编辑推荐：
在营养与健康备受关注的当下，为解决现有食谱推荐系统无法精准满足用户营养需求的问题，研究人员开展 “Personalizing nutrition and recipe recommendation using attention mechanism with an ensemble model” 研究。结果显示，该模型在多方面优于基线系统，对优化饮食、提升健康水平意义重大。
在现代社会，人们对健康饮食的关注度日益提高，然而，如何获取既符合个人口味又能满足营养需求的食谱却成为一大难题。现有的食谱推荐系统存在诸多不足，部分系统仅聚焦于用户的食物偏好，忽略了营养均衡的重要性；有的虽然考虑了营养因素，但无法精准针对用户的营养缺乏状况提供个性化建议；还有些系统在数据处理和算法应用上存在缺陷，导致推荐的食谱缺乏实用性和针对性。这些问题严重影响了人们通过合理饮食改善健康状况的需求，因此，开发一种能够综合考虑多种因素，精准满足用户营养需求的食谱推荐系统迫在眉睫。
为了解决这些问题，研究人员开展了一项关于个性化营养管理和食谱推荐的研究。研究旨在通过构建一个创新的系统，能够整合用户的年龄、性别、营养摄入数据以及个人偏好等多方面信息，为用户提供高度个性化的食谱推荐，从而帮助用户改善营养状况，提升健康水平。该研究成果发表在《Clinical eHealth》杂志上。
研究人员主要运用了以下关键技术方法：首先，收集来自印度医学研究理事会（ICMR）下属国家营养研究所（NIN）的数据集，包含 300 种食材的营养数据以及基于年龄和性别的标准营养需求数据 。在数据处理阶段，针对缺失值和异常值，分别采用均值、中位数插补和 Z - score 分析等方法进行处理 。模型构建方面，使用集成模型，融合随机森林（Random Forest）、极端梯度提升（XGBoost）和多层感知器（MLP），并引入注意力机制（attention mechanism），增强对用户特定营养需求的关注 。此外，利用外部 API（如 Spoonacular API）和网络爬虫技术获取食谱数据，通过多标准排名机制对食谱进行筛选和排序。
研究结果
- 营养缺乏检测：系统通过对比用户的 25 种关键营养素摄入量与 NIN 标准值，结合营养素相互作用（如铁 - 锌竞争、钙 - 镁平衡等），利用交互加权评分机制识别营养缺乏或过量情况。经混淆矩阵和召回分数验证，该模型检测营养素缺乏的 F1分数达到 0.92，准确性较高。
- 食材识别：基于营养缺乏检测结果，运用集成模型结合注意力机制，预测食材对用户营养需求的满足程度。模型经超参数优化，通过网格搜索和 5 折交叉验证确定最佳参数。最终输出前 9 种最符合用户营养需求和饮食偏好的食材。
- 食物产品排名：从 Spoonacular API 和网络爬虫获取食谱，依据食谱与用户营养需求的匹配程度进行排名。运用欧几里得距离公式衡量食谱营养成分与用户需求的差异，优先推荐距离最小的食谱，同时确保推荐食谱以视频和文本形式呈现，提升用户体验。
- 食谱获取：根据排名后的食物产品，通过 YouTube 的 Consumer API 获取相关视频食谱，选择最符合用户营养需求的视频，为用户提供食谱 URL 及营养信息。
- 系统性能评估：与多种基准模型对比，该模型在营养缺乏检测（准确率 94.3%）和食材识别（准确率 91.7%）方面表现更优 。在食谱推荐质量上，平均欧几里得距离为 1.03，低于其他模型，表明推荐更贴合用户营养需求 。系统生成推荐的平均时间为 3.4 秒，具有较好的时间效率和可扩展性，在 50 个并发用户访问时，平均响应时间为 4.2 秒。
研究结论与讨论
该研究成功构建了个性化营养管理和食谱推荐系统，通过集成模型与注意力机制，有效整合多种信息，实现了精准的营养推荐。系统在准确性、效率和用户满意度方面均优于现有模型，为个性化健康饮食提供了有力支持，对改善公众营养健康状况具有重要意义。然而，研究也存在一些局限性，如对外部 API 的依赖、数据集的地域局限性等。未来研究可通过减少对外部 API 的依赖、整合国际数据集、纳入区域美食和用户反馈等方式，进一步优化系统，提高其在全球范围内的适用性和个性化程度。同时，开展长期纵向研究，与医疗保健人员和营养学家合作，在临床环境中验证系统建议的有效性，将有助于推动该系统在实际健康应用中的广泛应用，为人们的健康饮食和生活质量提升做出更大贡献。
