具有鲁棒聚合的健康约束可解释群体食物推荐

《Expert Systems with Applications》：Health-Constrained Explainable Group Food Recommendation with Robust Aggregation

　　# 摘要食物推荐系统帮助用户选择符合其偏好的食谱或食物。尽管大多数系统是针对个人设计的，但许多现实中的食物选择是集体做出的，例如朋友计划聚会、家庭选择餐厅或室友购买食品杂货。在这些情况下，推荐系统必须将多个用户的偏好合并为一个群体决策。然而，传统的聚合策略在稀疏反馈下不可靠，并且对极端评分过于敏感，这可能会扭曲群体评分。此外，许多群体食物推荐系统忽视了营养方面，很少解释为何向群体推荐某个物品。为了应对这些局限性，本研究提出了一种营养感知且可解释的群体食物推荐框架。首先，通过基于规则的营养筛查和模糊C均值聚类对食物进行特征化，实现可解释的营养轮廓和灵活的食谱分组。接下来，使用自适应截尾均值（Adaptive Trimmed Mean）聚合群体偏好，该均值通过适应群体内部的异议水平来减少异常值的影响。然后利用生成的群体特征训练代表性推荐模型，包括LightGCN、DeepFM和NGCF。最后，基于SHAP（SHapley Additive exPlanations）的解释突出了每种营养成分对每个推荐的贡献。所提出的框架在Food.com基准数据集上进行了评估，使用评分预测指标（RMSE和MAE）、Top-K排序指标（Recall@K和NDCG@K）以及健康和公平性指标。结果显示，与现有的聚合和推荐基线相比，该框架在评分预测精度方面具有竞争力，在Top-K排序性能、群体决策公平性和健康对齐方面有所提升。SHAP分析进一步提供了营养层面的解释，提高了群体食物推荐的可解释性。# 引言推荐系统已成为数字平台的重要组成部分，帮助用户在庞大的产品、服务和信息集合中进行导航。它们广泛应用于电子商务、娱乐、旅游、教育和食物相关服务，其中推荐是根据用户的历史交互、上下文信息和物品特征生成的（Adomavicius, Tuzhilin, 2005, Ricci, Rokach, Shapira, Kantor, 2011）。大多数推荐系统是为个人用户设计的，因此试图识别符合单个人偏好的物品。然而，在许多实际情况下，决策是集体做出的。家庭计划膳食，朋友选择餐厅，室友购买食品杂货，同事选择聚会食物。这些决策需要一个群体推荐系统，能够结合多个成员的准备并生成群体整体可接受的推荐（Boratto, Carta, 2011, Dara, Chowdary, Kumar, 2020, Jameson, Smyth, 2007, Masthoff, 2010）。群体食物推荐比个体推荐更为复杂，因为群体成员的偏好可能存在显著差异。一个成员偏爱的食谱可能受到另一个成员的排斥，而仅基于平均评分的决策可能受少数极端意见的过度影响。食物领域引入了额外的关注点，因为仅满足偏好并不能保证推荐物品在营养上是合适的。食物选择受口味、饮食习惯、文化背景、健康目标和营养成分的影响（Forouzandeh, Rostami, Berahmand, Sheikhpour, 2024, Min, Jiang, Jain, 2020）。因此，有效的群体食物推荐系统应在集体偏好与营养适宜性之间取得平衡，减少对异常高或低评分的影响，并避免系统性偏袒群体中仅一部分成员的推荐。它还应为决策提供可理解的依据，尤其是当健康相关信息对推荐有贡献时。近期研究已针对该问题的若干方面进行了探索。基于图的协同过滤模型，包括神经图协同过滤（NGCF）和LightGCN，从用户-物品交互图中学习高阶关系，并在稀疏推荐设置下展现出强大的性能（He, Deng, Wang, Li, Zhang, Wang, 2020, Wang, He, Wang, Feng, Chua, 2019）。混合架构如DeepFM能够将用户和物品标识符与侧信息相结合，使其适合在协同信号的同时建模营养属性（Guo, Tang, Ye, Li, & He, 2017）。鲁棒统计估计器可以减少对极端观测值的敏感性，而公平性导向的评估可以揭示群体决策是否在成员之间更均匀地分配了满意度（Dara, Chowdary, Kumar, 2020, Jin, Wang, Zhang, Zheng, Ding, Xia, Pan, 2023）。SHAP等可解释性方法进一步允许在整体和推荐特定层面考察单个营养属性的贡献（Lundberg, Lee, 2017, Zhang, Chen, 2020）。尽管取得了这些进展，现有研究通常仅涉及群体食物推荐问题的一个或两个方面，如预测精度、营养感知、鲁棒聚合、公平性或可解释性。群体推荐系统通常在评分层面操作，而不明确纳入结构化的营养信息，而将此类营养信息整合到群体推荐中的研究仍然相对有限。图和深度推荐模型改进了表示学习，但并不天然考虑群体异议或提供营养层面解释。同样，可解释性往往被视为独立的后处理任务，而非健康感知群体推荐过程的一部分。因此，现有方法仅提供部分解决方案。开发一个同时考虑这些互补需求的统一框架仍然是开放的研究挑战。基于这一研究空白，本文提出了一种健康约束且可解释的群体食物推荐框架，将营养感知的群体建模、异议感知的偏好聚合、现代推荐主干和事后解释整合到单一推荐流水线中。基于规则的营养筛查提供可解释的健康类别，而模糊C均值聚类通过连续隶属度捕获具有混合或边界营养轮廓的食谱（Bezdek, 1981, Dunn, 1973）。这些隶属度与用户评分相结合，用于估计营养导向的用户轮廓并构建小型健康感知群体。自适应截尾均值（Adaptive Trimmed Mean）通过根据成员间观察到的异议程度调整截尾量来估计群体偏好，从而在保留群体核心偏好的同时限制极端评分的影响。生成的群体-物品表示使用LightGCN、NGCF和DeepFM进行学习，这些模型提供了基于图的和混合的推荐建模替代方案。最后，SHAP解释通过揭示营养属性如何影响用户和实践者的推荐决策来提高透明度。本研究受以下研究问题指导：- **RQ1：** 群体食物推荐如何在用户评分之外纳入营养健康信息？- **RQ2：** 如何在减少极端评分影响的同时达成群体共识，并改善成员间的公平性？- **RQ3：** 如何使基于图的和混合的深度推荐模型适应群体食物推荐设置？- **RQ4：** 营养层面解释如何帮助用户和群体理解推荐的食物物品？本文其余部分组织如下。第2节回顾群体推荐系统、健康与营养感知推荐、图和深度推荐模型以及可解释推荐的相关工作。第3节提出营养感知的群体推荐框架，包括营养轮廓化、模糊群体构建、自适应截尾均值聚合、推荐建模和基于SHAP的解释。第4节描述实验设置并讨论结果。最后，第5节总结全文并概述未来研究方向。# 各节摘要## 相关工作群体食物推荐的研究位于集体偏好聚合、营养感知建模、表示学习和可解释性的交叉领域。群体推荐系统主要研究如何协调多个用户的偏好，而健康和营养感知的推荐系统则将饮食信息纳入推荐决策。图和深度学习方法改进了稀疏用户-物品交互的表示，而## 所提出的工作：营养感知群体食物推荐器所提出的框架通过一系列相互关联的操作将食谱层面的营养信息和个体用户评分转化为可解释的群体食物推荐。基于规则的营养筛查和模糊C均值聚类首先表示食谱的健康程度并推导出营养导向的用户轮廓。这些轮廓支持形成小群体，其成员表现出相关的营养倾向。自适应截尾均值随后将个体的## 实验结果与讨论本节验证所提出的营养感知群体食物推荐器。评估从多个角度进行，包括预测精度、Top-K排序质量、健康对齐、公平性和可解释性。为评估结果稳定性，实验以不同随机种子重复10次，并在适用时以均值±标准差报告结果。为清晰起见，结果组织为一系列实验，每个实验后附有## 结论与未来工作本研究提出了一种集成的健康约束且可解释的群体食物推荐框架，结合了基于规则的营养筛查、模糊C均值轮廓化、异议感知的自适应截尾均值（ATM）聚合、代表性推荐模型和基于SHAP的解释。该框架通过在一个框架内考虑集体偏好、营养适宜性、公平性、鲁棒性和可解释性，解决了现有群体食物推荐器的一个核心局限## 伦理声明作者确认本研究表明遵循伦理准则及研究所在国家的法律要求。## CRediT作者贡献声明**Reetu Singh：** 概念化、方法论、软件、数据整理、验证、形式分析、可视化、撰写——初稿、撰写——审阅与编辑。 **Pragya Dwivedi：** 指导、概念化、方法论、验证。 **Vibhor Kant：** 指导、方法论、验证、形式分析。## 利益冲突声明作者声明他们没有利益冲突。Reetu Singh|Pragya Dwivedi|Vibhor Kant