KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models

📄 arXiv: 2505.14629v1 📥 PDF

作者: Fnu Mohbat, Mohammed J Zaki

分类: cs.LG, cs.AI, cs.CL, cs.CV

发布日期: 2025-05-20

备注: Accepted at ACL 2025

🔗 代码/项目: GITHUB

💡 一句话要点

KERL：利用大型语言模型和知识图谱的个性化食谱推荐系统

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

关键词: 食谱推荐 知识图谱 大型语言模型 个性化推荐 营养分析

📋 核心要点

  1. 现有食谱推荐系统在整合食物相关知识图谱与大型语言模型方面存在不足，限制了个性化推荐的准确性和营养信息的完整性。
  2. KERL通过融合食物知识图谱和大型语言模型，提取用户偏好和约束，生成个性化食谱并提供详细的烹饪步骤和营养信息。
  3. 实验结果表明，KERL在食谱推荐、生成和营养分析方面显著优于现有方法，提供更完整和连贯的解决方案。

📝 摘要（中文）

本文提出KERL，一个统一的系统，利用食物知识图谱（KG）和大型语言模型（LLM）来提供个性化的食物推荐，并生成包含微量营养信息的食谱。给定一个自然语言问题，KERL提取实体，从KG中检索子图，然后将这些子图作为上下文输入到LLM中，以选择满足约束条件的食谱。接下来，系统为每个食谱生成烹饪步骤和营养信息。为了评估该方法，作者还构建了一个基准数据集，其中包含与食谱相关的问题，以及约束条件和个人偏好。通过大量的实验表明，所提出的KG增强LLM显著优于现有方法，为食物推荐、食谱生成和营养分析提供了一个完整且连贯的解决方案。代码和基准数据集已公开。

🔬 方法详解

问题定义：现有食谱推荐系统难以有效利用食物知识图谱中的丰富信息，导致推荐结果个性化程度不高，且难以提供全面的营养信息。用户通常需要手动查询或组合多个来源的信息，过程繁琐且效率低下。

核心思路：KERL的核心思路是将食物知识图谱作为外部知识源，增强大型语言模型对食物相关信息的理解能力。通过知识图谱提供更丰富的上下文信息，LLM能够更准确地理解用户的需求和偏好，从而生成更个性化、更全面的食谱推荐。

技术框架：KERL系统包含以下主要模块：1) 实体提取：从用户输入的自然语言问题中提取关键实体，如食材、菜系等。2) 知识图谱检索：根据提取的实体，从食物知识图谱中检索相关的子图，作为LLM的上下文信息。3) 食谱选择：将检索到的子图输入到LLM中，LLM根据用户偏好和约束条件，选择合适的食谱。4) 食谱生成与营养分析：LLM生成所选食谱的烹饪步骤，并计算相应的营养信息。

关键创新：KERL的关键创新在于将食物知识图谱与大型语言模型进行深度融合，利用知识图谱增强LLM对食物相关信息的理解能力，从而实现更个性化的食谱推荐和更全面的营养分析。与传统方法相比，KERL能够更好地理解用户的需求和偏好，并提供更完整、更连贯的解决方案。

关键设计：KERL使用预训练的大型语言模型（具体模型未知），并采用知识图谱增强的方法，将从知识图谱中检索到的子图作为LLM的输入。具体的损失函数和网络结构细节在论文中未详细描述，但可以推测使用了与文本生成和知识图谱相关的损失函数，例如交叉熵损失和知识图谱嵌入损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

KERL通过知识图谱增强LLM，在食谱推荐、生成和营养分析方面显著优于现有方法。论文构建了一个新的基准数据集，用于评估食谱相关问题的回答质量，实验结果表明，KERL在各项指标上均取得了显著提升，具体提升幅度未知，但证明了KG增强LLM的有效性。

🎯 应用场景

KERL可应用于智能厨房、健康饮食管理、个性化营养咨询等领域。它可以帮助用户根据个人偏好和健康需求，快速找到合适的食谱，并提供详细的烹饪步骤和营养信息，从而改善用户的饮食习惯和健康状况。未来，KERL还可以与其他健康管理设备和服务集成，提供更全面的健康解决方案。

📄 摘要（原文）

Recent advances in large language models (LLMs) and the abundance of food data have resulted in studies to improve food understanding using LLMs. Despite several recommendation systems utilizing LLMs and Knowledge Graphs (KGs), there has been limited research on integrating food related KGs with LLMs. We introduce KERL, a unified system that leverages food KGs and LLMs to provide personalized food recommendations and generates recipes with associated micro-nutritional information. Given a natural language question, KERL extracts entities, retrieves subgraphs from the KG, which are then fed into the LLM as context to select the recipes that satisfy the constraints. Next, our system generates the cooking steps and nutritional information for each recipe. To evaluate our approach, we also develop a benchmark dataset by curating recipe related questions, combined with constraints and personal preferences. Through extensive experiments, we show that our proposed KG-augmented LLM significantly outperforms existing approaches, offering a complete and coherent solution for food recommendation, recipe generation, and nutritional analysis. Our code and benchmark datasets are publicly available at https://github.com/mohbattharani/KERL.