KERL: Personalisierte Rezeptempfehlung mit Wissensanreicherung durch große Sprachmodelle

KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models

May 20, 2025

Autoren: Fnu Mohbat, Mohammed J Zaki

cs.AI

Zusammenfassung

Jüngste Fortschritte bei großen Sprachmodellen (LLMs) und die Fülle von Lebensmitteldaten haben zu Studien geführt, die das Verständnis von Lebensmitteln mithilfe von LLMs verbessern sollen. Obwohl mehrere Empfehlungssysteme LLMs und Wissensgraphen (KGs) nutzen, gab es bisher nur begrenzte Forschung zur Integration von lebensmittelbezogenen KGs mit LLMs. Wir stellen KERL vor, ein einheitliches System, das Lebensmittel-KGs und LLMs nutzt, um personalisierte Lebensmittelempfehlungen zu geben und Rezepte mit zugehörigen Mikronährstoffinformationen zu generieren. Bei einer natürlichen Sprachfrage extrahiert KERL Entitäten, ruft Teilgraphen aus dem KG ab, die dann als Kontext in das LLM eingespeist werden, um die Rezepte auszuwählen, die den Anforderungen entsprechen. Anschließend generiert unser System die Kochschritte und Nährwertinformationen für jedes Rezept. Um unseren Ansatz zu bewerten, haben wir auch einen Benchmark-Datensatz entwickelt, indem wir rezeptbezogene Fragen mit Einschränkungen und persönlichen Präferenzen kombiniert haben. Durch umfangreiche Experimente zeigen wir, dass unser vorgeschlagener KG-erweiterter LLM bestehende Ansätze deutlich übertrifft und eine vollständige und kohärente Lösung für Lebensmittelempfehlungen, Rezeptgenerierung und Nährwertanalyse bietet. Unser Code und die Benchmark-Datensätze sind öffentlich unter https://github.com/mohbattharani/KERL verfügbar.

English

Recent advances in large language models (LLMs) and the abundance of food data have resulted in studies to improve food understanding using LLMs. Despite several recommendation systems utilizing LLMs and Knowledge Graphs (KGs), there has been limited research on integrating food related KGs with LLMs. We introduce KERL, a unified system that leverages food KGs and LLMs to provide personalized food recommendations and generates recipes with associated micro-nutritional information. Given a natural language question, KERL extracts entities, retrieves subgraphs from the KG, which are then fed into the LLM as context to select the recipes that satisfy the constraints. Next, our system generates the cooking steps and nutritional information for each recipe. To evaluate our approach, we also develop a benchmark dataset by curating recipe related questions, combined with constraints and personal preferences. Through extensive experiments, we show that our proposed KG-augmented LLM significantly outperforms existing approaches, offering a complete and coherent solution for food recommendation, recipe generation, and nutritional analysis. Our code and benchmark datasets are publicly available at https://github.com/mohbattharani/KERL.