栄養関連の知識グラフ食品推奨のためのニューラルネットワーク

ペースの速いライフスタイルと多様な栄養習慣を考えると、現代社会では、食品推奨システムがますます重要になっています。既存の研究と実装されたソリューションは、多くの場合、ユーザーの好みと過去の行動に依存しており、重要な問題を引き起こします。第一に、このアプローチは、食品の栄養含有量を不十分に考慮しており、潜在的に均一で多様性に欠けている推奨事項につながる可能性があります。第二に、同じ種類の食品の繰り返しの提案をもたらす可能性があり、それにより、ユーザーが全体的な健康に悪影響を与える可能性のある不健康な栄養習慣を開発することを奨励する可能性があります。この問題に対処するために、グラフ畳み込みネットワーク（GCNS）に基づいた新しい栄養関連の知識グラフ（NRKG）メソッドを紹介します。この方法は、適切な食品を選択するユーザーの能力を高めるだけでなく、健康的な食習慣の発達を促進し、それによって全体的な公衆衛生に貢献します。NRKGメソッドは、ユーザー栄養関連の食品の好みとレシピの栄養成分の2つの重要な要素で構成されています。最初のコンポーネントは、ユーザーがユーザー参照のためにこれらのデータに興味を示し、合成するレシピから栄養情報を収集します。2番目のコンポーネントは、レシピを同様の栄養プロファイルで接続し、複雑な不均一なグラフ構造を形成します。このグラフから学習することにより、NRKGメソッドはユーザーの好みを栄養データと統合し、より正確でパーソナライズされた食品の推奨事項をもたらします。実際の食品データセットを使用して、6つのベースラインメソッドに対してNRKGメソッドを評価しました。100％のデータセットでは、5つのメトリックが最高のベースライン法のパフォーマンスをそれぞれ2.8％、5.9％、1.5％、9.7％、および6.0％増加させました。結果は、NRKGメソッドがFeastnet、deepGCN、グラフセージ、GAT、UNIMP、およびGATV2を含むベースラインメソッドを大幅に上回り、より健康で多様な食習慣を促進する上でその優位性と有効性を実証することを示しています。主に階層情報の伝播に焦点を当てたこれらのベースラインメソッドとは異なり、NRKGメソッドは、レシピの栄養情報をユーザーの好みと統合することにより、より包括的なアプローチを提供します。

Food recommendation systems are becoming increasingly vital in modern society, given the fast-paced lifestyle and diverse dietary habits. Existing research and implemented solutions often rely on user preferences and past behaviors for recommendations, which poses significant issues. Firstly, this approach inadequately considers the nutritional content of foods, potentially leading to recommendations that are overly homogeneous and lacking in diversity. Secondly, it may result in repetitive suggestions of the same types of foods, thereby encouraging users to develop unhealthy dietary habits that could adversely affect their overall health. To address this issue, we introduce a novel nutrition-related knowledge graph (NRKG) method based on graph convolutional networks (GCNs). This method not only enhances users' ability to select appropriate foods but also encourages the development of healthy eating habits, thereby contributing to overall public health. The NRKG method comprises two key components: user nutrition-related food preferences and recipe nutrition components. The first component gathers nutritional information from recipes that users show interest in and synthesizes these data for user reference. The second component connects recipes with similar nutritional profiles, forming a complex heterogeneous graph structure. By learning from this graph, the NRKG method integrates user preferences with nutritional data, resulting in more accurate and personalized food recommendations. We evaluated the NRKG method against six baseline methods using real-world food datasets. In the 100% dataset, the five metrics exceeded the performance of the best baseline method by 2.8%, 5.9%, 1.5%, 9.7%, and 6.0%, respectively. The results indicate that our NRKG method significantly outperforms the baseline methods, including FeaStNet, DeepGCN, GraphSAGE, GAT, UniMP, and GATv2, demonstrating its superiority and effectiveness in promoting healthier and more diverse eating habits. Unlike these baseline methods, which primarily focus on hierarchical information propagation, our NRKG method offers a more comprehensive approach by integrating the nutritional information of recipes with user preferences.