作為食品科學(xué)與計算機(jī)科學(xué)的交叉領(lǐng)域，食品計算通過智能化技術(shù)進(jìn)行研究，已廣泛應(yīng)用于食品風(fēng)味、營養(yǎng)分析等方向。食品推薦作為食品科學(xué)的一個重要研究方向，旨在根據(jù)個人口味、營養(yǎng)需求或其他因素為用戶提供個性化的食品列表，如圖1所示。

傳統(tǒng)方法多基于通用的推薦方法，大多僅考慮用戶偏好，如瀏覽歷史、點(diǎn)擊記錄等交互數(shù)據(jù)，但常面臨冷啟動與數(shù)據(jù)稀疏等問題。因此研究者開始融合外部知識，如知識圖譜，以提升系統(tǒng)的可解釋性和準(zhǔn)確性。然而，這些方法大多僅考慮用戶的飲食和單一方面的營養(yǎng)偏好，并未深入考慮用戶整體的營養(yǎng)健康需求。目前已有很多方法試圖通過考慮營養(yǎng)指南、約束優(yōu)化、替代成分等方法，將健康融入推薦過程。

中國科學(xué)院智能信息處理重點(diǎn)實驗室的金穎、閔巍慶*、周鵬飛等人所提的融合營養(yǎng)知識和偏好-健康多目標(biāo)優(yōu)化的膳食推薦方法深入地考慮了用戶的營養(yǎng)偏好與整體健康需求，利用營養(yǎng)引導(dǎo)的食品知識感知網(wǎng)絡(luò)（NG-FKN）和營養(yǎng)套餐推薦（NFCR）方法，通過優(yōu)化偏好與健康多個維度，實現(xiàn)更平衡的膳食推薦，并構(gòu)建包含食品營養(yǎng)知識圖譜和用戶交互數(shù)據(jù)的推薦數(shù)據(jù)集，推動該領(lǐng)域的進(jìn)一步發(fā)展。

1 性能分析

為驗證本研究所提出的個性化菜譜推薦模型的有效性，將其與如下現(xiàn)有其他基于知識圖譜的基準(zhǔn)推薦模型在本研究構(gòu)建的食品推薦數(shù)據(jù)集上進(jìn)行比較。其中，RippleNet利用用戶交互歷史生成關(guān)系矩陣，融入知識圖譜中計算實體之間的相似度以實現(xiàn)推薦。CKAN和CG-KGR從用戶歷史交互物品中學(xué)習(xí)用戶偏好，并在知識圖譜中傳播以增強(qiáng)用戶表示。KGIN為每個意圖建模為知識圖譜中關(guān)系的組合，并通過識別重要的意圖和關(guān)系路徑從而提高推薦的可解釋性。而KGCN和KGAT則主要通過聚合知識圖譜中與物品關(guān)聯(lián)的實體來增強(qiáng)物品表示。KGCL利用基于知識圖譜圖增強(qiáng)的對比學(xué)習(xí)，抑制信息聚合過程中的知識圖譜噪音，從而學(xué)習(xí)物品更穩(wěn)健的知識感知表征。HGCL則通過跨視圖對比學(xué)習(xí)增強(qiáng)異構(gòu)圖上的表示學(xué)習(xí)，以自適應(yīng)的方式將知識從其他信息轉(zhuǎn)移到用戶-物品交互建模中。

表4展示了對比實驗結(jié)果。結(jié)果顯示，所提的個性化菜譜推薦模型在所構(gòu)建的數(shù)據(jù)集上表現(xiàn)出色。在Top20推薦任務(wù)中，模型Recall@20值為11.67%，NDCG@20值為6.78%，AUC值為93.22%，優(yōu)于絕大部分基準(zhǔn)模型。相比于現(xiàn)有模型，所提模型能更好地關(guān)注到營養(yǎng)信息，將交互數(shù)據(jù)與知識圖譜有效連貫地聯(lián)系起來，從而學(xué)習(xí)到更充分的信息。對于NDCG值偏低的問題，可能是因為構(gòu)建的食品數(shù)據(jù)集中沒有對用戶與菜譜的交互信息進(jìn)行排序，較難捕捉到用戶對于不同菜譜的偏好順序，因而在推薦時難以實現(xiàn)較優(yōu)的排序效果。

此外，為了驗證所提的營養(yǎng)套餐推薦算法在營養(yǎng)價值方面的有效性，將其與隨機(jī)推薦以及其他相關(guān)算法進(jìn)行對比。其中，隨機(jī)推薦指利用個性化菜譜推薦模型獲得推薦菜譜后，隨機(jī)選取4 道菜譜進(jìn)行組合作為套餐推薦；NSGA-II 和NSGA-III 是帶精英策略的快速非支配排序遺傳算法及其改進(jìn)。DNSGA 算法是一種動態(tài)非支配排序遺傳算法。DDCMEA 算法是一種動態(tài)雙種群共進(jìn)化多目標(biāo)進(jìn)化算法，用于處理受限的多目標(biāo)優(yōu)化問題。針對營養(yǎng)評估指標(biāo)的實驗如表5所示。

從表5可以看出，NFCR對于推薦套餐的營養(yǎng)價值有較大的提升作用。相比隨機(jī)推薦，該算法在兩個營養(yǎng)指標(biāo)上分別提升了26.44和4.06，具有較大的改進(jìn)。這說明在推薦的過程中，該方法能夠為用戶推薦較為健康，且富含更多種類食材的套餐，實現(xiàn)更具有營養(yǎng)價值且均衡的推薦。相比基于其他模型中最優(yōu)的DDCMEA的推薦，在兩個指標(biāo)上模型效果分別提升了1.42和0.84，說明該模型對于優(yōu)化效果具有較好的提升作用。

2 消融實驗

為了驗證本研究提出的個性化菜譜推薦模型各部分效果的影響，以及營養(yǎng)套餐推薦算法中各部分的作用效果，本研究進(jìn)行了消融實驗。

針對NG-FKN，本研究為驗證其中各模塊對模型的影響，分別去除營養(yǎng)信息引導(dǎo)模塊和知識感知注意力，與原模型進(jìn)行對比。其中，w/o NG表示僅去除營養(yǎng)信息引導(dǎo)模塊，w/o Att表示僅去除知識感知注意力，w/o NG&Att表示兩個模塊都去除。實驗結(jié)果如表6所示。

從表6可以看出，本研究提出的NG-FKN模型與僅去除營養(yǎng)信息引導(dǎo)模塊進(jìn)行對比，Recall值、NDCG值、AUC值分別提升了2.91%、1.86%、9.90%；與僅去除知識感知注意力模塊進(jìn)行對比，Recall值、NDCG值、AUC值分別提升了2.11%、2.00%、6.58%；而與二者都去除的模型進(jìn)行對比，Recall值、NDCG值、AUC值分別提升了7.39%、3.29%、23.69%。這說明營養(yǎng)信息模塊與知識感知注意力模塊都對模型的推薦效果具有促進(jìn)作用。

為了驗證所提出的NFCR方法中營養(yǎng)支配策略的有效性，以及各優(yōu)化目標(biāo)的作用效果，本研究分別與去除營養(yǎng)支配的模型、減少優(yōu)化目標(biāo)的算法進(jìn)行對比。實驗結(jié)果如表7所示。其中，w/o N表示去除營養(yǎng)支配，NFCR-c表示僅考慮CHDI的單目標(biāo)優(yōu)化，NFCR-f表示僅考慮FVS的優(yōu)化，NFCR-p表示僅考慮用戶偏好的優(yōu)化，NFCR-cf表示考慮營養(yǎng)膳食指標(biāo)CHDI和FVS的優(yōu)化，NFCR-cp表示考慮CHDI與用戶偏好的優(yōu)化，NFCR-fp表示考慮FVS與用戶偏好的優(yōu)化。考慮到實際推薦套餐時菜譜的數(shù)量不宜過多或過少，實驗中對于菜譜數(shù)量始終進(jìn)行了限制。

從表7可以看出，去除營養(yǎng)支配后，算法的效果略低于包含營養(yǎng)支配時，兩個評價指標(biāo)分別降低了2.75和0.70。這說明營養(yǎng)支配對于優(yōu)化效果具有促進(jìn)作用。而當(dāng)減少優(yōu)化目標(biāo)時，對于各種優(yōu)化目標(biāo)的搭配，算法效果均有下降。當(dāng)只考慮用戶偏好的優(yōu)化目標(biāo)時，推薦效果具有明顯的下降，兩個評價指標(biāo)分別降低了15.31和3.82。這說明了考慮營養(yǎng)膳食指標(biāo)的重要性。針對考慮不同的營養(yǎng)膳食指標(biāo)個數(shù)，當(dāng)考慮的指標(biāo)越少，算法效果越差。這說明每個營養(yǎng)膳食指標(biāo)對于推薦效果都有促進(jìn)作用。此外，當(dāng)僅考慮兩個營養(yǎng)膳食指標(biāo)，而未考慮用戶偏好時，算法效果與原算法在兩個指標(biāo)上僅相差0.23和0.07，并未有明顯差別。這可能是因為用戶偏好優(yōu)化目標(biāo)主要是為了提升用戶對于推薦套餐的滿意程度，而對于營養(yǎng)膳食評價指標(biāo)并無明顯作用。

3 定性推薦結(jié)果

采用本研究的推薦算法對用戶的偏好程度以及推薦套餐營養(yǎng)價值的效果進(jìn)行可視化展示（圖6）。

圖6a以其中一個用戶為例，其歷史偏好菜譜包含“炒絲瓜”“咕咾肉”“土豆燉牛肉”“水煮肉”和“麻婆豆腐”。推薦的菜譜列表中Top5為“紅燒肉”“絲瓜蛋湯”“水煮魚”“煎豆腐”“土豆絲”。當(dāng)采用隨機(jī)套餐推薦時，在獲取其偏好菜譜后，采用隨機(jī)推薦獲得的套餐包含“土豆絲”“絲瓜蛋湯”“冬瓜豆腐湯”和“蛋炒飯”。可以看出，推薦結(jié)果中肉類含量較少，且湯類過多，食材單一，并不適合整體套餐推薦給用戶。而采用本研究提出的算法，推薦概率最大的套餐包含“紅燒肉”“煎豆腐”“雜糧飯”“絲瓜蛋湯”。推薦結(jié)果葷素均衡，菜品類別多樣，食材種類豐富，且均在用戶偏好菜譜的前列，既滿足了用戶偏好，也具有較高營養(yǎng)價值，適合作為套餐進(jìn)行推薦。

此外，當(dāng)在營養(yǎng)套餐推薦算法中考慮不同優(yōu)化目標(biāo)時，推薦的套餐中所含的菜譜也有所差距。例如當(dāng)分別僅考慮優(yōu)化兩個膳食指標(biāo)時，推薦的套餐中分別包含“香煎鸚哥魚”“煎豆腐”“粢飯團(tuán)”“絲瓜蛋湯”，營養(yǎng)較為均衡，但用戶的偏好程度并不高。而當(dāng)僅考慮用戶偏好程度指標(biāo)時，推薦的套餐包含“香煎鸚哥魚”“煎豆腐”“雙菌絲瓜雞湯”“絲瓜蛋湯”，營養(yǎng)搭配并不均衡。而當(dāng)同時考慮兩個膳食指標(biāo)時，推薦的套餐營養(yǎng)程度有所提升，但仍然不太滿足用戶的偏好需求。當(dāng)該基線方法分別考慮一個膳食指標(biāo)與用戶偏好程度時，推薦的結(jié)果較好，具有較高的營養(yǎng)價值，且也滿足用戶偏好，但仍不如本研究的算法所推薦的套餐更令人滿意。

圖6b展示了針對兩位飲食較為不健康的用戶進(jìn)行套餐推薦的結(jié)果。用戶1的歷史偏好菜譜包含“空心菜”“清炒白菜”“白菜豆腐湯”“蒜苔肉絲”“西葫蘆炒蛋”“涼拌木耳”，其飲食偏好以清淡為主，食譜結(jié)構(gòu)較為單一，缺乏足夠的蛋白質(zhì)等重要營養(yǎng)元素。通過本研究提出的算法，推薦的套餐包含“香菇青菜”“山藥蝦仁粥”“豉汁蒸排骨”“蒸蛋餃”，推薦結(jié)果不僅符合用戶清淡的口味偏好，且增加了肉類的攝入，改善了膳食的營養(yǎng)均衡性。用戶2的歷史偏好菜譜包含“可樂雞翅”“香煎雞排”“麻辣香鍋”“水煮魚”“酸湯牛肉”“蜂蜜麻花”，其飲食習(xí)慣偏好油膩、辛辣及高鹽高糖高脂食物，嚴(yán)重缺乏維生素、膳食纖維等營養(yǎng)素，飲食習(xí)慣不利于健康。本研究算法推薦的套餐包含“土豆燉牛肉”“冬瓜豆腐湯”“酸菜魚”“雜糧飯”，不僅滿足了用戶對肉類和魚類的口味需求，同時通過葷素搭配改善了其膳食結(jié)構(gòu)，有助于促進(jìn)更健康的飲食習(xí)慣養(yǎng)成。

結(jié)論

本研究提出了一種融合營養(yǎng)知識和偏好-健康多目標(biāo)優(yōu)化的膳食推薦方法，提供了從單一食品的個性化菜譜推薦，到多食品組合的膳食推薦結(jié)果。相比現(xiàn)有的推薦方法，所提方法能更好地平衡用戶飲食偏好與營養(yǎng)健康需求。個性化菜譜推薦方面，NG-FKN從食品營養(yǎng)知識圖譜中提取營養(yǎng)信息，引導(dǎo)捕捉用戶偏好。NFCR方法采用基于營養(yǎng)支配的非劣排序遺傳算法，優(yōu)化偏好與健康方面的多個目標(biāo)，將用戶飲食偏好與營養(yǎng)健康需求同時融入推薦中。此外，本研究構(gòu)建了一個食品推薦數(shù)據(jù)集，有利于促進(jìn)未來食品營養(yǎng)計算相關(guān)技術(shù)研究。在該數(shù)據(jù)集上的實驗結(jié)果表明了所提方法的優(yōu)越性能，進(jìn)一步的消融實驗驗證了所提方法中營養(yǎng)引導(dǎo)模塊與營養(yǎng)支配策略對性能提升的有效性，證實了營養(yǎng)信息對于食品營養(yǎng)推薦的重要性。

未來擬研究如何在推薦時更有效地融合食品的多模態(tài)信息，并為不同個體提供動態(tài)定制化的營養(yǎng)膳食建議。隨著大量多模態(tài)數(shù)據(jù)的涌現(xiàn)，以及大模型在處理大規(guī)模數(shù)據(jù)方面的顯著優(yōu)勢，未來擬將食品領(lǐng)域的大語言模型如FoodSky擴(kuò)展至多模態(tài)，以實現(xiàn)更加個性化和精準(zhǔn)的推薦。此外還將探索動態(tài)的營養(yǎng)膳食建議，實現(xiàn)用戶健康數(shù)據(jù)、飲食習(xí)慣和偏好的實時監(jiān)測，以提供個性化的膳食方案，滿足不同階段和健康狀況下的多樣化營養(yǎng)需求。

作者簡介

通信作者：

閔巍慶，中國科學(xué)院計算技術(shù)研究所副研究員，主要研究方向為多媒體內(nèi)容分析和食品計算。在

Patterns (Cell Press)、Food Chemistry

IEEE TPAMI

等領(lǐng)域主流期刊會議上發(fā)表論文 60 余篇。連續(xù)兩年分獲國際多媒體領(lǐng)域主流期刊

ACM TOMM

IEEE MM

的年度唯一最佳論文獎。研究成果應(yīng)用到武漢中心醫(yī)院、美團(tuán)等十余家企事業(yè)單位中，其中在美團(tuán)的技術(shù)應(yīng)用獲美團(tuán)最佳科研合作獎。入選北京市杰青，獲中國圖象圖形學(xué)學(xué)會(CSIG) 青年科學(xué)家獎、ACM 中國 SIGMM 新星獎及北京市科技進(jìn)步二等獎。是中國計算機(jī)學(xué)會(CCF) 多媒體專委會秘書長，中國多媒體大會2023 組織委員會主席，領(lǐng)域主流會議ACM MM'21/ICME'22-24 領(lǐng)域主席，領(lǐng)域主流期刊

IEEE Trans. on Multimedia

Food Chemistry

的客座編委。

第一作者：

金穎，本科畢業(yè)于蘇州大學(xué)，2023年獲得計算機(jī)科學(xué)與技術(shù)學(xué)士學(xué)位，現(xiàn)就讀于中國科學(xué)院計算機(jī)技術(shù)研究所智能信息處理重點(diǎn)實驗室，攻讀計算機(jī)應(yīng)用技術(shù)碩士學(xué)位。目前的研究方向為食品計算、多媒體分析和食品計算。

本文 《融合營養(yǎng)知識和偏好-健康多目標(biāo)優(yōu)化的膳食推薦》來源于《食品科學(xué)》202 5年46卷第6期29-37頁，作者： 金穎 ，閔巍慶 ，周鵬飛 ，梅舒歡 ，蔣樹強(qiáng) 。DOI:10.7506 / spkx1002-6630-20240724-238。 點(diǎn)擊下方 閱讀原文 即可查看文章相關(guān)信息。

實習(xí)編輯：王雨婷 ；責(zé)任編輯：張睿梅。點(diǎn)擊下方閱讀原文即可查看全文。圖片來源于文章原文及攝圖網(wǎng)。

為貫徹落實《中共中央國務(wù)院關(guān)于全面推進(jìn)美麗中國建設(shè)的意見》《關(guān)于建設(shè)美麗中國先行區(qū)的實施意見》和“健康中國2030”國家戰(zhàn)略，全面加強(qiáng)農(nóng)業(yè)農(nóng)村生態(tài)環(huán)境保護(hù)，推進(jìn)美麗鄉(xiāng)村建設(shè)，加快農(nóng)產(chǎn)品加工與儲運(yùn)產(chǎn)業(yè)發(fā)展，實現(xiàn)食品產(chǎn)業(yè)在生產(chǎn)方式、技術(shù)創(chuàng)新、環(huán)境保護(hù)等方面的全面升級。由 中國工程院主辦， 中國工程院環(huán)境與輕紡工程學(xué)部、北京食品科學(xué)研究院、湖南省農(nóng)業(yè)科學(xué)院、岳麓山工業(yè)創(chuàng)新中心承辦， 國際食品科技聯(lián)盟（IUFoST）、國際谷物科技協(xié)會（ICC）、湖南省食品科學(xué)技術(shù)學(xué)會、洞庭實驗室、湖南省農(nóng)產(chǎn)品加工與質(zhì)量安全研究所、中國食品雜志社、中國工程院Engineering編輯部、湖南大學(xué)、湖南農(nóng)業(yè)大學(xué)、中南林業(yè)科技大學(xué)、長沙理工大學(xué)、湘潭大學(xué)、湖南中醫(yī)藥大學(xué)協(xié)辦的“ 2025年中國工程院工程科技學(xué)術(shù)研討會—推進(jìn)美麗鄉(xiāng)村建設(shè)-加快農(nóng)產(chǎn)品加工與儲運(yùn)產(chǎn)業(yè)發(fā)展暨第十二屆食品科學(xué)國際年會”，將于2025年8月8-10日在中國 湖南 長沙召開。

長按或微信掃碼進(jìn)行注冊