HealthGenie: Empowering Users with Healthy Dietary Guidance through Knowledge Graph and Large Language Models
作者: Fan Gao, Xinjie Zhao, Ding Xia, Zhongyi Zhou, Rui Yang, Jinghui Lu, Hang Jiang, Chanjun Park, Irene Li
分类: cs.HC, cs.AI, cs.CL
发布日期: 2025-04-20
💡 一句话要点
HealthGenie：结合知识图谱与大语言模型，提供个性化健康饮食指导
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 健康饮食指导 知识图谱 大语言模型 个性化推荐 人机交互
📋 核心要点
- 现有饮食指导系统难以兼顾专业知识和个体健康状况，用户需要花费大量精力理解和筛选信息。
- HealthGenie结合知识图谱的结构化信息和LLM的对话能力，提供个性化、可解释的饮食推荐。
- 实验表明，HealthGenie能有效帮助用户获取个性化饮食建议，降低交互成本和认知负担。
📝 摘要（中文）
本文提出HealthGenie，一个交互式系统，它结合了大语言模型（LLM）和知识图谱（KG）的优势，为用户提供个性化的饮食建议，并提供分层信息可视化，以便快速直观地了解信息。HealthGenie在接收到用户查询后，会进行查询优化，并从预构建的KG中检索相关信息。然后，系统会可视化并突出显示相关信息，这些信息按定义的类别组织，同时提供详细的、可解释的推荐理由。用户可以通过交互式地调整偏好来进一步定制这些推荐。通过受试者内比较实验和开放式讨论进行的评估表明，HealthGenie有效地支持用户根据其健康状况获得个性化的饮食指导，同时减少交互工作量和认知负荷。这些发现突出了LLM-KG集成在通过可解释和可视化的信息支持决策方面的潜力。我们通过一项N=12的受试者内研究检验了系统的有效性和效率，并为未来集成会话LLM和KG的系统提供了设计考虑。
🔬 方法详解
问题定义：现有饮食指导系统存在的问题是，用户需要自行理解复杂的营养知识，并将其与自身的健康状况相结合，这需要大量的专业知识和认知努力。现有的推荐系统往往缺乏透明度和可解释性，用户难以理解推荐的原因，也无法根据自身偏好进行调整。
核心思路：HealthGenie的核心思路是结合知识图谱（KG）和大语言模型（LLM）的优势。KG提供结构化的营养知识，LLM提供自然的对话交互能力。通过将KG中的知识注入LLM，可以使LLM生成更准确、可解释的饮食推荐。同时，系统提供信息可视化，帮助用户快速理解相关信息。
技术框架：HealthGenie的整体架构包含以下几个主要模块：1) 查询优化模块：对用户输入的查询进行优化，例如纠正拼写错误、扩展同义词等。2) 知识图谱检索模块：根据优化后的查询，从预构建的KG中检索相关信息。3) 信息可视化模块：将检索到的信息以分层结构化的方式呈现给用户，并突出显示关键信息。4) 推荐生成模块：利用LLM根据检索到的KG信息和用户偏好生成个性化的饮食推荐，并提供可解释的推荐理由。5) 交互式调整模块：允许用户根据自身偏好调整推荐结果。
关键创新：HealthGenie的关键创新在于将KG和LLM深度集成，利用KG的结构化知识增强LLM的推荐能力，并利用LLM的对话能力提供更自然、可解释的交互体验。与传统的推荐系统相比，HealthGenie能够提供更个性化、可解释的饮食推荐，并降低用户的认知负担。
关键设计：HealthGenie的关键设计包括：1) KG构建：构建包含食物、营养成分、疾病、健康状况等信息的KG。2) 查询优化策略：采用基于规则和基于学习的方法进行查询优化。3) 信息可视化方法：采用分层结构化的方式呈现信息，并利用颜色、图标等视觉元素突出显示关键信息。4) LLM提示工程：设计合适的提示语，引导LLM生成准确、可解释的推荐结果。5) 用户偏好建模：采用显式和隐式的方式获取用户偏好，并将其融入推荐生成过程中。
🖼️ 关键图片
📊 实验亮点
实验结果表明，HealthGenie能够有效地支持用户根据其健康状况获得个性化的饮食指导，同时减少交互工作量和认知负荷。与传统方法相比，HealthGenie能够提供更准确、可解释的饮食推荐，并提高用户的满意度。具体性能数据未知，但用户反馈表明系统显著降低了获取个性化饮食建议的难度。
🎯 应用场景
HealthGenie可应用于各种健康饮食指导场景，例如：个性化膳食计划制定、营养咨询、慢性病管理等。该研究的实际价值在于降低用户获取健康饮食信息的门槛，提高饮食指导的效率和效果。未来，该系统可以进一步扩展到其他健康领域，例如运动指导、心理健康咨询等，为用户提供更全面的健康管理服务。
📄 摘要（原文）
Seeking dietary guidance often requires navigating complex professional knowledge while accommodating individual health conditions. Knowledge Graphs (KGs) offer structured and interpretable nutritional information, whereas Large Language Models (LLMs) naturally facilitate conversational recommendation delivery. In this paper, we present HealthGenie, an interactive system that combines the strengths of LLMs and KGs to provide personalized dietary recommendations along with hierarchical information visualization for a quick and intuitive overview. Upon receiving a user query, HealthGenie performs query refinement and retrieves relevant information from a pre-built KG. The system then visualizes and highlights pertinent information, organized by defined categories, while offering detailed, explainable recommendation rationales. Users can further tailor these recommendations by adjusting preferences interactively. Our evaluation, comprising a within-subject comparative experiment and an open-ended discussion, demonstrates that HealthGenie effectively supports users in obtaining personalized dietary guidance based on their health conditions while reducing interaction effort and cognitive load. These findings highlight the potential of LLM-KG integration in supporting decision-making through explainable and visualized information. We examine the system's usefulness and effectiveness with an N=12 within-subject study and provide design considerations for future systems that integrate conversational LLM and KG.