作為食品科學與計算機科學的交叉領域，食品計算通過智能化技術進行研究，已廣泛應用于食品風味、營養分析等方向。食品推薦作為食品科學的一個重要研究方向，旨在根據個人口味、營養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、點擊記錄等交互數據，但常面臨冷啟動與數據稀疏等問題。因此研究者開始融合外部知識，如知識圖譜，以提升系統的可解釋性和準確性。然而，這些方法大多僅考慮用戶的飲食和單一方面的營養偏好，并未深入考慮用戶整體的營養健康需求。目前已有很多方法試圖通過考慮營養指南、約束優化、替代成分等方法，將健康融入推薦過程。

中國科學院智能信息處理重點實驗室的金穎、閔巍慶*、周鵬飛等人所提的融合營養知識和偏好-健康多目標優化的膳食推薦方法深入地考慮了用戶的營養偏好與整體健康需求，利用營養引導的食品知識感知網絡（NG-FKN）和營養套餐推薦（NFCR）方法，通過優化偏好與健康多個維度，實現更平衡的膳食推薦，并構建包含食品營養知識圖譜和用戶交互數據的推薦數據集，推動該領域的進一步發展。

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，將其與如下現有其他基于知識圖譜的基準推薦模型在本研究構建的食品推薦數據集上進行比較。其中，RippleNet利用用戶交互歷史生成關系矩陣，融入知識圖譜中計算實體之間的相似度以實現推薦。CKAN和CG-KGR從用戶歷史交互物品中學習用戶偏好，并在知識圖譜中傳播以增強用戶表示。KGIN為每個意圖建模為知識圖譜中關系的組合，并通過識別重要的意圖和關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聯的實體來增強物品表示。KGCL利用基于知識圖譜圖增強的對比學習，抑制信息聚合過程中的知識圖譜噪音，從而學習物品更穩健的知識感知表征。HGCL則通過跨視圖對比學習增強異構圖上的表示學習，以自適應的方式將知識從其他信息轉移到用戶-物品交互建模中。

表4展示了對比實驗結果。結果顯示，所提的個性化菜譜推薦模型在所構建的數據集上表現出色。在Top20推薦任務中，模型Recall@20值為11.67%，NDCG@20值為6.78%，AUC值為93.22%，優于絕大部分基準模型。相比于現有模型，所提模型能更好地關注到營養信息，將交互數據與知識圖譜有效連貫地聯系起來，從而學習到更充分的信息。對于NDCG值偏低的問題，可能是因為構建的食品數據集中沒有對用戶與菜譜的交互信息進行排序，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較優的排序效果。

此外，為了驗證所提的營養套餐推薦算法在營養價值方面的有效性，將其與隨機推薦以及其他相關算法進行對比。其中，隨機推薦指利用個性化菜譜推薦模型獲得推薦菜譜后，隨機選取4 道菜譜進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。DNSGA 算法是一種動態非支配排序遺傳算法。DDCMEA 算法是一種動態雙種群共進化多目標進化算法，用于處理受限的多目標優化問題。針對營養評估指標的實驗如表5所示。

從表5可以看出，NFCR對于推薦套餐的營養價值有較大的提升作用。相比隨機推薦，該算法在兩個營養指標上分別提升了26.44和4.06，具有較大的改進。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，實現更具有營養價值且均衡的推薦。相比基于其他模型中最優的DDCMEA的推薦，在兩個指標上模型效果分別提升了1.42和0.84，說明該模型對于優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，以及營養套餐推薦算法中各部分的作用效果，本研究進行了消融實驗。

針對NG-FKN，本研究為驗證其中各模塊對模型的影響，分別去除營養信息引導模塊和知識感知注意力，與原模型進行對比。其中，w/o NG表示僅去除營養信息引導模塊，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模型與僅去除營養信息引導模塊進行對比，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作用。

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

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

3 定性推薦結果

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價值的效果進行可視化展示（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”。當采用隨機套餐推薦時，在獲取其偏好菜譜后，采用隨機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，也具有較高營養價值，適合作為套餐進行推薦。

此外，當在營養套餐推薦算法中考慮不同優化目標時，推薦的套餐中所含的菜譜也有所差距。例如當分別僅考慮優化兩個膳食指標時，推薦的套餐中分別包含“香煎鸚哥魚”“煎豆腐”“粢飯團”“絲瓜蛋湯”，營養較為均衡，但用戶的偏好程度并不高。而當僅考慮用戶偏好程度指標時，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”，營養搭配并不均衡。而當同時考慮兩個膳食指標時，推薦的套餐營養程度有所提升，但仍然不太滿足用戶的偏好需求。當該基線方法分別考慮一個膳食指標與用戶偏好程度時，推薦的結果較好，具有較高的營養價值，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行套餐推薦的結果。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，食譜結構較為單一，缺乏足夠的蛋白質等重要營養元素。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”，其飲食習慣偏好油膩、辛辣及高鹽高糖高脂食物，嚴重缺乏維生素、膳食纖維等營養素，飲食習慣不利于健康。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構，有助于促進更健康的飲食習慣養成。

結論

本研究提出了一種融合營養知識和偏好-健康多目標優化的膳食推薦方法，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果。相比現有的推薦方法，所提方法能更好地平衡用戶飲食偏好與營養健康需求。個性化菜譜推薦方面，NG-FKN從食品營養知識圖譜中提取營養信息，引導捕捉用戶偏好。NFCR方法采用基于營養支配的非劣排序遺傳算法，優化偏好與健康方面的多個目標，將用戶飲食偏好與營養健康需求同時融入推薦中。此外，本研究構建了一個食品推薦數據集，有利于促進未來食品營養計算相關技術研究。在該數據集上的實驗結果表明了所提方法的優越性能，進一步的消融實驗驗證了所提方法中營養引導模塊與營養支配策略對性能提升的有效性，證實了營養信息對于食品營養推薦的重要性。

未來擬研究如何在推薦時更有效地融合食品的多模態信息，并為不同個體提供動態定制化的營養膳食建議。隨著大量多模態數據的涌現，以及大模型在處理大規模數據方面的顯著優勢，未來擬將食品領域的大語言模型如FoodSky擴展至多模態，以實現更加個性化和精準的推薦。此外還將探索動態的營養膳食建議，實現用戶健康數據、飲食習慣和偏好的實時監測，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需求。

作者簡介

通信作者：

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

Patterns (Cell Press)、Food Chemistry

IEEE TPAMI

ACM TOMM

IEEE MM

IEEE Trans. on Multimedia

Food Chemistry

第一作者：

金穎，本科畢業于蘇州大學，2023年獲得計算機科學與技術學士學位，現就讀于中國科學院計算機技術研究所智能信息處理重點實驗室，攻讀計算機應用技術碩士學位。目前的研究方向為食品計算、多媒體分析和食品計算。

本文 《融合營養知識和偏好-健康多目標優化的膳食推薦》來源于《食品科學》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 。DOI:10.7506 / spkx1002-6630-20240724-238。 點擊下方 閱讀原文 即可查看文章相關信息。

實習編輯：王雨婷 ；責任編輯：張睿梅。點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。

為貫徹落實《中共中央國務院關于全面推進美麗中國建設的意見》《關于建設美麗中國先行區的實施意見》和“健康中國2030”國家戰略，全面加強農業農村生態環境保護，推進美麗鄉村建設，加快農產品加工與儲運產業發展，實現食品產業在生產方式、技術創新、環境保護等方面的全面升級。由 中國工程院主辦， 中國工程院環境與輕紡工程學部、北京食品科學研究院、湖南省農業科學院、岳麓山工業創新中心承辦， 國際食品科技聯盟（IUFoST）、國際谷物科技協會（ICC）、湖南省食品科學技術學會、洞庭實驗室、湖南省農產品加工與質量安全研究所、中國食品雜志社、中國工程院Engineering編輯部、湖南大學、湖南農業大學、中南林業科技大學、長沙理工大學、湘潭大學、湖南中醫藥大學協辦的“ 2025年中國工程院工程科技學術研討會—推進美麗鄉村建設-加快農產品加工與儲運產業發展暨第十二屆食品科學國際年會”，將于2025年8月8-10日在中國 湖南 長沙召開。

長按或微信掃碼進行注冊