《食品科学》：中国科学院计算技术研究所闵巍庆副研究员等：融合营养知识和偏好-健康多目标优化的膳食推荐

作为食品科学与计算机科学的交叉领域，食品计算通过智能化技术进行研究，已广泛应用于食品风味、营养分析等方向。食品推荐作为食品科学的一个重要研究方向，旨在根据个人口味、营养需求或其他因素为用户提供个性化的食品列表，如图1所示。

传统方法多基于通用的推荐方法，大多仅考虑用户偏好，如浏览历史、点击记录等交互数据，但常面临冷启动与数据稀疏等问题。因此研究者开始融合外部知识，如知识图谱，以提升系统的可解释性和准确性。然而，这些方法大多仅考虑用户的饮食和单一方面的营养偏好，并未深入考虑用户整体的营养健康需求。目前已有很多方法试图通过考虑营养指南、约束优化、替代成分等方法，将健康融入推荐过程。

中国科学院智能信息处理重点实验室的金颖、闵巍庆*、周鹏飞等人所提的融合营养知识和偏好-健康多目标优化的膳食推荐方法深入地考虑了用户的营养偏好与整体健康需求，利用营养引导的食品知识感知网络（NG-FKN）和营养套餐推荐（NFCR）方法，通过优化偏好与健康多个维度，实现更平衡的膳食推荐，并构建包含食品营养知识图谱和用户交互数据的推荐数据集，推动该领域的进一步发展。

1 性能分析

为验证本研究所提出的个性化菜谱推荐模型的有效性，将其与如下现有其他基于知识图谱的基准推荐模型在本研究构建的食品推荐数据集上进行比较。其中，RippleNet利用用户交互历史生成关系矩阵，融入知识图谱中计算实体之间的相似度以实现推荐。CKAN和CG-KGR从用户历史交互物品中学习用户偏好，并在知识图谱中传播以增强用户表示。KGIN为每个意图建模为知识图谱中关系的组合，并通过识别重要的意图和关系路径从而提高推荐的可解释性。而KGCN和KGAT则主要通过聚合知识图谱中与物品关联的实体来增强物品表示。KGCL利用基于知识图谱图增强的对比学习，抑制信息聚合过程中的知识图谱噪音，从而学习物品更稳健的知识感知表征。HGCL则通过跨视图对比学习增强异构图上的表示学习，以自适应的方式将知识从其他信息转移到用户-物品交互建模中。

表4展示了对比实验结果。结果显示，所提的个性化菜谱推荐模型在所构建的数据集上表现出色。在Top20推荐任务中，模型Recall@20值为11.67%，NDCG@20值为6.78%，AUC值为93.22%，优于绝大部分基准模型。相比于现有模型，所提模型能更好地关注到营养信息，将交互数据与知识图谱有效连贯地联系起来，从而学习到更充分的信息。对于NDCG值偏低的问题，可能是因为构建的食品数据集中没有对用户与菜谱的交互信息进行排序，较难捕捉到用户对于不同菜谱的偏好顺序，因而在推荐时难以实现较优的排序效果。

此外，为了验证所提的营养套餐推荐算法在营养价值方面的有效性，将其与随机推荐以及其他相关算法进行对比。其中，随机推荐指利用个性化菜谱推荐模型获得推荐菜谱后，随机选取4 道菜谱进行组合作为套餐推荐；NSGA-II 和NSGA-III 是带精英策略的快速非支配排序遗传算法及其改进。DNSGA 算法是一种动态非支配排序遗传算法。DDCMEA 算法是一种动态双种群共进化多目标进化算法，用于处理受限的多目标优化问题。针对营养评估指标的实验如表5所示。

从表5可以看出，NFCR对于推荐套餐的营养价值有较大的提升作用。相比随机推荐，该算法在两个营养指标上分别提升了26.44和4.06，具有较大的改进。这说明在推荐的过程中，该方法能够为用户推荐较为健康，且富含更多种类食材的套餐，实现更具有营养价值且均衡的推荐。相比基于其他模型中最优的DDCMEA的推荐，在两个指标上模型效果分别提升了1.42和0.84，说明该模型对于优化效果具有较好的提升作用。

2 消融实验

为了验证本研究提出的个性化菜谱推荐模型各部分效果的影响，以及营养套餐推荐算法中各部分的作用效果，本研究进行了消融实验。

针对NG-FKN，本研究为验证其中各模块对模型的影响，分别去除营养信息引导模块和知识感知注意力，与原模型进行对比。其中，w/o NG表示仅去除营养信息引导模块，w/o Att表示仅去除知识感知注意力，w/o NG&Att表示两个模块都去除。实验结果如表6所示。

从表6可以看出，本研究提出的NG-FKN模型与仅去除营养信息引导模块进行对比，Recall值、NDCG值、AUC值分别提升了2.91%、1.86%、9.90%；与仅去除知识感知注意力模块进行对比，Recall值、NDCG值、AUC值分别提升了2.11%、2.00%、6.58%；而与二者都去除的模型进行对比，Recall值、NDCG值、AUC值分别提升了7.39%、3.29%、23.69%。这说明营养信息模块与知识感知注意力模块都对模型的推荐效果具有促进作用。

为了验证所提出的NFCR方法中营养支配策略的有效性，以及各优化目标的作用效果，本研究分别与去除营养支配的模型、减少优化目标的算法进行对比。实验结果如表7所示。其中，w/o N表示去除营养支配，NFCR-c表示仅考虑CHDI的单目标优化，NFCR-f表示仅考虑FVS的优化，NFCR-p表示仅考虑用户偏好的优化，NFCR-cf表示考虑营养膳食指标CHDI和FVS的优化，NFCR-cp表示考虑CHDI与用户偏好的优化，NFCR-fp表示考虑FVS与用户偏好的优化。考虑到实际推荐套餐时菜谱的数量不宜过多或过少，实验中对于菜谱数量始终进行了限制。

从表7可以看出，去除营养支配后，算法的效果略低于包含营养支配时，两个评价指标分别降低了2.75和0.70。这说明营养支配对于优化效果具有促进作用。而当减少优化目标时，对于各种优化目标的搭配，算法效果均有下降。当只考虑用户偏好的优化目标时，推荐效果具有明显的下降，两个评价指标分别降低了15.31和3.82。这说明了考虑营养膳食指标的重要性。针对考虑不同的营养膳食指标个数，当考虑的指标越少，算法效果越差。这说明每个营养膳食指标对于推荐效果都有促进作用。此外，当仅考虑两个营养膳食指标，而未考虑用户偏好时，算法效果与原算法在两个指标上仅相差0.23和0.07，并未有明显差别。这可能是因为用户偏好优化目标主要是为了提升用户对于推荐套餐的满意程度，而对于营养膳食评价指标并无明显作用。

3 定性推荐结果

采用本研究的推荐算法对用户的偏好程度以及推荐套餐营养价值的效果进行可视化展示（图6）。

图6a以其中一个用户为例，其历史偏好菜谱包含“炒丝瓜”“咕咾肉”“土豆炖牛肉”“水煮肉”和“麻婆豆腐”。推荐的菜谱列表中Top5为“红烧肉”“丝瓜蛋汤”“水煮鱼”“煎豆腐”“土豆丝”。当采用随机套餐推荐时，在获取其偏好菜谱后，采用随机推荐获得的套餐包含“土豆丝”“丝瓜蛋汤”“冬瓜豆腐汤”和“蛋炒饭”。可以看出，推荐结果中肉类含量较少，且汤类过多，食材单一，并不适合整体套餐推荐给用户。而采用本研究提出的算法，推荐概率最大的套餐包含“红烧肉”“煎豆腐”“杂粮饭”“丝瓜蛋汤”。推荐结果荤素均衡，菜品类别多样，食材种类丰富，且均在用户偏好菜谱的前列，既满足了用户偏好，也具有较高营养价值，适合作为套餐进行推荐。

此外，当在营养套餐推荐算法中考虑不同优化目标时，推荐的套餐中所含的菜谱也有所差距。例如当分别仅考虑优化两个膳食指标时，推荐的套餐中分别包含“香煎鹦哥鱼”“煎豆腐”“粢饭团”“丝瓜蛋汤”，营养较为均衡，但用户的偏好程度并不高。而当仅考虑用户偏好程度指标时，推荐的套餐包含“香煎鹦哥鱼”“煎豆腐”“双菌丝瓜鸡汤”“丝瓜蛋汤”，营养搭配并不均衡。而当同时考虑两个膳食指标时，推荐的套餐营养程度有所提升，但仍然不太满足用户的偏好需求。当该基线方法分别考虑一个膳食指标与用户偏好程度时，推荐的结果较好，具有较高的营养价值，且也满足用户偏好，但仍不如本研究的算法所推荐的套餐更令人满意。

图6b展示了针对两位饮食较为不健康的用户进行套餐推荐的结果。用户1的历史偏好菜谱包含“空心菜”“清炒白菜”“白菜豆腐汤”“蒜苔肉丝”“西葫芦炒蛋”“凉拌木耳”，其饮食偏好以清淡为主，食谱结构较为单一，缺乏足够的蛋白质等重要营养元素。通过本研究提出的算法，推荐的套餐包含“香菇青菜”“山药虾仁粥”“豉汁蒸排骨”“蒸蛋饺”，推荐结果不仅符合用户清淡的口味偏好，且增加了肉类的摄入，改善了膳食的营养均衡性。用户2的历史偏好菜谱包含“可乐鸡翅”“香煎鸡排”“麻辣香锅”“水煮鱼”“酸汤牛肉”“蜂蜜麻花”，其饮食习惯偏好油腻、辛辣及高盐高糖高脂食物，严重缺乏维生素、膳食纤维等营养素，饮食习惯不利于健康。本研究算法推荐的套餐包含“土豆炖牛肉”“冬瓜豆腐汤”“酸菜鱼”“杂粮饭”，不仅满足了用户对肉类和鱼类的口味需求，同时通过荤素搭配改善了其膳食结构，有助于促进更健康的饮食习惯养成。

结论

本研究提出了一种融合营养知识和偏好-健康多目标优化的膳食推荐方法，提供了从单一食品的个性化菜谱推荐，到多食品组合的膳食推荐结果。相比现有的推荐方法，所提方法能更好地平衡用户饮食偏好与营养健康需求。个性化菜谱推荐方面，NG-FKN从食品营养知识图谱中提取营养信息，引导捕捉用户偏好。NFCR方法采用基于营养支配的非劣排序遗传算法，优化偏好与健康方面的多个目标，将用户饮食偏好与营养健康需求同时融入推荐中。此外，本研究构建了一个食品推荐数据集，有利于促进未来食品营养计算相关技术研究。在该数据集上的实验结果表明了所提方法的优越性能，进一步的消融实验验证了所提方法中营养引导模块与营养支配策略对性能提升的有效性，证实了营养信息对于食品营养推荐的重要性。

未来拟研究如何在推荐时更有效地融合食品的多模态信息，并为不同个体提供动态定制化的营养膳食建议。随着大量多模态数据的涌现，以及大模型在处理大规模数据方面的显著优势，未来拟将食品领域的大语言模型如FoodSky扩展至多模态，以实现更加个性化和精准的推荐。此外还将探索动态的营养膳食建议，实现用户健康数据、饮食习惯和偏好的实时监测，以提供个性化的膳食方案，满足不同阶段和健康状况下的多样化营养需求。

作者简介

通信作者：

闵巍庆，中国科学院计算技术研究所副研究员，主要研究方向为多媒体内容分析和食品计算。在

Patterns (Cell Press)、Food Chemistry

IEEE TPAMI

ACM TOMM

IEEE MM

IEEE Trans. on Multimedia

Food Chemistry

第一作者：

金颖，本科毕业于苏州大学，2023年获得计算机科学与技术学士学位，现就读于中国科学院计算机技术研究所智能信息处理重点实验室，攻读计算机应用技术硕士学位。目前的研究方向为食品计算、多媒体分析和食品计算。

本文 《融合营养知识和偏好-健康多目标优化的膳食推荐》来源于《食品科学》202 5年46卷第6期29-37页，作者： 金颖 ，闵巍庆 ，周鹏飞 ，梅舒欢 ，蒋树强 。DOI:10.7506 / spkx1002-6630-20240724-238。 点击下方 阅读原文 即可查看文章相关信息。

实习编辑：王雨婷 ；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网。

为贯彻落实《中共中央国务院关于全面推进美丽中国建设的意见》《关于建设美丽中国先行区的实施意见》和“健康中国2030”国家战略，全面加强农业农村生态环境保护，推进美丽乡村建设，加快农产品加工与储运产业发展，实现食品产业在生产方式、技术创新、环境保护等方面的全面升级。由 中国工程院主办， 中国工程院环境与轻纺工程学部、北京食品科学研究院、湖南省农业科学院、岳麓山工业创新中心承办， 国际食品科技联盟（IUFoST）、国际谷物科技协会（ICC）、湖南省食品科学技术学会、洞庭实验室、湖南省农产品加工与质量安全研究所、中国食品杂志社、中国工程院Engineering编辑部、湖南大学、湖南农业大学、中南林业科技大学、长沙理工大学、湘潭大学、湖南中医药大学协办的“ 2025年中国工程院工程科技学术研讨会—推进美丽乡村建设-加快农产品加工与储运产业发展暨第十二届食品科学国际年会”，将于2025年8月8-10日在中国 湖南 长沙召开。

长按或微信扫码进行注册