ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework

食物对健康的深刻影响需要先进的以营养为导向的食物推荐服务。传统方法通常缺乏个性化、可解释性和互动性等关键要素。虽然大型语言模型(LLMs)带来了可解释性，但它们的单独使用并不能真正实现个性化。本文介绍了ChatDiet，一种新颖的LLM驱动框架，专门为个性化营养为导向的食品推荐聊天机器人设计。ChatDiet集成了个人和人群模型，辅以编排器，无缝检索和处理相关信息。个人模型利用因果发现和推理技术评估特定用户的个性化营养效果，而人群模型提供食品营养含量的概括信息。编排器检索、协同和传递两个模型的输出给LLM，提供定制的食品推荐，旨在支持有针对性的健康结果。结果是动态提供个性化和可解释的食品推荐，根据个人用户的偏好量身定制。我们对ChatDiet的评估包括一个引人注目的案例研究，其中我们建立了一个因果个人模型来估计个体营养效果。我们的评估，包括一个展示92%有效率的食品推荐测试，以及说明性的对话示例，突显了ChatDiet在可解释性、个性化和互动性方面的优势。

论文旨在解决营养食品推荐服务中缺乏个性化、可解释性和互动性的问题。同时，该论文还试图验证 ChatDiet 框架的有效性。

该论文提出了一种基于大型语言模型（LLM）的 ChatDiet 框架，通过整合个人和人群模型以及一个协调器，实现了个性化的营养食品推荐服务。

论文使用了因果推断和推理技术来评估个性化营养效应，提高了解释性和个性化程度。在一个食品推荐测试中，ChatDiet 的有效性达到了 92%。论文提供了具体的对话示例，并且强调了 ChatDiet 在解释性、个性化和互动性方面的优势。

在相关研究中，最近的一些论文包括《基于深度学习的个性化饮食推荐系统》、《基于用户偏好的饮食推荐方法》等。