基于生物特征识别与心理状态感知的深度学习技术，用于提升个性化食品推荐系统性能

《Scientific Reports》：Biometrically Anchored and Psychological States Aware Deep Learning for Enhanced Personalized Food Recommendation Systems

　　

摘要

当前的食品推荐系统需要新的方法，能够结合人们的心理数据和生物特征数据来提供个性化的食品推荐。现有的模型使用静态的用户档案和历史交互数据，因此无法捕捉到影响用户行为的动态情境因素。为了解决这些问题，本研究提出了一种新的食品推荐系统，利用深度学习方法根据用户的性别、情绪和体重等特征提供个性化建议。该系统的设计以体重作为关键的代谢参考点，从而给出符合不同性别和情绪状态的行为模式的合适建议。所提出的方法包括多个关键步骤：首先收集和准备数据集，然后创建降维后的密集向量表示，接着使用卷积神经网络提取与食品相关的文本特征，以此发现重要的文本模式。最后，通过多模型特征融合将用户偏好、生物特征限制和食品属性相结合，再利用变分自编码器生成Top-N推荐。该框架通过多模态潜在表示系统，将短暂的情绪状态与代谢需求相结合，从而实时生成以健康为导向的推荐。基于变分自编码器的食品推荐系统在训练过程中实现了优化，它采用了条件表格生成对抗网络增强的训练流形，从而全面覆盖高维特征，同时避免过拟合问题。实验结果显示，该模型的10个样本命中率为0.8929，NDCG@10值为0.6475，精确率为0.3223，召回率为0.3533。这些结果证明了该系统能够根据用户的性别、身体特征和当前情绪状态，提供相关且准确的食品推荐。