論文の概要: An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations

• arxiv url: http://arxiv.org/abs/2605.15213v1
• Date: Mon, 11 May 2026 03:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.257204
• Title: An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations
• Title（参考訳）: LLM-RAGによる健康食索引インフォームドパーソナライズ食品レコメンデーション
• Authors: Yibin Wang, Yanjie Yang, Grace Melo Guerrero, Rodolfo M. Nayga, Azlan Zahid,
• Abstract要約: 食事の質は慢性疾患のリスクの主要な要因である。 標準化された栄養データベースと大規模言語モデルを組み合わせた,個人化された食品レコメンデーションのためのフレームワークを提案する。 提案するLLM-RAGベースのAIシステムは,より正確で説明可能な,個人化された栄養指導を支援することが示唆された。
• 参考スコア（独自算出の注目度）: 2.7388641122712802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diet quality is a leading determinant of chronic disease risk. Advances in artificial intelligence (AI) have enabled food recommendation systems to adapt suggestions to user preferences and health goals. However, most current systems rely on loosely curated food databases and provide limited connection to a validated index. In this study, we propose a Healthy Eating Index (HEI) informed retrieval-augmented generation (RAG) framework that combines standardized nutrition databases with large language models (LLMs) for personalized food recommendations. Our proposed method anchors retrieval in the National Health and Nutrition Examination Survey (NHANES) and the Food Patterns Equivalents Database (FPED). A food-level embedding space is constructed from FPED-derived textual descriptions. For each entity, the system computes baseline HEI scores, retrieves candidate foods for intake recommendations, and estimates the HEI impact of simple substitutions or additions. A constrained RAG pipeline instantiated with a pretrained OpenAI LLM generates personalized recommendations and sources based on nutrient profiles and HEI contributions. The simulation results showed a mean HEI improvement of 6.45, with the proportion of users HEI over 50 increasing from 45.12 to 61.26. Quantile analysis revealed consistent improved shifts across the HEI distribution. Our findings suggest that the proposed LLM-RAG-based AI systems can support more precise, explainable, and personalized nutrition guidance to improve diet quality.
• Abstract（参考訳）: 食事の質は慢性疾患のリスクの主要な要因である。 人工知能(AI)の進歩により、食品レコメンデーションシステムはユーザーの好みや健康目標に適応できる。 しかし、現在のほとんどのシステムは、緩やかにキュレートされた食品データベースに依存しており、検証された指標との限られた接続を提供している。 本研究では,特定食品レコメンデーションのための標準栄養データベースと大規模言語モデル(LLM)を組み合わせた,Healthy Eating Index (HEI)インシデント検索強化世代(RAG)フレームワークを提案する。 提案手法は,NHANES (National Health and Nutrition Examination Survey) とFPED (Food Patterns Equivalents Database) の検索に有効である。 FPED由来のテキスト記述から食品レベルの埋め込み空間を構築する。 各エンティティに対して、ベースラインHEIスコアを計算し、摂取推奨のための候補食品を検索し、簡単な置換や追加によるHEIの影響を推定する。 事前訓練されたOpenAI LLMでインスタンス化された制約付きRAGパイプラインは、栄養プロファイルとHEIコントリビューションに基づいて、パーソナライズされたレコメンデーションとソースを生成する。 シミュレーションの結果,平均HEI改善率は6.45で,ユーザの割合は45.12から61.26に増加した。 定量分析の結果,HEI分布に一貫した変化が認められた。 提案するLLM-RAGベースのAIシステムは、食事の質を向上させるために、より正確で、説明可能で、パーソナライズされた栄養指導を支援することができることが示唆された。

関連論文リスト

• GLEN-Bench: A Graph-Language based Benchmark for Nutritional Health [48.94971812317643]
  GLEN-Benchは,栄養学的健康評価のためのグラフ言語に基づく最初の総合ベンチマークである。 GLEN-Benchは3つの関連タスクを含む: リスク検出は、食生活や社会経済的パターンからリスクのある個人を識別する; 推奨は、リソース制約の中で臨床ニーズを満たすパーソナライズされた食品を提案する。 我々の分析では、健康リスクに関連する明確な食事パターンを特定し、実践的な介入を導くための洞察を提供する。
  論文  参考訳（メタデータ） (2026-01-26T03:32:46Z)
• Introducing the Swiss Food Knowledge Graph: AI for Context-Aware Nutrition Recommendation [0.0]
  スイス食品知識グラフ(SwissFKG)は、栄養データ、栄養制限、アレルゲン情報、栄養ガイドラインを1つのグラフの下にまとめる最初の資料である。 我々の研究は、視覚的、文脈的、文化的な食の次元をブレンドする次世代の食事アセスメントツールの基礎を築いた。
  論文  参考訳（メタデータ） (2025-07-14T11:12:30Z)
• Advancing Food Nutrition Estimation via Visual-Ingredient Feature Fusion [69.84988999191343]
  我々はファストフード(FastFood)について紹介する。ファストフード(FastFood)は、908のファストフードカテゴリーに84,446のイメージを持つデータセットで、成分や栄養のアノテーションが特徴である。 栄養推定の精度を高めるために,新しいモデル非依存型ビジュアル・イングレディエント・フィーチャー・フュージョン (VIF$2$) 法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:01:21Z)
• NGQA: A Nutritional Graph Question Answering Benchmark for Personalized Health-aware Nutritional Reasoning [49.06840168630573]
  食事は人間の健康において重要な役割を担っているが、個々の健康状態に対する食事の理由付けは大きな課題である。 栄養質問回答(QA)は,この問題に対処するための一般的な方法である。 栄養学的健康推論のために設計された最初のグラフ質問応答データセットであるNGQA(Nutritional Graph Question Answering)ベンチマークを紹介する。
  論文  参考訳（メタデータ） (2024-12-20T04:13:46Z)
• 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)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model [15.248362664235845]
  本稿では,新しいレストラン料理推薦システムを提案する。 光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。 我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-15T11:45:44Z)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)
• Personalized Food Recommendation as Constrained Question Answering over a Large-scale Food Knowledge Graph [16.58534326000209]
  本稿では,大規模食品知識ベース/グラフ(KBQA)上での制約付き質問応答として,食品推薦のための新たな問題定式化を提案する。 ユーザクエリからの要求に加えて、ユーザの食事嗜好と健康ガイドラインからのパーソナライズされた要求が統一された方法で処理される。 我々のアプローチは非パーソナライズドのアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2021-01-05T20:38:16Z)

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。