基于LLM-RAG的健康饮食指数驱动个性化食物推荐方法
信息检索
2026-05-18 v1 人工智能
摘要
饮食质量是慢性病风险的主要决定因素。人工智能（AI）的进展使食物推荐系统能够根据用户偏好和健康目标调整建议。然而，大多数现有系统依赖于非结构化的食物数据库，与经过验证的指数联系有限。在本研究中，我们提出了一种基于健康饮食指数（HEI）的检索增强生成（RAG）框架，将标准化营养数据库与大型语言模型（LLM）结合，用于个性化食物推荐。该方法以美国国家健康与营养调查（NHANES）和食物模式等价数据库（FPED）为检索基础，构建了来自FPED派生的文本描述的食物嵌入空间。系统为每个实体计算基线HEI评分，检索食物以进行摄入推荐，估计简单替换或添加的HEI影响。使用预训练的OpenAI LLM实现受约束的RAG管道，生成基于营养素轮廓和HEI贡献的个性化推荐及来源。仿真结果显示，平均HEI提升6.45分，HEI超过50分的用户比例从45.12%提高至61.26%。分位数分析显示HEI分布中均呈现持续的改善趋势。我们的发现表明，基于HEI的LLM-RAG AI系统可支持更精确、可解释且个性化的营养指导，以改善饮食质量。
引用
@article{arxiv.2605.15213,
title = {An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations},
author = {Yibin Wang and Yanjie Yang and Grace Melo Guerrero and Rodolfo M. Nayga and Azlan Zahid},
journal= {arXiv preprint arXiv:2605.15213},
year = {2026}
}