KERL: Gepersonaliseerde Receptaanbeveling met Kennisverrijking via Grote Taalmodellen

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

May 20, 2025

Auteurs: Fnu Mohbat, Mohammed J Zaki

cs.AI

Samenvatting

Recente vooruitgang in grote taalmodellen (LLMs) en de overvloed aan voedingsgegevens hebben geleid tot studies om het begrip van voedsel te verbeteren met behulp van LLMs. Ondanks verschillende aanbevelingssystemen die LLMs en kennisgrafieken (KGs) gebruiken, is er beperkt onderzoek gedaan naar de integratie van voedselgerelateerde KGs met LLMs. Wij introduceren KERL, een geïntegreerd systeem dat voedsel-KGs en LLMs benut om gepersonaliseerde voedselaanbevelingen te bieden en recepten te genereren met bijbehorende micronutritionele informatie. Gegeven een natuurlijke taalvraag, extraheert KERL entiteiten, haalt subgrafieken op uit de KG, die vervolgens als context aan de LLM worden gevoerd om de recepten te selecteren die aan de beperkingen voldoen. Vervolgens genereert ons systeem de bereidingsstappen en voedingsinformatie voor elk recept. Om onze aanpak te evalueren, ontwikkelen we ook een benchmarkdataset door receptgerelateerde vragen te cureren, gecombineerd met beperkingen en persoonlijke voorkeuren. Door uitgebreide experimenten tonen we aan dat onze voorgestelde KG-augmented LLM bestaande benaderingen significant overtreft, en een volledige en samenhangende oplossing biedt voor voedselaanbevelingen, receptgeneratie en voedingsanalyse. Onze code en benchmarkdatasets zijn publiekelijk beschikbaar op 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.