科學(xué)“干飯”，AI 營養(yǎng)師教你

　　作者丨神經(jīng)小兮

　　來源丨超神經(jīng)

　　合理膳食、營養(yǎng)均衡的重要性已不必多說，但具體如何落實，卻不簡單。為了得到搭配更合理、更健康、更符合人們口味的食譜，AI 也加入了營養(yǎng)師的隊伍。

　　在健康飲食方面，現(xiàn)代人對養(yǎng)生、專家推薦、最全食譜這些關(guān)鍵詞，有著超乎想象的熱忱。健身人群追求增肌，執(zhí)著于低碳水、高生酮的飲食;愛美人群追求速效減肥，輕斷食、哥本哈根減肥法最得人心;術(shù)后病人、孕產(chǎn)婦被口口相傳的小米粥、豬蹄湯洗腦;向往綠色生活的年輕人、學(xué)佛人群崇尚素食，在有限的選擇中，盡量保持身心健康。

豐富又專業(yè)的食譜，并不適合每一個人

　　面對豐富的選擇，到底怎樣搭配才是科學(xué)合理的?一些研究者正在借助算法和大數(shù)據(jù)的優(yōu)勢，為每個人推薦更健康、更營養(yǎng)的食譜。

AI 學(xué)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(zhì)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(zhì)量食譜里動輒就是三文魚、牛油果這些價格昂貴、部分地區(qū)難以購買的食材，也讓很多人望而卻步。為了實現(xiàn)千人千面的飲食推薦，很多研究者也引入了人工智能技術(shù)。美國倫斯勒理工大學(xué)聯(lián)合 IBM Research 的研究人員，最近開發(fā)了一個個性化飲食推薦系統(tǒng) pFoodReQ，可以根據(jù)個人用戶的喜好和飲食需求，推薦量身定制的食譜。

　　作者在論文中指出，現(xiàn)有的飲食推薦方法，普遍存在三個主要缺點：

　　1、不理解用戶的準(zhǔn)確要求;

　　2、不考慮過敏和營養(yǎng)需求的關(guān)鍵因素;

　　3、沒有基于豐富的食物選擇定制食譜。

　　在本項研究中，研究團(tuán)隊則提出個性化食物推薦，并將其視為對食物知識圖譜(Knowledge Graph，簡稱 KG)的受限問題的回答，從而設(shè)法用統(tǒng)一的方式解決上述問題。團(tuán)隊提出了一種基于知識庫問答 KBQA(Knowledge Base Question Answering)的個性化食品推薦框架，即通過問答的方式進(jìn)行個性化食品推薦。

　　具體來說，pFoodReQ 系統(tǒng)會按照用戶的問題，比如「一頓包含面包的好早餐是什么?」，然后從 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(jìn)行適用度評分，最后推薦評分排名最高的幾份食譜。

　　基于問答機制的個性化食品推薦體系結(jié)構(gòu)示意最后驗證實驗結(jié)果表明，他們提出的方法明顯優(yōu)于非個性化的方法，能夠推薦更相關(guān)、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(tuán)隊建立該系統(tǒng)，共經(jīng)歷了創(chuàng)建數(shù)據(jù)集、生成基準(zhǔn)問題、編譯健康指南、系統(tǒng)訓(xùn)練四個步驟。

 　　第一步：食譜數(shù)據(jù)集創(chuàng)建

　　團(tuán)隊基于廣泛的食物知識圖譜 FoodKG(FoodKG 集成了食譜、食品和營養(yǎng)數(shù)據(jù))，創(chuàng)建了一個基準(zhǔn)的 QA 數(shù)據(jù)集(暫未公開)，其中包含超過 100 萬份食譜，770萬份營養(yǎng)記錄，和 730 萬種食物，同時還包含相應(yīng)的配料和營養(yǎng)成分，并參考了 ADA 美國糖尿病學(xué)會推薦的生活方式指南。

　　據(jù)作者介紹，這是第一個與配料、營養(yǎng)和食譜相關(guān)的、支持問答系統(tǒng)的個性化食物推薦數(shù)據(jù)集。數(shù)據(jù)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(guān)的健康指南和基本答案(即食譜推薦)。

　　第二步：生成基準(zhǔn)問題

　　為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(guān)的問題，一共發(fā)現(xiàn)了 156 篇網(wǎng)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(fēng)味」或「地中海風(fēng)味」，有哪些推薦。

　　根據(jù)這些帖子的提問方式，團(tuán)隊總結(jié)了 56 個不同的模板，并基于此生成了一些基準(zhǔn)問題。

　　第三步：編譯健康指南

　　前期準(zhǔn)備工作完成后，就可以進(jìn)行健康飲食推薦了。團(tuán)隊從 ADA 生活方式指南中，選擇了一些與食物相關(guān)的指南，這些指南涉及到營養(yǎng)和微量元素，并將其作為額外的食物推薦要求。因此其系統(tǒng)的推薦，都是符合健康指南的健康食譜。

　　由于這些準(zhǔn)則是自然語言的，所以將它們轉(zhuǎn)換為結(jié)構(gòu)化表示(例如，存儲鍵值對的哈希表)。

　　第四步：訓(xùn)練個性化系統(tǒng)

　　為了實現(xiàn)個性化，團(tuán)隊還分別解決了查詢擴(kuò)展、過敏查詢的問題。作者認(rèn)為，一個有效的食物推薦系統(tǒng)，應(yīng)該尊重飲食偏好和健康指南中的個性化需求。因此，對于用戶查詢，會進(jìn)行進(jìn)一步的擴(kuò)展。

　　比如用戶向系統(tǒng)提問「請推薦一份包含面包的早餐」，系統(tǒng)則會根據(jù)用戶此前的查詢、膳食偏好、飲食歷史日志，了解其飲食偏好，自動將單一的查詢進(jìn)行擴(kuò)展，轉(zhuǎn)換成附加個性化需求的查詢。

　　經(jīng)過擴(kuò)展后的查詢就變成了：「推薦一份包含面包、不含花生、含 5g 至 30g 碳水化合物的優(yōu)質(zhì)早餐」。

　　正因如此，面對不同用戶提出的相同問題，系統(tǒng)能夠給出不同的食譜建議。

　　實驗結(jié)果：優(yōu)于其它模型

　　團(tuán)隊對食物推薦進(jìn)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(yǎng)指南。

　　對于每個問題，以隨機順序輸入給 BAMnet、P-BOW、P-MatchNN 和 pFoodReQ 四種模型，并得出答案。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(yǎng)價值。

　　不過，目前這一個性化的飲食推薦系統(tǒng)，還只是團(tuán)隊研究的第一步。作者表示，「未來還存在很多挑戰(zhàn)，我們需要更復(fù)雜的回答基準(zhǔn)，處理隱含的用戶意圖和各種特殊情況?！?/FONT>