MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation
作者: Zheyuan Zhang, Zehong Wang, Tianyi Ma, Varun Sameer Taneja, Sofia Nelson, Nhi Ha Lan Le, Keerthiram Murugesan, Mingxuan Ju, Nitesh V Chawla, Chuxu Zhang, Yanfang Ye
分类: cs.IR, cs.LG
发布日期: 2024-12-12
💡 一句话要点
MOPI-HFRS：结合LLM解释的多目标个性化健康饮食推荐系统
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 健康饮食推荐 个性化推荐 多目标优化 图神经网络 大型语言模型 可解释性 帕累托优化
📋 核心要点
- 现有食物推荐系统侧重用户偏好，忽略健康因素，且缺乏针对用户健康状况的个性化和可解释性。
- MOPI-HFRS框架通过图学习融合用户偏好、健康状况和营养多样性，利用帕累托优化实现多目标平衡。
- 该系统利用LLM增强推荐结果的可解释性，向用户普及健康饮食知识，提高推荐系统的可靠性。
📝 摘要（中文）
在美国，不健康的饮食习惯日益普遍。然而，主流食物推荐平台（如Yelp）仍然优先考虑用户的饮食偏好，而忽略了选择的健康性。虽然已经有一些健康饮食推荐系统的研究，但基于用户特定健康状况的个性化定制仍然不足。此外，很少有研究关注这些系统的可解释性，这阻碍了用户评估推荐的可靠性，并阻碍了这些系统的实际部署。为了解决这个问题，我们首次建立了两个大规模的个性化健康饮食推荐基准。然后，我们开发了一个新颖的框架，即多目标个性化可解释健康饮食推荐系统（MOPI-HFRS），该系统通过联合优化三个目标来提供食物推荐：用户偏好、个性化健康性和营养多样性，以及一个大型语言模型（LLM）增强的推理模块，通过解释推荐结果来促进健康的饮食知识。具体来说，这个整体图学习框架首先利用两个结构学习和一个结构池化模块来利用描述性特征和健康数据。然后，它采用帕累托优化来实现设计的多方面目标。最后，为了进一步促进健康的饮食知识和意识，我们利用LLM，通过知识注入，使用从推荐模型获得的知识来提示LLM进行解释。
🔬 方法详解
问题定义：现有食物推荐系统主要关注用户偏好，忽略了食物的健康属性以及用户自身的健康状况。此外，推荐结果缺乏可解释性，用户难以理解推荐理由，从而降低了信任度和使用意愿。因此，需要一个能够同时考虑用户偏好、健康状况和营养多样性，并提供可解释推荐结果的个性化健康饮食推荐系统。
核心思路：MOPI-HFRS的核心思路是构建一个多目标优化框架，同时考虑用户偏好、个性化健康性和营养多样性。通过图学习融合用户、食物和健康信息，利用帕累托优化找到一个在多个目标之间平衡的解。此外，利用LLM对推荐结果进行解释，提高用户对推荐结果的理解和信任。
技术框架：MOPI-HFRS框架主要包含以下几个模块： 1. 数据预处理：收集用户偏好、食物营养信息和用户健康数据。 2. 图构建：构建用户-食物交互图、食物-营养图和用户-健康图。 3. 结构学习与池化：利用结构学习模块从图中提取特征，并使用结构池化模块聚合信息。 4. 多目标优化：使用帕累托优化算法，联合优化用户偏好、个性化健康性和营养多样性。 5. LLM解释：利用知识注入，使用推荐模型获得的知识来提示LLM生成推荐解释。
关键创新：MOPI-HFRS的关键创新在于： 1. 多目标优化：同时考虑用户偏好、个性化健康性和营养多样性，实现更全面的推荐。 2. LLM增强解释：利用LLM生成自然语言解释，提高推荐结果的可理解性。 3. 个性化健康建模：根据用户的特定健康状况进行个性化推荐。
关键设计： 1. 结构学习模块：采用图神经网络（GNN）学习节点表示。 2. 帕累托优化：使用多目标进化算法（MOEA）寻找帕累托最优解。 3. LLM提示：设计合适的提示模板，引导LLM生成高质量的解释。
🖼️ 关键图片
📊 实验亮点
论文建立了两个大规模个性化健康饮食推荐基准数据集。实验结果表明，MOPI-HFRS在用户偏好、健康性和营养多样性方面均优于现有方法。此外，LLM生成的解释能够有效提高用户对推荐结果的理解和信任度。具体性能提升数据未知。
🎯 应用场景
MOPI-HFRS可应用于各种健康饮食推荐场景，例如个性化营养咨询、健康管理APP和智能膳食规划。通过提供健康、个性化和可解释的食物推荐，该系统可以帮助用户改善饮食习惯，降低患病风险，提高生活质量。未来，该研究可以扩展到更广泛的健康领域，例如运动推荐和心理健康干预。
📄 摘要（原文）
The prevalence of unhealthy eating habits has become an increasingly concerning issue in the United States. However, major food recommendation platforms (e.g., Yelp) continue to prioritize users' dietary preferences over the healthiness of their choices. Although efforts have been made to develop health-aware food recommendation systems, the personalization of such systems based on users' specific health conditions remains under-explored. In addition, few research focus on the interpretability of these systems, which hinders users from assessing the reliability of recommendations and impedes the practical deployment of these systems. In response to this gap, we first establish two large-scale personalized health-aware food recommendation benchmarks at the first attempt. We then develop a novel framework, Multi-Objective Personalized Interpretable Health-aware Food Recommendation System (MOPI-HFRS), which provides food recommendations by jointly optimizing the three objectives: user preference, personalized healthiness and nutritional diversity, along with an large language model (LLM)-enhanced reasoning module to promote healthy dietary knowledge through the interpretation of recommended results. Specifically, this holistic graph learning framework first utilizes two structure learning and a structure pooling modules to leverage both descriptive features and health data. Then it employs Pareto optimization to achieve designed multi-facet objectives. Finally, to further promote the healthy dietary knowledge and awareness, we exploit an LLM by utilizing knowledge-infusion, prompting the LLMs with knowledge obtained from the recommendation model for interpretation.