材可得性）和易用性，导致用户难以长期坚持。用户需要一个能够根据自身情况生成可行且营养均衡膳食计划的工具。

核心思路：利用大语言模型（LLM）的强大生成能力和知识储备，结合个性化营养数据库和提示工程，引导LLM生成符合用户特定需求的膳食计划。核心在于将营养知识融入LLM，并使其能够理解和满足用户的个性化约束。

技术框架：NutriGen框架包含以下主要模块：1) 用户信息输入模块：收集用户的饮食偏好、禁忌、卡路里目标等信息。2) 个性化营养数据库构建模块：整合USDA等权威营养数据库，并根据用户信息进行筛选和调整。3) 提示工程模块：设计合适的提示语，引导LLM生成符合要求的膳食计划。4) LLM生成模块：利用LLM生成初步的膳食计划。5) 膳食计划评估与优化模块：评估膳食计划的营养均衡性、可行性等，并进行优化调整。

关键创新：该方法的核心创新在于将LLM应用于个性化膳食计划生成，并结合个性化营养数据库和提示工程，克服了传统膳食推荐系统的局限性。与传统方法相比，NutriGen具有更强的适应性、更高的灵活性和更好的易用性。

关键设计：关键设计包括：1) 提示语的设计：提示语需要清晰地表达用户的需求和约束，并引导LLM生成符合要求的膳食计划。2) 营养数据库的构建：营养数据库需要包含丰富的营养信息，并能够根据用户信息进行筛选和调整。3) LLM的选择：选择具有强大生成能力和知识储备的LLM，如Llama 3.1 8B和GPT-3.5 Turbo。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，NutriGen框架能够生成与用户定义的卡路里目标紧密对齐的膳食计划。Llama 3.1 8B和GPT-3.5 Turbo分别实现了1.55%和3.68%的最低百分比误差，显著优于其他基线模型。DeepSeek V3在个性化营养计划方面也展现出潜力。

🎯 应用场景

NutriGen可应用于个人健康管理、营养咨询、健身指导等领域。它可以帮助用户制定个性化的膳食计划，提高饮食依从性，从而改善健康状况。未来，该技术可以与智能穿戴设备、健康APP等集成，实现更便捷的健康管理。

📄 摘要（原文）

Maintaining a balanced diet is essential for overall health, yet many individuals struggle with meal planning due to nutritional complexity, time constraints, and lack of dietary knowledge. Personalized food recommendations can help address these challenges by tailoring meal plans to individual preferences, habits, and dietary restrictions. However, existing dietary recommendation systems often lack adaptability, fail to consider real-world constraints such as food ingredient availability, and require extensive user input, making them impractical for sustainable and scalable daily use. To address these limitations, we introduce NutriGen, a framework based on large language models (LLM) designed to generate personalized meal plans that align with user-defined dietary preferences and constraints. By building a personalized nutrition database and leveraging prompt engineering, our approach enables LLMs to incorporate reliable nutritional references like the USDA nutrition database while maintaining flexibility and ease-of-use. We demonstrate that LLMs have strong potential in generating accurate and user-friendly food recommendations, addressing key limitations in existing dietary recommendation systems by providing structured, practical, and scalable meal plans. Our evaluation shows that Llama 3.1 8B and GPT-3.5 Turbo achieve the lowest percentage errors of 1.55\% and 3.68\%, respectively, producing meal plans that closely align with user-defined caloric targets while minimizing deviation and improving precision. Additionally, we compared the performance of DeepSeek V3 against several established models to evaluate its potential in personalized nutrition planning.