KERL: Raccomandazione Personalizzata di Ricette con Potenziamento della Conoscenza utilizzando Modelli Linguistici di Grande Dimensione

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

May 20, 2025

Autori: Fnu Mohbat, Mohammed J Zaki

cs.AI

Abstract

I recenti progressi nei grandi modelli linguistici (LLM) e l'abbondanza di dati alimentari hanno portato a studi volti a migliorare la comprensione del cibo utilizzando gli LLM. Nonostante diversi sistemi di raccomandazione utilizzino LLM e grafi di conoscenza (KG), la ricerca sull'integrazione di KG relativi al cibo con gli LLM è stata limitata. Introduciamo KERL, un sistema unificato che sfrutta KG alimentari e LLM per fornire raccomandazioni alimentari personalizzate e generare ricette con informazioni associate sui micronutrienti. Data una domanda in linguaggio naturale, KERL estrae le entità, recupera sottografi dal KG, che vengono poi inseriti nell'LLM come contesto per selezionare le ricette che soddisfano i vincoli. Successivamente, il nostro sistema genera i passaggi di cottura e le informazioni nutrizionali per ogni ricetta. Per valutare il nostro approccio, abbiamo anche sviluppato un dataset di riferimento curando domande relative alle ricette, combinate con vincoli e preferenze personali. Attraverso esperimenti estesi, dimostriamo che il nostro LLM potenziato con KG supera significativamente gli approcci esistenti, offrendo una soluzione completa e coerente per la raccomandazione alimentare, la generazione di ricette e l'analisi nutrizionale. Il nostro codice e i dataset di riferimento sono disponibili pubblicamente all'indirizzo 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.