公众号/
文/神经小兮
内容提要：合理膳食、营养均衡的重要性已不必多说，但具体如何落实，却不简单。为了得到搭配更合理、更健康、更符合人们口味的食谱，AI 也加入了营养师的队伍。
关键词：饮食推荐 营养均衡 推荐系统
在健康饮食方面，现代人对养生、专家推荐、最全食谱这些关键词，有着超乎想象的热忱。
健身人群追求增肌，执着于低碳水、高生酮的饮食；爱美人群追求速效减肥，轻断食、哥本哈根减肥法最得人心；术后病人、孕产妇被口口相传的小米粥、猪蹄汤洗脑；向往绿色生活的年轻人、学佛人群崇尚素食，在有限的选择中，尽量保持身心健康。
真的适合每一个人么？
面对丰富的选择，到底怎样搭配才是科学合理的？一些研究者正在借助算法和大数据的优势，为每个人推荐更健康、更营养的食谱。
AI 学会「看人下菜碟」
上文提到的通用型食谱最大的问题就是，每个人的体质不同、口味不同、地域资源不同，另外消费水平不同。
一些博主的高质量食谱里动辄就是三文鱼、牛油果这些价格昂贵、部分地区难以购买的食材，也让很多人望而却步。
为了实现千人千面的饮食推荐，很多研究者也引入了人工智能技术。
美国伦斯勒理工大学联合 IBM Research 的研究人员，最近开发了一个个性化饮食推荐系统 pFoodReQ，可以根据个人用户的喜好和饮食需求，推荐量身定制的食谱。
基于大规模食物知识图谱上受限问题回答的个性化食物推荐
论文地址：https://arxiv.org/pdf/2101.01775.pdf
作者在论文中指出，现有的饮食推荐方法，普遍存在三个主要缺点：
不理解用户的准确要求；
不考虑过敏和营养需求的关键因素；
没有基于丰富的食物选择定制食谱。
在本项研究中，研究团队则提出个性化食物推荐，并将其视为对食物知识图谱（Knowledge Graph，简称 KG）的受限问题的回答，从而设法用统一的方式解决上述问题。
团队提出了一种基于知识库问答 KBQA（Knowledge Base Question Answering）的个性化食品推荐框架，即通过问答的方式进行个性化食品推荐。
对于不同用户，系统会进行不同的需求分析
具体来说，pFoodReQ 系统会按照用户的问题，比如「一顿包含面包的好早餐是什么？」，然后从 KG 中检索满足这一查询条件的所有食谱。再对这些食谱中的成分进行适用度评分，最后推荐评分排名最高的几份食谱。
基于问答机制的个性化食品推荐体系结构示意
最后验证实验结果表明，他们提出的方法明显优于非个性化的方法，能够推荐更相关、更健康的食谱。
食谱千千万，AI 只推荐适合你的菜
总的来说，团队建立该系统，共经历了创建数据集、生成基准问题、编译健康指南、系统训练四个步骤。
第一步：食谱数据集创建
团队基于广泛的食物知识图谱 FoodKG（FoodKG 集成了食谱、食品和营养数据），创建了一个基准的 QA 数据集（暂未公开），其中包含超过 100 万份食谱，770万份营养记录，和 730 万种食物，同时还包含相应的配料和营养成分，并参考了 ADA 美国糖尿病学会推荐的生活方式指南。
（推荐）Open food facts 食品营养成分数据集
收集全球各类食品的成分、过敏信息、添加剂等数据
数据集下载：https://hyper.ai/datasets/5615
据作者介绍，这是第一个与配料、营养和食谱相关的、支持问答系统的个性化食物推荐数据集。
数据集中的每个示例都包含一个用户查询、饮食偏好、与用户相关的健康指南和基本答案(即食谱推荐)。
第二步：生成基准问题
为了得到反映人们真实饮食情况的问题，作者在社交媒体 Reddit 上收集了 200 多个食谱、糖尿病相关的问题，一共发现了 156 篇网友求食谱的帖子，大家主要集中在四类问题上：
哪些配料可以食用;
哪些成分不能食用;
「低碳水化合物」或「高蛋白」，有哪些推荐；
「意大利风味」或「地中海风味」，有哪些推荐。
团队对 Reddit 上的问题进行信息分析
界定其中提到的食谱、食物、成分等
根据这些帖子的提问方式，团队总结了 56 个不同的模板，并基于此生成了一些基准问题。
第三步：编译健康指南
前期准备工作完成后，就可以进行健康饮食推荐了。
团队从 ADA 生活方式指南中，选择了一些与食物相关的指南，这些指南涉及到营养和微量元素，并将其作为额外的食物推荐要求。因此其系统的推荐，都是符合健康指南的健康食谱。
由于这些准则是自然语言的，所以将它们转换为结构化表示(例如，存储键值对的哈希表)。
将自然语言的饮食建议，转换为结构化数据进行表示
第四步：训练个性化系统
为了实现个性化，团队还分别解决了查询扩展、过敏查询的问题。作者认为，一个有效的食物推荐系统，应该尊重饮食偏好和健康指南中的个性化需求。因此，对于用户查询，会进行进一步的扩展。
比如用户向系统提问「请推荐一份包含面包的早餐」，系统则会根据用户此前的查询、膳食偏好、饮食历史日志，了解其饮食偏好，自动将单一的查询进行扩展，转换成附加个性化需求的查询。
经过扩展后的查询就变成了：「推荐一份包含面包、不含花生、含 5g 至 30g 碳水化合物的优质早餐」。
正因如此，面对不同用户提出的相同问题，系统能够给出不同的食谱建议。
实验结果：优于其它模型
团队对食物推荐进行了人类评估，方法是向 8 个评估者，提供随机测试的 50 个问题，以及用户角色，包括配料偏好(喜欢和不喜欢)和适用的营养指南。
对于每个问题，以随机顺序输入给 BAMnet、P-BOW、P-MatchNN 和 pFoodReQ 四种模型，并得出答案。每个答案都包含前三个菜谱(如果检索到的菜谱超过三个的话)、成分列表和营养价值。
评分范围为 1-10 分(得分越高，结果越好）
pFoodReQ 取得最高分
不过，目前这一个性化的饮食推荐系统，还只是团队研究的第一步。作者表示，「未来还存在很多挑战，我们需要更复杂的回答基准，处理隐含的用户意图和各种特殊情况。」
AI 营养师，国人更需要
合理膳食的重要性已不用多说，但目前我国饮食习惯仍然非常不健康，据《柳叶刀》发布的研究报告，在全球 195 个国家中，中国排名 140。
要从根本上改变不健康的饮食习惯，远远不止于推荐食谱那么简单。而 AI 的介入，能否为我们带来更多可能？以下是我们总结的 AI 营养师所具有的一些优势：
面对机器推荐，卸下心理防备
面对人类营养师、健身教练，很多人也许碍于面子或隐私问题，并不会透露自己最真实的饮食习惯和消费水平。
但换成 AI 营养师就不一样了，你大可以放下心理包袱，把自己更真实的需求告诉 AI，然后让它从万千食谱中搜出你感兴趣、并兼具营养的那一款。
包容 cheat day，动态调整菜谱
如今各种营养搭配、均衡饮食科普文充斥于网络，但对于读者来说，执行难度太高，依从性低。
我们总会遇到不能完全执行菜谱、或者外出应酬的情况。AI 能够针对这些变化，对后续的菜谱做出及时调整，适配各种变化。
补充营养师缺口，提升健康认知
虽然人们的健康意识正在崛起，但我国营养师这一职业却面临极大的缺口。
据调查，在日本，每 300 人就配备一个营养师；在美国，每 4000 人配备一个营养师；而在中国，每 40 多万人才有一个营养师。
如果 AI 具备了完善了营养健康学知识，那么人人都可以拥有 24 小时伴随的私人营养师，可以随时随地进行膳食搭配指导。
届时，「今天怎么吃」这个难题，就只管交给 AI 吧！
Return to Top ▲
友情链接