吃得满意又健康?AI 营养师比人类营养师更懂你

IT思维  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

公众号/ HyperAI超神经(HyperAI)

文/神经小兮

内容提要:合理膳食、营养均衡的重要性已不必多说,但具体如何落实,却不简单。为了得到搭配更合理、更健康、更符合人们口味的食谱,AI 也加入了营养师的队伍。

关键词:饮食推荐 营养均衡 推荐系统

在健康饮食方面,现代人对养生、专家推荐、最全食谱这些关键词,有着超乎想象的热忱。

健身人群追求增肌,执着于低碳水、高生酮的饮食;爱美人群追求速效减肥,轻断食、哥本哈根减肥法最得人心;术后病人、孕产妇被口口相传的小米粥、猪蹄汤洗脑;向往绿色生活的年轻人、学佛人群崇尚素食,在有限的选择中,尽量保持身心健康。

真的适合每一个人么?

面对丰富的选择,到底怎样搭配才是科学合理的?一些研究者正在借助算法和大数据的优势,为每个人推荐更健康、更营养的食谱。

AI 学会「看人下菜碟」

上文提到的通用型食谱最大的问题就是,每个人的体质不同、口味不同、地域资源不同,另外消费水平不同。

一些博主的高质量食谱里动辄就是三文鱼、牛油果这些价格昂贵、部分地区难以购买的食材,也让很多人望而却步。

为了实现千人千面的饮食推荐,很多研究者也引入了人工智能技术。

美国伦斯勒理工大学联合 IBM Research 的研究人员,最近开发了一个个性化饮食推荐系统 pFoodReQ,可以根据个人用户的喜好和饮食需求,推荐量身定制的食谱。

吃得满意又健康?AI 营养师比人类营养师更懂你

基于大规模食物知识图谱上受限问题回答的个性化食物推荐
论文地址:https://arxiv.org/pdf/2101.01775.pdf

作者在论文中指出,现有的饮食推荐方法,普遍存在三个主要缺点:

不理解用户的准确要求;
不考虑过敏和营养需求的关键因素;
没有基于丰富的食物选择定制食谱。

在本项研究中,研究团队则提出个性化食物推荐,并将其视为对食物知识图谱(Knowledge Graph,简称 KG)的受限问题的回答,从而设法用统一的方式解决上述问题。

团队提出了一种基于知识库问答 KBQA(Knowledge Base Question Answering)的个性化食品推荐框架,即通过问答的方式进行个性化食品推荐。

吃得满意又健康?AI 营养师比人类营养师更懂你

对于不同用户,系统会进行不同的需求分析

具体来说,pFoodReQ 系统会按照用户的问题,比如「一顿包含面包的好早餐是什么?」,然后从 KG 中检索满足这一查询条件的所有食谱。再对这些食谱中的成分进行适用度评分,最后推荐评分排名最高的几份食谱。

吃得满意又健康?AI 营养师比人类营养师更懂你

基于问答机制的个性化食品推荐体系结构示意

最后验证实验结果表明,他们提出的方法明显优于非个性化的方法,能够推荐更相关、更健康的食谱。

食谱千千万,AI 只推荐适合你的菜

总的来说,团队建立该系统,共经历了创建数据集、生成基准问题、编译健康指南、系统训练四个步骤。

第一步:食谱数据集创建

团队基于广泛的食物知识图谱 FoodKG(FoodKG 集成了食谱、食品和营养数据),创建了一个基准的 QA 数据集(暂未公开),其中包含超过 100 万份食谱,770万份营养记录,和 730 万种食物,同时还包含相应的配料和营养成分,并参考了 ADA 美国糖尿病学会推荐的生活方式指南。

(推荐)Open food facts 食品营养成分数据集

收集全球各类食品的成分、过敏信息、添加剂等数据

数据集下载:https://hyper.ai/datasets/5615

据作者介绍,这是第一个与配料、营养和食谱相关的、支持问答系统的个性化食物推荐数据集。

数据集中的每个示例都包含一个用户查询、饮食偏好、与用户相关的健康指南和基本答案(即食谱推荐)。

第二步:生成基准问题

为了得到反映人们真实饮食情况的问题,作者在社交媒体 Reddit 上收集了 200 多个食谱、糖尿病相关的问题,一共发现了 156 篇网友求食谱的帖子,大家主要集中在四类问题上:

哪些配料可以食用;

哪些成分不能食用;

「低碳水化合物」或「高蛋白」,有哪些推荐;

「意大利风味」或「地中海风味」,有哪些推荐。

团队对 Reddit 上的问题进行信息分析

界定其中提到的食谱、食物、成分等

根据这些帖子的提问方式,团队总结了 56 个不同的模板,并基于此生成了一些基准问题。

第三步:编译健康指南

前期准备工作完成后,就可以进行健康饮食推荐了。

团队从 ADA 生活方式指南中,选择了一些与食物相关的指南,这些指南涉及到营养和微量元素,并将其作为额外的食物推荐要求。因此其系统的推荐,都是符合健康指南的健康食谱。

由于这些准则是自然语言的,所以将它们转换为结构化表示(例如,存储键值对的哈希表)。

将自然语言的饮食建议,转换为结构化数据进行表示

第四步:训练个性化系统

为了实现个性化,团队还分别解决了查询扩展、过敏查询的问题。作者认为,一个有效的食物推荐系统,应该尊重饮食偏好和健康指南中的个性化需求。因此,对于用户查询,会进行进一步的扩展。

比如用户向系统提问「请推荐一份包含面包的早餐」,系统则会根据用户此前的查询、膳食偏好、饮食历史日志,了解其饮食偏好,自动将单一的查询进行扩展,转换成附加个性化需求的查询。

经过扩展后的查询就变成了:「推荐一份包含面包、不含花生、含 5g 至 30g 碳水化合物的优质早餐」。

正因如此,面对不同用户提出的相同问题,系统能够给出不同的食谱建议。

实验结果:优于其它模型

团队对食物推荐进行了人类评估,方法是向 8 个评估者,提供随机测试的 50 个问题,以及用户角色,包括配料偏好(喜欢和不喜欢)和适用的营养指南。

对于每个问题,以随机顺序输入给 BAMnet、P-BOW、P-MatchNN 和 pFoodReQ 四种模型,并得出答案。每个答案都包含前三个菜谱(如果检索到的菜谱超过三个的话)、成分列表和营养价值。

评分范围为 1-10 分(得分越高,结果越好)

pFoodReQ 取得最高分

不过,目前这一个性化的饮食推荐系统,还只是团队研究的第一步。作者表示,「未来还存在很多挑战,我们需要更复杂的回答基准,处理隐含的用户意图和各种特殊情况。」

AI 营养师,国人更需要

合理膳食的重要性已不用多说,但目前我国饮食习惯仍然非常不健康,据《柳叶刀》发布的研究报告,在全球 195 个国家中,中国排名 140。

要从根本上改变不健康的饮食习惯,远远不止于推荐食谱那么简单。而 AI 的介入,能否为我们带来更多可能?以下是我们总结的 AI 营养师所具有的一些优势:

面对机器推荐,卸下心理防备

面对人类营养师、健身教练,很多人也许碍于面子或隐私问题,并不会透露自己最真实的饮食习惯和消费水平。

但换成 AI 营养师就不一样了,你大可以放下心理包袱,把自己更真实的需求告诉 AI,然后让它从万千食谱中搜出你感兴趣、并兼具营养的那一款。

包容 cheat day,动态调整菜谱

如今各种营养搭配、均衡饮食科普文充斥于网络,但对于读者来说,执行难度太高,依从性低。

我们总会遇到不能完全执行菜谱、或者外出应酬的情况。AI 能够针对这些变化,对后续的菜谱做出及时调整,适配各种变化。

补充营养师缺口,提升健康认知

虽然人们的健康意识正在崛起,但我国营养师这一职业却面临极大的缺口。

据调查,在日本,每 300 人就配备一个营养师;在美国,每 4000 人配备一个营养师;而在中国,每 40 多万人才有一个营养师。

如果 AI 具备了完善了营养健康学知识,那么人人都可以拥有 24 小时伴随的私人营养师,可以随时随地进行膳食搭配指导。

届时,「今天怎么吃」这个难题,就只管交给 AI 吧!

随意打赏

提交建议
微信扫一扫,分享给好友吧。