语义营养估计：从文本描述中预测食物健康程度
机器学习
2025-12-16 v1 人工智能
摘要
准确的营养评估对公共卫生至关重要，但现有的分析系统需要详细数据，而这些数据通常无法从食物的口语化文本描述中获得或访问。本文提出了一种机器学习流水线，从文本描述中预测综合的食物指南针评分 2.0（FCS）。我们的方法使用多头神经网络处理混合特征向量，这些向量结合了语义文本嵌入、词汇模式和领域启发式知识，以及美国农业部膳食研究食品与营养数据库（FNDDS）数据。这些网络估计 FCS 算法所需的营养成分和食物组分。该系统展示了强大的预测能力，对单个营养成分的中位 R^2 达到 0.81。预测的 FCS 与已发表值高度相关（皮尔逊 r = 0.77），平均绝对差异为 14.0 分。虽然在模糊或加工食品上的误差最大，但该方法将语言转化为可操作的营养信息，为消费者应用和研究实现了可扩展的膳食评估。
引用
@article{arxiv.2512.11836,
title = {Semantic Nutrition Estimation: Predicting Food Healthfulness from Text Descriptions},
author = {Dayne R. Freudenberg and Daniel G. Haughian and Mitchell A. Klusty and Caroline N. Leach and W. Scott Black and Leslie N. Woltenberg and Rowan Hallock and Elizabeth Solie and Emily B. Collier and Samuel E. Armstrong and V. K. Cody Bumgardner},
journal= {arXiv preprint arXiv:2512.11836},
year = {2025}
}
备注
10 pages, 4 figures, 6 tables, submitted to AMIA 2026 Informatics Summit