来源：ACM RecSys ’24
作者：Alessandro Petruzzelli等
单位：University of Bari Aldo Moro.
发表时间：2024 年 9月
一、研究背景
- 全球饮食面临的双重挑战：健康与可持续性
当前全球食品工业虽然高效且多样化，提供了丰富的加工与新鲜食品选择，但整个农业与食品供应链对环境造成了巨大压力。食品生产过程中的土地使用、水资源消耗、碳排放等已成为全球环境问题的重要来源。
与此同时，不健康的饮食结构（如高脂肪、高糖、高盐）导致慢性病发病率持续攀升。
2. 现有推荐系统的局限性
健康导向推荐系统：侧重于根据用户营养需求（如热量、脂肪、蛋白质等）推荐食谱，例如通过营养标签或食材替换实现，但这类系统常因过度约束营养指标而牺牲用户满意度。
可持续导向推荐系统（Sustainability-aware RSs）：主要关注环境指标，如水足迹或碳足迹，但往往忽略营养健康维度，无法提供“综合最优解”。
核心问题：目前尚无成熟的推荐系统能同时兼顾“健康”与“可持续性”，而这正是现代消费者亟需的决策支持工具。
这篇文章提出：HeaSE（Healthy And Sustainable Eating）框架
二、HeaSE框架
- 数据预处理与可持续性评分构建
主数据集：HUMMUS（Health-aware User-centered recoMMendation and argUment-enabling dataset），包含超过50万条食谱，含详细营养成分（热量、脂肪、蛋白质等）及标签（如“早餐”、“意大利菜”等），但缺乏环境指标。
环境数据源：SU-EATABLE LIFE（SEL）数据库，提供3349种食材的碳足迹（CF）和937种食材的水足迹（WF）数据，按“组→拓扑→子拓扑→具体食材”四级结构组织。
2. 食材匹配与可持续性评分计算
数据清洗与标准化：去除SEL中食材名称的冗余词、标点，统一命名格式。
跨数据集匹配：使用Sentence-BERT（all-MiniLM-L6-v2）计算HUMMUS与SEL食材名称的语义相似度。
Ingredient Sustainability Score (ISS)：
其中α=0.2, β=0.8，强调碳足迹对环境影响的主导作用。
Recipe Sustainability Score (RSS)： 对食谱中所有食材按ISS降序排列，采用指数衰减加权求和，突出主要高影响食材：
最终可持续性归一化得分（SuS）：
得分越接近1，表示食谱越可持续。
- 模块1：编码（Encoding）
- 输入：用户提供的食谱名称（如“Cheddar Turkey Burgers”）。
- 处理：
- 若在数据集中找到名称相似度>99%的食谱，直接提取其宏量营养向量（Calories, Fat, Protein等8维）及标签。
- 若未找到，使用预训练食谱Transformer模型（autotrain-recipes-2451975973）计算语义相似度，取Top-k相似食谱的营养向量均值作为“虚拟表示”。
- 输出：该食谱在营养空间中的向量表示，用于后续相似性检索。
- 模块2：检索（Retrieval）
- 目标：从10万+食谱库中找出营养结构相似的候选替代品。
- 方法：
- 计算输入食谱与所有食谱的余弦相似度（基于8维营养向量）。
- 仅保留与输入食谱至少共享一个标签（如“pasta”、“dinner”）的Top-100食谱，确保语义相关性。
- 输出：100个营养相似、风格相近的候选食谱池。
- 模块3：排序（Ranking）
- 设计HeaSE Score（HS）：
- HS(R)=δ×SuS(R)+γ×WHO(R)
- 其中δ=0.7, γ=0.3，强调可持续性略高于健康性（可调参）。
- 排序逻辑：对100个候选食谱按HS降序排列，选出综合表现最优者。
- 优势：相比单一指标排序，HS能避免“极端环保但营养贫乏”或“极健康但高碳排”的偏颇推荐。
模块4：选择（Selection）——LLM智能再排序
三、实验
推荐效果验证（不使用LLM）：
即使输入已是“高健康”食谱，HeaSE仍能推荐出更可持续的替代方案（SuS +20.19%）。
对“未知食谱”表现稳健，证明框架泛化能力强。
案例展示（Table 3）：
输入“Beef Stir-Fry” → 输出“Tofu Hot Wings”（HeaSE +104.8%）
输入“Chili Dog Casserole” → 输出“No-fuss Burgers”（HeaSE +119.23%）
LLM选择模块有效性验证
实验设置：从Top-10候选中，比较“原HeaSE排名第一” vs “GPT-3.5 Turbo重选第一”的平均提升。
LLM能小幅但稳定地超越传统排序，尤其在可持续性维度（+2.92%）。
证明LLM具备隐含知识（如“豆腐比牛肉环保”、“蒸煮比油炸健康”），能做出更符合人类价值观的决策。
四、总结与综合对其思考
（一）论文核心内容
HeaSE框架成功实现了“健康+可持续”双目标饮食推荐，其核心贡献包括：
构建首个融合营养与环境指标的食谱评分体系
设计检索+排序+LLM选择的端到端推荐流水线
实证验证LLM在食品推荐中的新兴潜力
（二）综合对其思考
这篇论文提供了“检索→排序→LLM选择”的成熟流水线，LLM只有重排作用，可以在此基础上结合RAG和知识图谱让 LLM 从“选择”到“可靠性有依据的解释”。
评分指标：论文用“百分比提升”来评估推荐效果，可沿用这种评估思想，评估比较对的有效性。
论文未建模用户个性化（如饮食限制、健康目标、口味偏好），论文注重大众层次的推荐，可以在此加入用户画像针对不同用户特征实现个性化推荐。