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