KERL: Recomendação Personalizada de Receitas Aprimorada por Conhecimento usando Modelos de Linguagem de Grande Escala

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

May 20, 2025

Autores: Fnu Mohbat, Mohammed J Zaki

cs.AI

Resumo

Os recentes avanços em modelos de linguagem de grande escala (LLMs) e a abundância de dados relacionados a alimentos resultaram em estudos para melhorar a compreensão de alimentos utilizando LLMs. Apesar de vários sistemas de recomendação empregarem LLMs e Grafos de Conhecimento (KGs), houve pesquisas limitadas sobre a integração de KGs relacionados a alimentos com LLMs. Apresentamos o KERL, um sistema unificado que aproveita KGs de alimentos e LLMs para fornecer recomendações de alimentos personalizadas e gerar receitas com informações associadas sobre micronutrientes. Dada uma pergunta em linguagem natural, o KERL extrai entidades, recupera subgrafos do KG, que são então alimentados no LLM como contexto para selecionar as receitas que atendem às restrições. Em seguida, nosso sistema gera as etapas de preparo e as informações nutricionais para cada receita. Para avaliar nossa abordagem, também desenvolvemos um conjunto de dados de referência, curando perguntas relacionadas a receitas, combinadas com restrições e preferências pessoais. Por meio de experimentos extensivos, demonstramos que nosso LLM aumentado por KG supera significativamente as abordagens existentes, oferecendo uma solução completa e coerente para recomendação de alimentos, geração de receitas e análise nutricional. Nosso código e conjuntos de dados de referência estão disponíveis publicamente em 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.