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*、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*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*；向往绿色*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。
（滑动查看）网上丰富又专业的食谱，
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：
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*含面*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、*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*含超过 100 万份食谱，770万份营养记录，和 730 万种食物，同时还*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*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：
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*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：*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：
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*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 *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*含面*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*含面*、不含花*、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，*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*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*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。
*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！
—— 完 ——
版权声明：本文内容由互联网用户贡献，该文观点仅代表作者本人。本站不拥有所有权，不承担相关法律责任。如发现有侵权/违规的内容， 联系本站将立刻清除。
