膳食推薦系統(tǒng)在健康照護(hù)領(lǐng)域應(yīng)用的范圍綜述

AbstractObjective：Tosystematicallysearchandtoscrenliteratureondietaryrecommendersystemsinhealthcareservicesfield worldwide，toummareandtoaalyzethrfatureslgritsndplicatiocenarios，terebytoprovideafoudationfodancing personalizednutritionthroughsuchsystem.Methods：AcomprehensiveliteraturesearchwasconductedinChineseandEngishdatabases usingsubjectheadingsandfre-textterms，coveringrecordsfromdatabaseinceptionto March31，2O24.FollowingtheArkseyand OMaleyscopingreviewframeworkandtheJBManualforEvidenceSynthesis.AllextracteddatawerecolltedandanalyzdResults： Thirty-eightstudieswereincluded.Fivestudiesfocusedondetaryrecommendationsforchronicdiseaseordiabeticpatients，wilete remainingdidnotspecifytargetpopulatios.wenty-threstudiesrecommendedecipes，sixsggestedingredents，treepropedmeal combos，fourprovideddailymealplans，oneoferedtherapeuticdietaryprescriptions，andonerecommendedsnacks.Thirtystudiessed offlietrialsfostemtesting，tenemploedusesurveysneconductedapilottrialandoeperfoedanonietrialsCocusios： Advancesnalgorithicmodelsteoreticallydemonstratethefeasiblityofietaryrecommendations，yetresearchremainsnascnt，with incompletereportingandunderdevelopedevaluationframeworks.Futurestudiesshouldasssreal-worldusabilityandeficacytopower nutrition and dietary management.

Keywordsdiet; dietary recommendation;recommendation system; healthcare; scoping review

關(guān)鍵詞膳食；膳食推薦；推薦系統(tǒng)；健康照護(hù)；范圍綜述 doi：10.12102/j.issn.1009-6493.2025.17.020

隨著互聯(lián)網(wǎng)和信息技術(shù)的快速發(fā)展，人們?cè)絹碓搅?xí)慣通過網(wǎng)絡(luò)來搜索健康信息。據(jù)報(bào)道，谷歌每天的搜索中 7% 是與健康相關(guān)的，每分鐘產(chǎn)生總計(jì)7萬條健康相關(guān)搜索[1]。面對(duì)龐大的健康信息需求，個(gè)性化健康推薦系統(tǒng)（recommendersystems，RS）應(yīng)運(yùn)而生。推薦系統(tǒng)是指通過信息過濾為用戶提供其可能感興趣項(xiàng)目的一項(xiàng)智能技術(shù)，并基于事物之間的相似度集成計(jì)算技術(shù)為用戶推薦相關(guān)項(xiàng)目，大大簡化用戶信息搜索任務(wù)[2]。隨著推薦系統(tǒng)技術(shù)的快速發(fā)展，目前已被應(yīng)用到慢性病管理、膳食管理、心理健康促進(jìn)和用藥推薦等健康照護(hù)領(lǐng)域[3-4]。其中，膳食推薦系統(tǒng)助力個(gè)性化營養(yǎng)逐漸成為熱門的推薦場景[5。個(gè)性化營養(yǎng)被定義為根據(jù)遺傳數(shù)據(jù)、個(gè)人健康狀況、生活方式、營養(yǎng)攝入和表型數(shù)據(jù)為個(gè)體量身定制健康飲食建議[6。目前，個(gè)性化膳食推薦系統(tǒng)在健康服務(wù)領(lǐng)域呈現(xiàn)快速發(fā)展的趨勢(shì)，但膳食推薦系統(tǒng)的推薦依據(jù)、推薦算法及應(yīng)用場景各不相同，缺乏較好的梳理。因此，本研究采用范圍綜述的方法對(duì)健康服務(wù)領(lǐng)域的膳食推薦系統(tǒng)進(jìn)行全面的審查，明確膳食推薦系統(tǒng)的應(yīng)用對(duì)象、功能、算法、測試及評(píng)價(jià)方法等，為進(jìn)一步推動(dòng)膳食推薦系統(tǒng)助力個(gè)性化營養(yǎng)支持提供依據(jù)。

1 研究方法

1. 1 研究框架

審查遵循Arkseyamp;OMalley等在2005年提出的范圍綜述研究框架以及澳大利亞JoannaBriggsInstitute（JBI）循證衛(wèi)生保健中心2020年發(fā)布的證據(jù)整合手冊(cè)[7，按照確定研究問題、檢索相關(guān)研究、篩選文獻(xiàn)、分析數(shù)據(jù)、整理并總結(jié)相關(guān)結(jié)果的步驟進(jìn)行。

1.2 確定研究問題

依據(jù)PCC策略界定本研究的問題，P（population）即研究對(duì)象，指在健康照護(hù)領(lǐng)域需要進(jìn)行個(gè)性化膳食管理的人群；C（concept）即概念，為膳食推薦系統(tǒng)；C（context）即情境，為沒有地點(diǎn)約束的信息網(wǎng)絡(luò)環(huán)境。具體審查問題為：膳食推薦系統(tǒng)主要用于哪些場景？膳食推薦系統(tǒng)的特征、推薦算法、推薦依據(jù)及推薦產(chǎn)品是什么？膳食推薦系統(tǒng)可用性及有效性評(píng)價(jià)的指標(biāo)是什么？

1.3 檢索策略

計(jì)算機(jī)檢索theCochraneLibrary、PubMed、WebofScience、EMbase、CINAHL、Scopus以及中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫（CBM）、中國知網(wǎng)、萬方數(shù)據(jù)庫、維普期刊資源整合服務(wù)平臺(tái)。檢索時(shí)限為數(shù)據(jù)庫建庫至2024年3月31日，語種限定為中文或英文。此外，追溯納人文獻(xiàn)的參考文獻(xiàn)，以減少遺漏。使用主題詞與自由詞相結(jié)合的方式進(jìn)行檢索，檢索字段為標(biāo)題、摘要及關(guān)鍵詞等，檢索詞為膳食、飲食、食物、營養(yǎng)、推薦系統(tǒng)及相關(guān)近義詞。以PubMed為例，英文檢索策略如下。

1.4文獻(xiàn)納入與排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：推薦系統(tǒng)目標(biāo)用戶為需要健康膳食管理的人群，不限制年齡、疾病、是否住院等；研究主題為膳食推薦系統(tǒng)，包括系統(tǒng)的構(gòu)建、評(píng)價(jià)及應(yīng)用；涵蓋膳食推薦系統(tǒng)測試、預(yù)試驗(yàn)、可用性或有效性評(píng)價(jià)相關(guān)的研究。排除標(biāo)準(zhǔn)：研究主題是單純膳食推薦系統(tǒng)算法、軟件開發(fā)或方法學(xué)介紹；文獻(xiàn)類型為文獻(xiàn)綜述、指南、政策性文件、經(jīng)驗(yàn)總結(jié)、專利及會(huì)議摘要等；無法獲取全文的文獻(xiàn)；語言非中文或英文。

1.5文獻(xiàn)篩選及資料提取

采用EndNote21文獻(xiàn)管理軟件對(duì)納入文獻(xiàn)進(jìn)行去重后，由2名經(jīng)過方法學(xué)培訓(xùn)的研究者按照納入排除標(biāo)準(zhǔn)進(jìn)行文獻(xiàn)篩選。首先閱讀題目和摘要，對(duì)可能符合納入標(biāo)準(zhǔn)的文獻(xiàn)進(jìn)一步查閱全文，如遇到分歧，通過討論或咨詢第三方（本文通訊作者）決定。采用統(tǒng)一的Excel表格對(duì)納入的文獻(xiàn)進(jìn)行信息提取，提取內(nèi)容包括：納入文獻(xiàn)的基本信息，包括作者、發(fā)表年份、國家、目標(biāo)人群、推薦內(nèi)容、評(píng)價(jià)方法及指標(biāo)；膳食推薦系統(tǒng)相關(guān)信息，包括推薦依據(jù)的數(shù)據(jù)庫組成、數(shù)據(jù)來源、推薦算法等。

2結(jié)果

2.1文獻(xiàn)檢索與篩選結(jié)果

共檢索到2313篇文獻(xiàn)，去除重復(fù)文獻(xiàn)后剩余2034篇，閱讀題目摘要剔除不相關(guān)文獻(xiàn)后，閱讀全文后，最后排除80篇無法獲取全文、內(nèi)容重復(fù)、文獻(xiàn)類型不符、研究對(duì)象不符、研究主題不符、研究設(shè)計(jì)不符的文獻(xiàn)，共納入38篇文獻(xiàn)[8-45]。文獻(xiàn)篩選流程圖見圖1。

圖1文獻(xiàn)篩選流程及結(jié)果

Figure 1Literature screening process and results

2.2納入文獻(xiàn)的基本信息

38篇文獻(xiàn)發(fā)表時(shí)間為2013—2023年，第一作者來自11個(gè)國家，其中英文17篇，中文21篇。在目標(biāo)人群方面，13項(xiàng)研究[8.12.15.18.23-25.3-394.45]對(duì)目標(biāo)人群進(jìn)行了界定，其中5項(xiàng)研究[15，18.25，39，45]針對(duì)慢性病病人或糖尿病病人進(jìn)行膳食推薦。在推薦產(chǎn)品上，23項(xiàng)研[9116，21-22，24，630.32-38.40，4245產(chǎn)品為，6項(xiàng)究[12，17，19-20.41.43]的推薦產(chǎn)品為食物，3項(xiàng)研究[13-15]的推薦產(chǎn)品為不同菜品組合形成套餐;4項(xiàng)研究[18.23.25.31]的推薦產(chǎn)品為一日三餐的飲食規(guī)劃；另有1項(xiàng)研究39的推薦產(chǎn)品分別為伊朗風(fēng)格的零食，1項(xiàng)研究結(jié)合中醫(yī)體質(zhì)學(xué)說的食療處方。納人文獻(xiàn)的基本信息見表1。

2.3膳食推薦系統(tǒng)的測評(píng)方法、對(duì)象和指標(biāo)

納人的38篇文獻(xiàn)對(duì)所構(gòu)建的膳食推薦系統(tǒng)采用的測試方法，31項(xiàng)研[8-12，14-7，9，21-313-34，6-37，40-45采用離線實(shí)驗(yàn)，10項(xiàng)研究[13.16，18.32.35，38-40，42.45]采用用戶調(diào)查進(jìn)行測試，1項(xiàng)研究[33]進(jìn)行了預(yù)試驗(yàn)，1項(xiàng)研究[20]進(jìn)行了在線實(shí)驗(yàn)。在提及評(píng)測參與人員的文獻(xiàn)中，研發(fā)系統(tǒng)的研究人員都參與了測評(píng)實(shí)驗(yàn)，其中5項(xiàng)研究[8.18.32.39-40]包括專業(yè)醫(yī)療人員（包括醫(yī)生、營養(yǎng)師），8項(xiàng)研究[13，16，18.33.35.38.42.45]還納人了一部分的系統(tǒng)目標(biāo)人群進(jìn)行評(píng)測。納入文獻(xiàn)對(duì)推薦系統(tǒng)的測評(píng)指標(biāo)主要包括推薦系統(tǒng)技術(shù)評(píng)價(jià)指標(biāo)、營養(yǎng)健康相關(guān)指標(biāo)以及目標(biāo)用戶的主觀評(píng)價(jià)指標(biāo)。在系統(tǒng)技術(shù)評(píng)價(jià)方面，采用均方根誤差（RMSE）[12.14-15.23，40-41]、平均絕對(duì)誤差（MAE）[，-率[14-725率[9-10，14-15，17，21，26.28-30.44]、F1值[17，21.26-27]、曲線下面積（AUC）[9-1127.30]等指標(biāo)評(píng)價(jià)推薦系統(tǒng)的預(yù)測性能；此外，5項(xiàng)研究[30.3-34.37，44]采用歸一化基于距離的性能指標(biāo)（NDPM）[30.3-34]、平均精度均值（MAP）[33.44]、平均倒數(shù)排名（MRR）[44]、命中率[34.37]對(duì)系統(tǒng)的推薦排序準(zhǔn)確度進(jìn)行評(píng)價(jià)。在營養(yǎng)健康相關(guān)指標(biāo)方面，采用營養(yǎng)攝入分?jǐn)?shù)[29]、營養(yǎng)達(dá)標(biāo)率[16.22-23]、營養(yǎng)均衡性評(píng)分[13]、生化指標(biāo)[33]、與醫(yī)療診斷的匹配度[45]以及營養(yǎng)師反饋[40]等對(duì)系統(tǒng)的健康促進(jìn)有效性進(jìn)行評(píng)價(jià)。此外，僅7項(xiàng)研究[16.18.33.35.38.40.42]通過用戶調(diào)查、預(yù)試驗(yàn)評(píng)估用戶滿意度、用戶反饋等主觀評(píng)價(jià)。具體見表1。

表1納入文獻(xiàn)的基本信息

Table 1Basic characteristics of included studies

（續(xù)表）

（續(xù)表）

2.4膳食推薦系統(tǒng)的數(shù)據(jù)庫來源和推薦算法

納入的38篇文獻(xiàn)中，膳食推薦系統(tǒng)的數(shù)據(jù)庫包括膳食相關(guān)數(shù)據(jù)庫和用戶產(chǎn)生的相關(guān)數(shù)據(jù)庫。膳食相關(guān)數(shù)據(jù)庫通常包括了食譜、食材、營養(yǎng)素含量等主體，其中8項(xiàng)研究[9-10，12.17，21，26，28-29]使用知識(shí)圖譜的形式進(jìn)行保存。用戶相關(guān)的數(shù)據(jù)庫包括了用戶信息和用戶和食譜的交互記錄，133項(xiàng)研究[9-11，8，27-29，3-3，44]的交互數(shù)據(jù)通過用戶顯性反饋進(jìn)行收集，如用戶對(duì)食譜食物的評(píng)分評(píng)價(jià)、用戶的收藏列表以及上傳列表等；6項(xiàng)研究 [16，19-20，22，37，43] 通過用戶的歷史飲食記錄隱行收集用戶評(píng)分，根據(jù)進(jìn)食次數(shù)推斷用戶偏好。此外，2項(xiàng)研究[22.24通常從第三方軟件或用戶填寫的方式獲取季節(jié)、進(jìn)食環(huán)境等情景信息進(jìn)行推薦系統(tǒng)構(gòu)建。具體見表2。

關(guān)于推薦算法，納入的38篇文獻(xiàn)中均采用混合推薦算法，常用協(xié)同過濾推薦技術(shù)與基于內(nèi)容推薦結(jié)合[12，17，28.36]或協(xié)同過濾與基于知識(shí)[13.15.31]的混合推薦算法。此外，12篇文獻(xiàn)引入機(jī)器學(xué)習(xí)技術(shù)（例如注意力機(jī)制[27，29，34]、深度學(xué)習(xí)[9，35]、神經(jīng)網(wǎng)絡(luò)[37，40，42]、Wide 8 Deep模型[1]等）和數(shù)據(jù)挖掘技術(shù)（例如K-means[14.25]、貝葉斯網(wǎng)絡(luò)[9等）用于構(gòu)建推薦模型。具體見表2。

表2納入文獻(xiàn)膳食推薦系統(tǒng)的數(shù)據(jù)庫來源和常用算法

Table2 Data sourcesand common algorithms of dietary recommendation systems in included studies

（續(xù)表）

（續(xù)表）

（續(xù)表）

3討論

3.1健康領(lǐng)域的膳食推薦系統(tǒng)的構(gòu)建技術(shù)和方法不斷發(fā)展

在健康飲食推薦系統(tǒng)的領(lǐng)域較常使用的推薦算法包括基于內(nèi)容、基于知識(shí)、協(xié)同過濾以及現(xiàn)在逐漸成為主流的基于數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的推薦模型。協(xié)同過濾是應(yīng)用最為廣泛的推薦模型，核心是通過用戶交互歷史生成用戶-物品矩陣，利用用戶相似性和物品相似性進(jìn)行推薦7。基于內(nèi)容的推薦技術(shù)是一種基于物品特征的推薦方法，通過分析物品內(nèi)容特征向目標(biāo)用戶推薦與他們過去興趣類似的物品[7]。基于知識(shí)（knowledge-based）是根據(jù)特定的領(lǐng)域知識(shí)進(jìn)行物品推薦[7]。由于不同技術(shù)的優(yōu)缺點(diǎn)以及健康領(lǐng)域飲食推薦系統(tǒng)多種目標(biāo)需求，現(xiàn)有飲食推薦模型通常在經(jīng)典模型中都采用混合推薦模式。同時(shí)，隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)的不斷發(fā)展，推薦技術(shù)創(chuàng)新融合的相關(guān)研究不斷涌現(xiàn)，已逐漸成為膳食推薦技術(shù)研究的主流。此外，為了做出飲食建議，需要搜集數(shù)以千計(jì)的食物項(xiàng)目/配料，在食譜中食物/配料需要相互結(jié)合而非獨(dú)立存在，大大增加了推薦系統(tǒng)的復(fù)雜性4。許多研究將知識(shí)圖譜引入了膳食推薦系統(tǒng)中，知識(shí)圖譜由谷歌于2012年提出并運(yùn)用到搜索引擎中，是一種有向圖結(jié)構(gòu)的知識(shí)庫，涵蓋了實(shí)體、概念及其相互間的語義關(guān)系4。通過將知識(shí)圖譜融入推薦系統(tǒng)可以將信息關(guān)聯(lián)到一起，并利用知識(shí)推理推斷出用戶喜好，提高推薦的準(zhǔn)確度和可解釋性[48]，也能有效改善傳統(tǒng)推薦系統(tǒng)冷啟動(dòng)和數(shù)據(jù)稀疏問題[49]。但除卻從算法視角出發(fā)的實(shí)踐和問題驅(qū)動(dòng)，在健康領(lǐng)域中理想的飲食推薦系統(tǒng)不僅推薦適合用戶偏好的食品，而且還應(yīng)推薦更健康的食品選擇，跟蹤飲食行為，了解健康問題，說服用戶改變行為，引導(dǎo)用戶實(shí)踐更為健康的膳食模式。為了達(dá)到上述目標(biāo)，研究者仍積極探索并構(gòu)建滿足個(gè)性化需求和個(gè)性化營養(yǎng)的膳食推薦技術(shù)。

3.2健康領(lǐng)域的膳食推薦系統(tǒng)報(bào)告尚不夠規(guī)范

膳食推薦系統(tǒng)從算法構(gòu)建和驗(yàn)證、系統(tǒng)構(gòu)建和評(píng)估到最終可以在健康領(lǐng)域?qū)嶋H應(yīng)用需要較長的研發(fā)周期和系統(tǒng)的測評(píng)，但現(xiàn)有檢索結(jié)果發(fā)現(xiàn)許多研究僅處于初步算法和系統(tǒng)構(gòu)建階段，完整的健康飲食推薦系統(tǒng)構(gòu)建及評(píng)估并未見報(bào)道，因此期待研究者持續(xù)推進(jìn)系統(tǒng)的更新和研發(fā)并持續(xù)報(bào)告相關(guān)成果。特別需要指出的是，推薦系統(tǒng)本質(zhì)是一種信息處理系統(tǒng)，信息的多樣和豐富對(duì)推薦系統(tǒng)的構(gòu)建也是十分重要的，但可能由于現(xiàn)有報(bào)告大多僅在構(gòu)建階段并主要關(guān)注在推薦功能的實(shí)現(xiàn)，數(shù)據(jù)來源通常是通過網(wǎng)絡(luò)爬蟲工具從常用的食譜網(wǎng)站和飲食網(wǎng)站等網(wǎng)絡(luò)資源爬取清洗所得或是小范圍問卷調(diào)查獲得，知識(shí)庫規(guī)模較小也并未報(bào)告后續(xù)更新和正式運(yùn)行擴(kuò)充的設(shè)計(jì)，難以預(yù)測系統(tǒng)的擴(kuò)展性以及長期使用的適應(yīng)性等相關(guān)情況，也期待未來更多關(guān)于推薦系統(tǒng)知識(shí)庫更新和運(yùn)行的研究和報(bào)道。同時(shí)，由于飲食推薦系統(tǒng)在健康領(lǐng)域的應(yīng)用仍處于起步階段，其對(duì)健康行為促進(jìn)的效果也鮮少有隨機(jī)對(duì)照試驗(yàn)等研究報(bào)告。

3.3健康領(lǐng)域的膳食推薦系統(tǒng)的評(píng)估仍在探索階段

僅從推薦系統(tǒng)來看，如何選擇一個(gè)最佳推薦算法以及推薦算法如何評(píng)價(jià)也暫未給出一個(gè)公認(rèn)的答案。有學(xué)者提出基于人機(jī)交互系統(tǒng)進(jìn)行評(píng)估[50]，包含輸入數(shù)據(jù)、結(jié)束數(shù)據(jù)、建模世界、適應(yīng)決策、整體評(píng)估5個(gè)層次；有學(xué)者通過評(píng)估的方法進(jìn)行分類，包括離線實(shí)驗(yàn)、在線實(shí)驗(yàn)和用戶調(diào)查。還有研究將健康領(lǐng)域的推薦系統(tǒng)評(píng)估總結(jié)為可行性、可用性、有效性、健康性等指標(biāo)[51-52]。雖然計(jì)算機(jī)科學(xué)的評(píng)估可以部分反映推薦系統(tǒng)功能的實(shí)現(xiàn)與否，但對(duì)于健康領(lǐng)域應(yīng)用而言，推薦系統(tǒng)全過程的科學(xué)性值得關(guān)注。在本研究提取的結(jié)果中，僅有少研[8，12，15-16，18.26，31-3，39-4，45]基于醫(yī)學(xué)業(yè)識(shí)構(gòu)建飲食相關(guān)知識(shí)庫，大多是從“美食網(wǎng)站\"或“健康網(wǎng)站\"中獲取，其中關(guān)于食材的營養(yǎng)價(jià)值和適用患病人群描述的科學(xué)性需要進(jìn)一步探討。其次，在納入文獻(xiàn)中健康膳食推薦目的的實(shí)現(xiàn)各有不同：一類是將知識(shí)規(guī)則提前內(nèi)置于數(shù)據(jù)庫中，例如部分研究利用知識(shí)圖譜將食譜中食物的營養(yǎng)元素、食物與疾病保健的關(guān)系、食物與中醫(yī)體質(zhì)的關(guān)系等信息對(duì)原有食譜進(jìn)行補(bǔ)充，從而實(shí)現(xiàn)健的功能[-10，12.7，2，2，28-2]），Aapt等[45通過醫(yī)學(xué)專家提前設(shè)計(jì)的問卷流程圖引導(dǎo)用戶一步步填寫健康信息直到篩選出相之匹配的飲食類別；另一類是利用算法的設(shè)計(jì)進(jìn)行健康飲食推薦，例如將人體需攝入的營養(yǎng)素作為推薦目標(biāo)，結(jié)合用戶偏好進(jìn)行多目標(biāo)、多特征推薦[16.23]；通過分析用戶歷史的信息（化驗(yàn)指標(biāo)[41]、膳食歷史記錄[33.37]等）分析其缺少的營養(yǎng)元素，從而針對(duì)性地進(jìn)行飲食推薦；通過數(shù)據(jù)挖掘從包含醫(yī)療飲食指導(dǎo)的數(shù)據(jù)中學(xué)習(xí)并模擬用戶與食譜的交互從而進(jìn)行健康飲食推薦[18.25-26]。但在本次納入的研究中，僅有5項(xiàng)研究[8.18.32.39-40]通過邀請(qǐng)專業(yè)醫(yī)療人員（包括醫(yī)生、營養(yǎng)師）對(duì)推薦結(jié)果進(jìn)行評(píng)估和反饋，其推薦結(jié)果的科學(xué)性和健康性驗(yàn)證的評(píng)估并未在系統(tǒng)構(gòu)建中得到重視。此外，現(xiàn)有研究中也并未提及有關(guān)經(jīng)濟(jì)效益的評(píng)估，而經(jīng)濟(jì)效益對(duì)于慢性病病人及其相關(guān)利益者或許是較為關(guān)心的方面。

4小結(jié)

本研究基于范圍綜述的基本框架，回顧了健康領(lǐng)域膳食推薦系統(tǒng)的相關(guān)文獻(xiàn)。大量算法模型的提出和驗(yàn)證從理論層面證明其推薦功能的可實(shí)現(xiàn)性，但相關(guān)研究仍處于起步階段，相關(guān)報(bào)告并不完善，評(píng)估體系尚未建立。膳食推薦系統(tǒng)在健康領(lǐng)域的實(shí)踐應(yīng)用仍存在較大差距，期待未來更加完善的研究，將人工智能賦能營養(yǎng)健康，助力膳食管理。

參考文獻(xiàn)：

[1]MURPHY M.Dr Google will see you now： search giant wants to cash in on your medical queries[EB/OL].[2024-11-1o]. https：// www.telegraph.co.uk/technology/20l9/03/10/google-sifting-onebillion-health-questions-day/.

[2]BURKE R.Hybrid web recommender systems[M].Heidelberg： SpringerBerlin Heidelberg，20O7：377-408.

[3]王婧婷，董小蘭，金天，等.健康推薦系統(tǒng)研究進(jìn)展與展望[J].醫(yī)學(xué) 信息學(xué)雜志，2024，45（1）：70-76.

[4]CAIY，YUF，KUMARM，etal.Health recommender systems development，usage，and evaluation from 20lO to 2022：a scoping review[J].International Journal of Environmental Research and Public Health，2022，19（22）：15115.

[5]TRANG TRAN TN，ATASM，F(xiàn)ELFERNIG A，etal.An overview of recommender systems in the healthy food domain[J]. Journal of Intelligent Information Systems，2018，50（3）：501-526.

[6]GIBNEYMJ，WALSHMC.The future direction of personalised nutrition：my diet，myphenotype，my genes[J].TheProceedingsof theNutrition Society，2013，72（2）：219-225.

[7]PETERSGC，MCINERNEYP，MUNNZ，etal.Chapter11： scoping reviews （202O version） [M].AROMATARIS E M Z.JBI Manual for Evidence Synthesis.South Australia：JBI，2020：1.

[8]付德坤.基于模糊決策的體質(zhì)學(xué)飲食推薦建模及其系統(tǒng)實(shí)現(xiàn)[D]. 成都：電子科技大學(xué)，2013.

[9]仲亮靚.基于飲食知識(shí)圖譜的食譜推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].南 京：東南大學(xué)，2019.

[10]耿化聰，張英男，郭鈺烜.基于知識(shí)圖譜和協(xié)同過濾的飲食推薦系 統(tǒng)探析[J].數(shù)字化用戶，2021（4）：174-175.

[11]劉子豪，閉祖松，簡鈺軒，等.基于大數(shù)據(jù)的食譜推薦系統(tǒng)設(shè)計(jì)[J]. 工業(yè)控制計(jì)算機(jī)，2022，35（7）：92-93；96.

[12]姜全有，劉欣，湯秦，等.基于矩陣分解和標(biāo)簽的飲食推薦系統(tǒng)[J]. 信息與電腦（理論版），2021，33（24）：57-59.

[13]徐子犢.基于知識(shí)圖譜的社區(qū)老年膳食推薦方法研究[D].北京： 北京協(xié)和醫(yī)學(xué)院，2022

[14]方琦.個(gè)性化健康飲食推薦方法研究[D].西安：長安大學(xué)，2018.

[15］曾芝蘭.基于數(shù)據(jù)挖掘的慢性病人群食智能推薦系統(tǒng)的研究與實(shí) 現(xiàn)[D].北京：北京郵電大學(xué)，2021.

[16]李曉東.基于用戶評(píng)價(jià)的個(gè)性化飲食推薦方法研究[D].沈陽：東 北大學(xué)，2018.

[17]李超.基于知識(shí)圖譜的個(gè)性化美食推薦方法研究[D].廣州：華南 理工大學(xué)，2021.

[18］祁明思，陳文烈，李旦，等.基于知識(shí)庫的患者營養(yǎng)配餐推薦系統(tǒng) 設(shè)計(jì)[J].中國醫(yī)學(xué)裝備，2021，18（1）：106-109.

[19]林澤聰，王玉山，甘嘉穎，等.基于協(xié)同過濾的個(gè)性化食材推薦算 法研究[J].中國管理信息化，2017，20（7）：150-152.

[20]王玉山，林澤聰.基于皮爾遜相似度的食材推薦算法研究[J].信息 與電腦，2017，29（4）：100-103.

[21] 段春茜.融合知識(shí)圖譜和協(xié)同過濾的食譜推薦研究[D].太原：中 北大學(xué)，2021.

[22] 王子嵐.融合時(shí)間上下文的個(gè)性化營養(yǎng)飲食推薦研究[J].九江學(xué) 院學(xué)報(bào)，2020，35（2）：66-69.

[23] 王粵.基于多特征的健康飲食推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].重慶： 重慶郵電大學(xué)，2021.

[24] 胡丹.基于情境感知的老人飲食推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].重 慶：重慶郵電大學(xué)，2019.

[25] 董思凡.基于異構(gòu)信息網(wǎng)絡(luò)的糖尿病飲食推薦系統(tǒng)研究[D].蘭 州：蘭州理工大學(xué)，2019.

[26]董洪偉.基于知識(shí)圖譜的菜品推薦系統(tǒng)[D].北京：北京林業(yè)大學(xué)， 2020.

[27] 董浩，黃文清，李飛龍，等.融合注意力機(jī)制的食譜推薦方法研究 [J].軟件導(dǎo)刊，2022，21（1）：84-89.

[28] 陳詩劍.基于知識(shí)圖譜的健康飲食推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].天 津：天津科技大學(xué)，2021.

[29]CHEN Y，GUO Y D，F(xiàn)ANQ X，et al.Health-aware food recommendation based onknowledgegraph and multi-task learning [J].Foods，2023，12（10）：2079.

[30]GAO X Y，F(xiàn)ENGFL，HE X N，et al.Hierarchical attention networkforvisually-awarefoodrecommendation[J]. IEEE Transactions on Multimedia，2020，22（6）：1647-1659.

[31]GHOSH P，BHATTACHARJEE D，NASIPURI M. Dynamic diet planner：a personal diet recommender system based on daily activity and physical condition[J].IRBM，2O21，42（6）：442-456.

[32]GIBERT K，SEVILLA B，SANCHEZ-MARRE M，et al. Diet4You： a personal intelligent recommender for diets from a holistic perspective[C].Mallorca：the 22nd International Conference of the Catalan-Association-for-Artificial-Intelligence（CCIA），2019：1.

[33]HAUPTMANN H，LEIPOLD N，MADENACH M，et al.Effects and challenges of using a nutrition assistance system：results of a long-term mixed-method study[J]. User Modeling and UserAdapted Interaction，2022，32（5）：923-975.

[34]JIA N，CHEN J，WANG R Z.An attention-based convolutional neural network for recipe recommendation[J].Expert Systemswith Applications，2022，201：116979.

[35] KHAN M A，SMYTH B，COYLE D.Addressing the complexity ofpersonalized， context-awareandhealth-awarefood recommendations： an ensemble topic modelling based approach[J]. Journalof Intelligent Information Systems，2021，57（2）：229-269.

[36]LI Z X，HU JL，SHEN J Z，et al.A scalable recipe recommendation system for mobile application[C].Beijing：3rd International Conference on Information Science and Control Engineering，2016：91-94.

[37] MOKDARA T，PUSAWIRO P，HARNSOMBURANA J Personalized food recommendation using deep neural network[C]. Nakhonpathom：seventh ICT International Student Project Conference （ICT-ISPC），2018：1-4.

[38]MUSTO C，TRATTNERC，STARKE A，etal.Towardsa knowledge-aware food recommender system exploiting holistic user models[C].Genoa：the 28th ACM Conference on User Modeling，Adaptation and Personalization，2020：1.

[39]NOROUZI S，KAMEL GHALIBAFA，SISTANIS，et al.A mobileapplication for managingdiabeticpatients'nutrition：a food recommender system[J].Archivesof Iranian Medicine，2Ol8，21 （10）：466-472.

[40]HAMDOLLAHI O S，HASHEMZADEH M.FoodRecNet：a comprehensively personalized food recommender system using deep neural networks[J].Knowledge and Information Systems， 2023，65（9）：3753-3775.

[41]REHMAN F.Diet-right：a smart food recommendation system[J]. Transactions on Internet and Information Systems，2Ol7，11（6）： 2910-2915.

[42]YANG LQ，HSIEH CK，YANG HJ，et al.Yum-me：a personalized nutrient-based meal recommender system[J].ACM Transactions on InformationSystems，2O17，36（1）：7.

[43]ZHANG JY，LI M Q，LIU W B，et al.Many-objective optimization meets recommendationsystems：a food recommendation scenario[J].Neurocomputing，2022，503：109-117.

[44]ZHANG JY，WANG Z D，LIU WB，et al.A unified approach to designing sequence-based personalized food recommendation systems：tacklingdynamicuserbehaviors[J].International Journal of MachineLearningand Cybernetics，2023，14（9）：2903-2912.

[45]AGAPITOG，SIMEONI M，CALABRESEB，et al.DIETOS：a dietary recommender system for chronic diseases monitoringand management[J].ComputerMethodsandProgramsinBiomedicine， 2018，153：93-104.

[46]FREYNE J，BERKOVSKY S． Intelligent food planning： personalized recipe recommendation[C].Hong Kong：the 15th InternationalConferenceonIntelligentUser Interfaces，2Olo：321.

[47]SINGHAL A.Introducing the knowledge graph：things，not strings [EB/OL].（2012-05-16）[2025-07-13].htps：//blog.google/products/ search/introducing-knowledge-graph-things-not/.

[48] 趙曄輝，柳林，王海龍，等.知識(shí)圖譜推薦系統(tǒng)研究綜述[J].計(jì)算機(jī) 科學(xué)與探索，2023，17（4）：771-791.

[49] 張明星，張驍雄，劉姍姍，等.利用知識(shí)圖譜的推薦系統(tǒng)研究綜述 [J].計(jì)算機(jī)工程與應(yīng)用，2023，59（4）：30-42.

[50]PARAMYTHISA，WEIBELZAHLS，MASTHOFFJ.Layered evaluationof interactiveadaptivesystems：frameworkand formative methods[J].UserModelingandUser-Adapted Interaction，2010，20 （5）：383-453.

[51]鄭子浩，王月，王婧婷.健康推薦系統(tǒng)在癌癥癥狀管理中應(yīng)用的范 圍綜述[J].軍事護(hù)理，2023，40（10）：52-56.

[52]趙喜娟，楊明瑩，邊燕，等.健康推薦系統(tǒng)在癌癥患者照護(hù)中應(yīng)用 的范圍綜述[J].中華護(hù)理雜志，2023，58（14）：1780-1786. （收稿日期：2024-08-23；修回日期：2025-07-24） （本文編輯 崔曉芳）