KERL: Персонализированная рекомендация рецептов с использованием больших языковых моделей, обогащенных знаниями

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

May 20, 2025

Авторы: Fnu Mohbat, Mohammed J Zaki

cs.AI

Аннотация

Недавние достижения в области больших языковых моделей (LLM) и обилие данных о продуктах питания привели к исследованиям, направленным на улучшение понимания пищи с использованием LLM. Несмотря на существование нескольких рекомендательных систем, использующих LLM и графы знаний (KG), исследования по интеграции связанных с пищей KG с LLM остаются ограниченными. Мы представляем KERL — унифицированную систему, которая использует пищевые KG и LLM для предоставления персонализированных рекомендаций по питанию и генерации рецептов с сопутствующей информацией о микронутриентах. Получив естественноязыковый запрос, KERL извлекает сущности, извлекает подграфы из KG, которые затем передаются в LLM в качестве контекста для выбора рецептов, удовлетворяющих заданным ограничениям. Далее наша система генерирует шаги приготовления и информацию о питательной ценности для каждого рецепта. Для оценки нашего подхода мы также разработали эталонный набор данных, курируя вопросы, связанные с рецептами, в сочетании с ограничениями и личными предпочтениями. В ходе обширных экспериментов мы показываем, что предложенный нами подход, основанный на усилении LLM с помощью KG, значительно превосходит существующие методы, предлагая полное и согласованное решение для рекомендаций по питанию, генерации рецептов и анализа питательной ценности. Наш код и эталонные наборы данных доступны по адресу 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.