論文の概要: HealthGenie: Empowering Users with Healthy Dietary Guidance through Knowledge Graph and Large Language Models
- arxiv url: http://arxiv.org/abs/2504.14594v1
- Date: Sun, 20 Apr 2025 12:51:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 23:33:39.435252
- Title: HealthGenie: Empowering Users with Healthy Dietary Guidance through Knowledge Graph and Large Language Models
- Title（参考訳）: HealthGenie:知識グラフと大規模言語モデルによる健康的な食事指導をユーザに提供する
- Authors: Fan Gao, Xinjie Zhao, Ding Xia, Zhongyi Zhou, Rui Yang, Jinghui Lu, Hang Jiang, Chanjun Park, Irene Li,
- Abstract要約: HealthGenieは、LLM(Large Language Models)とKG(Knowledge Graphs)の長所を組み合わせたインタラクティブシステムである。
このシステムは、定義されたカテゴリによって構成された関連する情報を視覚化し、ハイライトし、詳細な説明可能な推奨論理を提供する。
対象内比較実験とオープンエンドの議論から,HealthGenieは個人化された食事指導を得る上で,効果的にユーザを支援することを実証した。
- 参考スコア（独自算出の注目度）: 19.722881088615647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Seeking dietary guidance often requires navigating complex professional knowledge while accommodating individual health conditions. Knowledge Graphs (KGs) offer structured and interpretable nutritional information, whereas Large Language Models (LLMs) naturally facilitate conversational recommendation delivery. In this paper, we present HealthGenie, an interactive system that combines the strengths of LLMs and KGs to provide personalized dietary recommendations along with hierarchical information visualization for a quick and intuitive overview. Upon receiving a user query, HealthGenie performs query refinement and retrieves relevant information from a pre-built KG. The system then visualizes and highlights pertinent information, organized by defined categories, while offering detailed, explainable recommendation rationales. Users can further tailor these recommendations by adjusting preferences interactively. Our evaluation, comprising a within-subject comparative experiment and an open-ended discussion, demonstrates that HealthGenie effectively supports users in obtaining personalized dietary guidance based on their health conditions while reducing interaction effort and cognitive load. These findings highlight the potential of LLM-KG integration in supporting decision-making through explainable and visualized information. We examine the system's usefulness and effectiveness with an N=12 within-subject study and provide design considerations for future systems that integrate conversational LLM and KG.
- Abstract（参考訳）: 食事指導を探すには、個々の健康状態を調節しながら複雑な専門知識をナビゲートする必要があることが多い。
知識グラフ(KGs)は構造的かつ解釈可能な栄養情報を提供するが、Large Language Models(LLMs)は会話レコメンデーションの提供を自然に促進する。
本稿では,LLMとKGの強みを組み合わせた対話型システムHealthGenieを提案する。
ユーザクエリを受け取ると、HealthGenieはクエリのリファインメントを実行し、ビルド済みのKGから関連する情報を取得する。
そしてシステムは、定義されたカテゴリによって構成された関連する情報を視覚化し、ハイライトする。
ユーザーは好みをインタラクティブに調整することで、これらのレコメンデーションをさらに調整できる。
対象内比較実験とオープンエンドの議論から,HealthGenieは,インタラクションの労力と認知負荷を低減しつつ,健康状態に基づく個人化された食事指導を効果的に支援できることを実証した。
これらの知見は,説明可能な情報と可視化情報による意思決定支援におけるLLM-KG統合の可能性を強調した。
対話型LLMとKGを統合した将来のシステムにおいて,N=12インテリアオブジェクトを用いたシステムの有用性と有効性を検討した。
関連論文リスト
- Graph Retrieval-Augmented LLM for Conversational Recommendation Systems [52.35491420330534]
G-CRS(Graph Retrieval-Augmented Large Language Model for Conversational Recommender Systems)は、グラフ検索強化世代とテキスト内学習を組み合わせた学習自由フレームワークである。
G-CRSは、タスク固有のトレーニングを必要とせず、既存の手法よりも優れたレコメンデーション性能を達成する。
論文 参考訳（メタデータ） (2025-03-09T03:56:22Z) - MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。
我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。
ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
論文 参考訳（メタデータ） (2024-12-12T01:02:09Z) - Unveiling User Preferences: A Knowledge Graph and LLM-Driven Approach for Conversational Recommendation [55.5687800992432]
本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗化するプラグイン・アンド・プレイフレームワークを提案する。
これにより、LLMはKGエンティティを簡潔な自然言語記述に変換することができ、ドメイン固有の知識を理解できるようになる。
論文 参考訳（メタデータ） (2024-11-16T11:47:21Z) - HealthQ: Unveiling Questioning Capabilities of LLM Chains in Healthcare Conversations [20.31796453890812]
HealthQは、医療会話における大規模言語モデル(LLM)の質問機能を評価するためのフレームワークである。
我々は LLM の判断を統合して, 具体性, 妥当性, 有用性など, 様々な指標を用いて, 生成した質問を評価する。
医療談話における質問機能評価のための最初の体系的枠組みを提示し、モデルに依存しない評価手法を確立し、高品質な質問をリンクして患者の情報引用を改善するための実証的証拠を提供する。
論文 参考訳（メタデータ） (2024-09-28T23:59:46Z) - Graph-Augmented LLMs for Personalized Health Insights: A Case Study in Sleep Analysis [2.303486126296845]
大規模言語モデル(LLM)は、インタラクティブなヘルスアドバイスを提供する上で、有望であることを示している。
Retrieval-Augmented Generation (RAG) やファインチューニングのような従来の手法は、複雑で多次元で時間的に関係のあるデータを完全に活用できないことが多い。
本稿では,健康意識のパーソナライズと明確性を高めるために,グラフ拡張LDMフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-24T01:22:54Z) - Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。
KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。
KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-12-18T06:41:23Z) - Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳（メタデータ） (2023-07-05T06:03:40Z) - A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises [59.4999994297993]
この総合的なレビューは、医療知識グラフ(HKG)の現状の概要を提供することを目的としている。
我々は,既存のHKGに関する文献を網羅的に分析し,その構築方法,活用技術,応用について考察した。
このレビューは、HKGsが生物医学研究や臨床実践に大きな影響を与える可能性を強調している。
論文 参考訳（メタデータ） (2023-06-07T21:51:56Z) - Semantic Modeling for Food Recommendation Explanations [0.5833117322405447]
食品に関する推奨事項について,ユーザに説明をモデル化するための形式主義を提供する食品説明オントロジー(FEO)を提示する。
FEOはモジュール構造を使用しており、重要なセマンティックな詳細を保存しながら、さまざまな説明に役立てている。
FEOの使用に対する私たちの動機は、ユーザーの健康に関する決定を、ユーザの質問に関連するAIレコメンデータシステムの理解を十分に備えた上で、ユーザに権限を与えることです。
論文 参考訳（メタデータ） (2021-05-04T03:25:36Z) - Improving Conversational Recommender Systems via Knowledge Graph based
Semantic Fusion [77.21442487537139]
対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。
まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。
第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
論文 参考訳（メタデータ） (2020-07-08T11:14:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。