用于基于健康饮食指数的个性化食品推荐的 LLM-RAG 方法

饮食质量是慢性病风险的主要决定因素。人工智能 (AI) 的进步使食品推荐系统能够根据用户偏好和健康目标调整建议。然而，大多数当前系统依赖于松散管理的食品数据库，并提供与经过验证的索引的有限连接。在这项研究中，我们提出了一个健康饮食指数（HEI）知情检索增强生成（RAG）框架，该框架将标准化营养数据库与 大语言模型 (LLM) 相结合，以提供个性化食品推荐。我们提出的方法将检索锚定在国家健康和营养检查调查（NHANES）和食物模式等效数据库（FPED）中。食品级嵌入空间是根据 FPED 派生的文本描述构建的。对于每个实体，系统计算基线 HEI 分数，检索候选食物以提供摄入建议，并估计简单替换或添加对 HEI 的影响。使用预训练的 OpenAI LLM 实例化的受限 RAG 管道会根据营养成分和 HEI 贡献生成个性化的建议和来源。模拟结果显示，HEI 平均提高了 6.45，HEI 超过 50 岁的用户比例从 45.12 增加到 61.26。分位数分析揭示了整个 HEI 分布的一致改善变化。我们的研究结果表明，所提出的基于 LLM-RAG 的人工智能系统可以支持更精确、可解释和个性化的营养指导，以提高饮食质量。