MOPI-HFRS：面向健康状况的多目标个人化健康食物推荐系统
信息检索
2024-12-13 v1 机器学习
摘要
不健康的饮食习惯在美国日益成为 increasingly 感心的议题。然而，主要食物推荐平台（如 Yelp）继续优先考虑用户的饮食偏好，而非其选择的健康性。尽管已致力于开发健康导向食物推荐系统，但基于用户特定健康状况的个性化仍属 under-explored 领域。此外，鲜有研究关注这些系统的可解释性，这会阻碍用户评估推荐可靠性，并阻碍这些系统的实际部署。针对这一空白，我们首先在首次尝试中建立两个大规模个性化健康食物推荐基准数据集。随后，我们开发了一种新型框架：多目标个人化可解释健康食物推荐系统（MOPI-HFRS），通过联合优化三个目标：用户偏好、个人化健康性和营养多样性，同时引入大型语言模型（LLM）增强推理模块，通过解释推荐结果来促进健康饮食知识。具体而言，该整体图学习框架首先利用两个结构学习和一个结构池化模块来利用描述性特征和健康数据。随后采用帕累托优化实现设计的多维目标。最后，通过知识嵌入利用 LLM，对推荐模型获取的知识进行提示，以实现对推荐结果的解释，从而进一步促进健康饮食知识与意识。
引用
@article{arxiv.2412.08847,
title = {MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation},
author = {Zheyuan Zhang and Zehong Wang and Tianyi Ma and Varun Sameer Taneja and Sofia Nelson and Nhi Ha Lan Le and Keerthiram Murugesan and Mingxuan Ju and Nitesh V Chawla and Chuxu Zhang and Yanfang Ye},
journal= {arXiv preprint arXiv:2412.08847},
year = {2024}
}