KERL : Recommandation personnalisée de recettes enrichie par les connaissances utilisant des modèles de langage de grande taille

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

May 20, 2025

Auteurs: Fnu Mohbat, Mohammed J Zaki

cs.AI

Résumé

Les récents progrès des modèles de langage de grande taille (LLMs) et l'abondance de données alimentaires ont conduit à des études visant à améliorer la compréhension des aliments grâce aux LLMs. Malgré plusieurs systèmes de recommandation utilisant des LLMs et des graphes de connaissances (KGs), les recherches sur l'intégration de KGs liés à l'alimentation avec des LLMs restent limitées. Nous présentons KERL, un système unifié qui exploite des KGs alimentaires et des LLMs pour fournir des recommandations alimentaires personnalisées et générer des recettes accompagnées d'informations micro-nutritionnelles. Étant donné une question en langage naturel, KERL extrait des entités, récupère des sous-graphes du KG, qui sont ensuite fournis au LLM comme contexte pour sélectionner les recettes répondant aux contraintes. Ensuite, notre système génère les étapes de cuisson et les informations nutritionnelles pour chaque recette. Pour évaluer notre approche, nous avons également développé un ensemble de données de référence en compilant des questions liées aux recettes, combinées à des contraintes et des préférences personnelles. À travers des expériences approfondies, nous montrons que notre approche de LLM augmenté par KG surpasse significativement les méthodes existantes, offrant une solution complète et cohérente pour la recommandation alimentaire, la génération de recettes et l'analyse nutritionnelle. Notre code et les ensembles de données de référence sont disponibles publiquement à l'adresse https://github.com/mohbattharani/KERL.

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.