パーソナライズド栄養レコメンデーションにおける適応的制約緩和：LLM駆動型知識グラフ検索アプローチ

科学分野:

• 人工知能; コンピュータサイエンス; 栄養科学

背景:

• パーソナライズされた食品レコメンデーションシステムは、医学的ガイドライン、栄養ニーズ、およびユーザーの好みのバランスをとる上で課題に直面しています。
• 既存のシステムは、厳格すぎるクエリが原因で、正確な一致が利用できない場合に推奨事項がないという結果になることがよくあります。

研究 の 目的:

• パーソナライズされた食品レコメンデーションを強化する適応型知識グラフ（KG）検索フレームワークを開発すること。
• 複雑で潜在的に相反するユーザー制約を処理する既存のシステムの制限に対処すること。

主な方法:

• KG検索フレームワーク内でのインテリジェントな制約緩和のための大規模言語モデル（LLM）の統合。
• 重要な食事要件を維持しながら、それほど重要でないものを選択的に緩和することにより、制約の動的な優先順位付け。
• LLM駆動の制約分析と構造化された緩和戦略の使用。

主要な成果:

• 必須の食事ニーズを損なうことなく、レコメンデーションのカバレッジを大幅に向上させました。
• 以前のアプローチと比較して、レコメンデーションのパフォーマンスが向上し、検索精度が高まりました。
• 従来のメソッドが失敗したシナリオでレコメンデーションを正常に取得し、柔軟性と制約の遵守との間のバランスの取れたトレードオフを示しました。

結論:

• 提案された適応型KG検索フレームワークは、パーソナライズされた食品レコメンデーションにおける厳格なクエリシステムの制限を効果的に克服します。
• LLMの統合により、インテリジェントな制約緩和が可能になり、より包括的で正確な食事の提案につながります。
• このシステムは、パーソナライズされた栄養におけるさまざまな制約のバランスをとるための堅牢なソリューションを提供します。