作者丨神經小兮
來源丨超神經
合理膳食、營養均衡的重要性已不必多說，但具體如何落實，卻不簡單。爲了得到搭配更合理、更健康、更符合人們口味的食譜，AI 也加入了營養師的隊伍。
在健康飲食方面，現代人對養生、專家推薦、最全食譜這些關鍵詞，有着超乎想象的熱忱。
健身人羣追求增肌，執着於低碳水、高生酮的飲食；愛美人羣追求速效減肥，輕斷食、哥本哈根減肥法最得人心；術後病人、孕產婦被口口相傳的小米粥、豬蹄湯洗腦；嚮往綠色生活的年輕人、學佛人羣崇尚素食，在有限的選擇中，儘量保持身心健康。
（滑動查看）豐富又專業的食譜，並不適合每一個人
面對豐富的選擇，到底怎樣搭配纔是科學合理的？一些研究者正在藉助算法和大數據的優勢，爲每個人推薦更健康、更營養的食譜。
AI 學會「看人下菜碟」
上文提到的通用型食譜最大的問題就是，每個人的體質不同、口味不同、地域資源不同，另外消費水平不同。
一些博主的高質量食譜裏動輒就是三文魚、牛油果這些價格昂貴、部分地區難以購買的食材，也讓很多人望而卻步。
爲了實現千人千面的飲食推薦，很多研究者也引入了人工智能技術。
美國倫斯勒理工大學聯合 IBM Research 的研究人員，最近開發了一個個性化飲食推薦系統 pFoodReQ，可以根據個人用戶的喜好和飲食需求，推薦量身定製的食譜。
基於大規模食物知識圖譜上受限問題回答的個性化食物推薦
論文地址：https://arxiv.org/pdf/2101.01775.pdf
作者在論文中指出，現有的飲食推薦方法，普遍存在三個主要缺點：
不理解用戶的準確要求；
不考慮過敏和營養需求的關鍵因素；
沒有基於豐富的食物選擇定製食譜。
在本項研究中，研究團隊則提出個性化食物推薦，並將其視爲對食物知識圖譜（Knowledge Graph，簡稱 KG）的受限問題的回答，從而設法用統一的方式解決上述問題。
團隊提出了一種基於知識庫問答 KBQA（Knowledge Base Question Answering）的個性化食品推薦框架，即通過問答的方式進行個性化食品推薦。
對於不同用戶，系統會進行不同的需求分析
具體來說，pFoodReQ 系統會按照用戶的問題，比如「一頓包含麪包的好早餐是什麼？」，然後從 KG 中檢索滿足這一查詢條件的所有食譜。再對這些食譜中的成分進行適用度評分，最後推薦評分排名最高的幾份食譜。
基於問答機制的個性化食品推薦體系結構示意
最後驗證實驗結果表明，他們提出的方法明顯優於非個性化的方法，能夠推薦更相關、更健康的食譜。
食譜千千萬，AI 只推薦適合你的菜
總的來說，團隊建立該系統，共經歷了創建數據集、生成基準問題、編譯健康指南、系統訓練四個步驟。
第一步：食譜數據集創建
團隊基於廣泛的食物知識圖譜 FoodKG（FoodKG 集成了食譜、食品和營養數據），創建了一個基準的 QA 數據集（暫未公開），其中包含超過 100 萬份食譜，770萬份營養記錄，和 730 萬種食物，同時還包含相應的配料和營養成分，並參考了 ADA 美國糖尿病學會推薦的生活方式指南。
（推薦）Open food facts 食品營養成分數據集
收集全球各類食品的成分、過敏信息、添加劑等數據
數據集下載：https://hyper.ai/datasets/5615
據作者介紹，這是第一個與配料、營養和食譜相關的、支持問答系統的個性化食物推薦數據集。
數據集中的每個示例都包含一個用戶查詢、飲食偏好、與用戶相關的健康指南和基本答案(即食譜推薦)。
第二步：生成基準問題
爲了得到反映人們真實飲食情況的問題，作者在社交媒體 Reddit 上收集了 200 多個食譜、糖尿病相關的問題，一共發現了 156 篇網友求食譜的帖子，大家主要集中在四類問題上：
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」，有哪些推薦；
「意大利風味」或「地中海風味」，有哪些推薦。
團隊對 Reddit 上的問題進行信息分析
界定其中提到的食譜、食物、成分等
根據這些帖子的提問方式，團隊總結了 56 個不同的模板，並基於此生成了一些基準問題。
第三步：編譯健康指南
前期準備工作完成後，就可以進行健康飲食推薦了。
團隊從 ADA 生活方式指南中，選擇了一些與食物相關的指南，這些指南涉及到營養和微量元素，並將其作爲額外的食物推薦要求。因此其系統的推薦，都是符合健康指南的健康食譜。
由於這些準則是自然語言的，所以將它們轉換爲結構化表示(例如，存儲鍵值對的哈希表)。
將自然語言的飲食建議，轉換爲結構化數據進行表示
第四步：訓練個性化系統
爲了實現個性化，團隊還分別解決了查詢擴展、過敏查詢的問題。作者認爲，一個有效的食物推薦系統，應該尊重飲食偏好和健康指南中的個性化需求。因此，對於用戶查詢，會進行進一步的擴展。
比如用戶向系統提問「請推薦一份包含麪包的早餐」，系統則會根據用戶此前的查詢、膳食偏好、飲食歷史日誌，瞭解其飲食偏好，自動將單一的查詢進行擴展，轉換成附加個性化需求的查詢。
經過擴展後的查詢就變成了：「推薦一份包含麪包、不含花生、含 5g 至 30g 碳水化合物的優質早餐」。
正因如此，面對不同用戶提出的相同問題，系統能夠給出不同的食譜建議。
實驗結果：優於其它模型
團隊對食物推薦進行了人類評估，方法是向 8 個評估者，提供隨機測試的 50 個問題，以及用戶角色，包括配料偏好(喜歡和不喜歡)和適用的營養指南。
對於每個問題，以隨機順序輸入給 BAMnet、P-BOW、P-MatchNN 和 pFoodReQ 四種模型，並得出答案。每個答案都包含前三個菜譜(如果檢索到的菜譜超過三個的話)、成分列表和營養價值。
評分範圍爲 1-10 分(得分越高，結果越好）
pFoodReQ 取得最高分
不過，目前這一個性化的飲食推薦系統，還只是團隊研究的第一步。作者表示，「未來還存在很多挑戰，我們需要更復雜的回答基準，處理隱含的用戶意圖和各種特殊情況。」
AI 營養師，國人更需要
合理膳食的重要性已不用多說，但目前我國飲食習慣仍然非常不健康，據《柳葉刀》發佈的研究報告，在全球 195 個國家中，中國排名 140。
要從根本上改變不健康的飲食習慣，遠遠不止於推薦食譜那麼簡單。而 AI 的介入，能否爲我們帶來更多可能？以下是我們總結的 AI 營養師所具有的一些優勢：
面對機器推薦，卸下心理防備
面對人類營養師、健身教練，很多人也許礙於面子或隱私問題，並不會透露自己最真實的飲食習慣和消費水平。
但換成 AI 營養師就不一樣了，你大可以放下心理包袱，把自己更真實的需求告訴 AI，然後讓它從萬千食譜中搜出你感興趣、併兼具營養的那一款。
包容 cheat day，動態調整菜譜
如今各種營養搭配、均衡飲食科普文充斥於網絡，但對於讀者來說，執行難度太高，依從性低。
我們總會遇到不能完全執行菜譜、或者外出應酬的情況。AI 能夠針對這些變化，對後續的菜譜做出及時調整，適配各種變化。
補充營養師缺口，提升健康認知
雖然人們的健康意識正在崛起，但我國營養師這一職業卻面臨極大的缺口。
據調查，在日本，每 300 人就配備一個營養師；在美國，每 4000 人配備一個營養師；而在中國，每 40 多萬人纔有一個營養師。
如果 AI 具備了完善了營養健康學知識，那麼人人都可以擁有 24 小時伴隨的私人營養師，可以隨時隨地進行膳食搭配指導。
屆時，「今天怎麼喫」這個難題，就只管交給 AI 吧！
更多精彩推薦
☞讀懂深度遷移學習，看這文就夠了 | 贈書
☞『帶你學AI』一文帶你搞懂OCR識別算法CRNN：解析+源碼
☞龍泉寺賢超法師：用 AI 爲古籍經書識別、斷句、翻譯
☞微信十週年，騰訊曬成績單了！
點分享點收藏點點贊點在看