膳食推薦系統(tǒng)在健康照護領域應用的范圍綜述

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

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

隨著互聯(lián)網(wǎng)和信息技術的快速發(fā)展，人們越來越習慣通過網(wǎng)絡來搜索健康信息。據(jù)報道，谷歌每天的搜索中 7% 是與健康相關的，每分鐘產(chǎn)生總計7萬條健康相關搜索[1]。面對龐大的健康信息需求，個性化健康推薦系統(tǒng)（recommendersystems，RS）應運而生。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目的一項智能技術，并基于事物之間的相似度集成計算技術為用戶推薦相關項目，大大簡化用戶信息搜索任務[2]。隨著推薦系統(tǒng)技術的快速發(fā)展，目前已被應用到慢性病管理、膳食管理、心理健康促進和用藥推薦等健康照護領域[3-4]。其中，膳食推薦系統(tǒng)助力個性化營養(yǎng)逐漸成為熱門的推薦場景[5。個性化營養(yǎng)被定義為根據(jù)遺傳數(shù)據(jù)、個人健康狀況、生活方式、營養(yǎng)攝入和表型數(shù)據(jù)為個體量身定制健康飲食建議[6。目前，個性化膳食推薦系統(tǒng)在健康服務領域呈現(xiàn)快速發(fā)展的趨勢，但膳食推薦系統(tǒng)的推薦依據(jù)、推薦算法及應用場景各不相同，缺乏較好的梳理。因此，本研究采用范圍綜述的方法對健康服務領域的膳食推薦系統(tǒng)進行全面的審查，明確膳食推薦系統(tǒng)的應用對象、功能、算法、測試及評價方法等，為進一步推動膳食推薦系統(tǒng)助力個性化營養(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[7，按照確定研究問題、檢索相關研究、篩選文獻、分析數(shù)據(jù)、整理并總結相關結果的步驟進行。

1.2 確定研究問題

依據(jù)PCC策略界定本研究的問題，P（population）即研究對象，指在健康照護領域需要進行個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，為沒有地點約束的信息網(wǎng)絡環(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)可用性及有效性評價的指標是什么？

1.3 檢索策略

計算機檢索theCochraneLibrary、PubMed、WebofScience、EMbase、CINAHL、Scopus以及中國生物醫(yī)學文獻數(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平臺。檢索時限為數(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，追溯納人文獻的參考文獻，以減少遺漏。使用主題詞與自由詞相結合的方式進行檢索，檢索字段為標題、摘要及關鍵詞等，檢索詞為膳食、飲食、食物、營養(yǎng)、推薦系統(tǒng)及相關近義詞。以PubMed為例，英文檢索策略如下。

1.4文獻納入與排除標準

納入標準：推薦系統(tǒng)目標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)的構建、評價及應用；涵蓋膳食推薦系統(tǒng)測試、預試驗、可用性或有效性評價相關的研究。排除標準：研究主題是單純膳食推薦系統(tǒng)算法、軟件開發(fā)或方法學介紹；文獻類型為文獻綜述、指南、政策性文件、經(jīng)驗總結、專利及會議摘要等；無法獲取全文的文獻；語言非中文或英文。

1.5文獻篩選及資料提取

采用EndNote21文獻管理軟件對納入文獻進行去重后，由2名經(jīng)過方法學培訓的研究者按照納入排除標準進行文獻篩選。首先閱讀題目和摘要，對可能符合納入標準的文獻進一步查閱全文，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表格對納入的文獻進行信息提取，提取內(nèi)容包括：納入文獻的基本信息，包括作者、發(fā)表年份、國家、目標人群、推薦內(nèi)容、評價方法及指標；膳食推薦系統(tǒng)相關信息，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結果

2.1文獻檢索與篩選結果

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

圖1文獻篩選流程及結果

Figure 1Literature screening process and results

2.2納入文獻的基本信息

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

2.3膳食推薦系統(tǒng)的測評方法、對象和指標

納人的38篇文獻對所構建的膳食推薦系統(tǒng)采用的測試方法，31項研[8-12，14-7，9，21-313-34，6-37，40-45采用離線實驗，10項研究[13.16，18.32.35，38-40，42.45]采用用戶調(diào)查進行測試，1項研究[33]進行了預試驗，1項研究[20]進行了在線實驗。在提及評測參與人員的文獻中，研發(fā)系統(tǒng)的研究人員都參與了測評實驗，其中5項研究[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項研究[13，16，18.33.35.38.42.45]還納人了一部分的系統(tǒng)目標人群進行評測。納入文獻對推薦系統(tǒng)的測評指標主要包括推薦系統(tǒng)技術評價指標、營養(yǎng)健康相關指標以及目標用戶的主觀評價指標。在系統(tǒng)技術評價方面，采用均方根誤差（RMSE）[12.14-15.23，40-41]、平均絕對誤差（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]等指標評價推薦系統(tǒng)的預測性能；此外，5項研究[30.3-34.37，44]采用歸一化基于距離的性能指標（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]對系統(tǒng)的推薦排序準確度進行評價。在營養(yǎng)健康相關指標方面，采用營養(yǎng)攝入分數(shù)[29]、營養(yǎng)達標率[16.22-23]、營養(yǎng)均衡性評分[13]、生化指標[33]、與醫(yī)療診斷的匹配度[45]以及營養(yǎng)師反饋[40]等對系統(tǒng)的健康促進有效性進行評價。此外，僅7項研究[16.18.33.35.38.40.42]通過用戶調(diào)查、預試驗評估用戶滿意度、用戶反饋等主觀評價。具體見表1。

表1納入文獻的基本信息

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篇文獻中，膳食推薦系統(tǒng)的數(shù)據(jù)庫包括膳食相關數(shù)據(jù)庫和用戶產(chǎn)生的相關數(shù)據(jù)庫。膳食相關數(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項研究[9-10，12.17，21，26，28-29]使用知識圖譜的形式進行保存。用戶相關的數(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行收集，如用戶對食譜食物的評分評價、用戶的收藏列表以及上傳列表等；6項研究 [16，19-20，22，37，43] 通過用戶的歷史飲食記錄隱行收集用戶評分，根據(jù)進食次數(shù)推斷用戶偏好。此外，2項研究[22.24通常從第三方軟件或用戶填寫的方式獲取季節(jié)、進食環(huán)境等情景信息進行推薦系統(tǒng)構建。具體見表2。

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

表2納入文獻膳食推薦系統(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健康領域的膳食推薦系統(tǒng)的構建技術和方法不斷發(fā)展

在健康飲食推薦系統(tǒng)的領域較常使用的推薦算法包括基于內(nèi)容、基于知識、協(xié)同過濾以及現(xiàn)在逐漸成為主流的基于數(shù)據(jù)挖掘和機器學習的推薦模型。協(xié)同過濾是應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行推薦7。基于內(nèi)容的推薦技術是一種基于物品特征的推薦方法，通過分析物品內(nèi)容特征向目標用戶推薦與他們過去興趣類似的物品[7]。基于知識（knowledge-based）是根據(jù)特定的領域知識進行物品推薦[7]。由于不同技術的優(yōu)缺點以及健康領域飲食推薦系統(tǒng)多種目標需求，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，隨著機器學習、深度學習等技術的不斷發(fā)展，推薦技術創(chuàng)新融合的相關研究不斷涌現(xiàn)，已逐漸成為膳食推薦技術研究的主流。此外，為了做出飲食建議，需要搜集數(shù)以千計的食物項目/配料，在食譜中食物/配料需要相互結合而非獨立存在，大大增加了推薦系統(tǒng)的復雜性4。許多研究將知識圖譜引入了膳食推薦系統(tǒng)中，知識圖譜由谷歌于2012年提出并運用到搜索引擎中，是一種有向圖結構的知識庫，涵蓋了實體、概念及其相互間的語義關系4。通過將知識圖譜融入推薦系統(tǒng)可以將信息關聯(lián)到一起，并利用知識推理推斷出用戶喜好，提高推薦的準確度和可解釋性[48]，也能有效改善傳統(tǒng)推薦系統(tǒng)冷啟動和數(shù)據(jù)稀疏問題[49]。但除卻從算法視角出發(fā)的實踐和問題驅(qū)動，在健康領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，引導用戶實踐更為健康的膳食模式。為了達到上述目標，研究者仍積極探索并構建滿足個性化需求和個性化營養(yǎng)的膳食推薦技術。

3.2健康領域的膳食推薦系統(tǒng)報告尚不夠規(guī)范

膳食推薦系統(tǒng)從算法構建和驗證、系統(tǒng)構建和評估到最終可以在健康領域?qū)嶋H應用需要較長的研發(fā)周期和系統(tǒng)的測評，但現(xiàn)有檢索結果發(fā)現(xiàn)許多研究僅處于初步算法和系統(tǒng)構建階段，完整的健康飲食推薦系統(tǒng)構建及評估并未見報道，因此期待研究者持續(xù)推進系統(tǒng)的更新和研發(fā)并持續(xù)報告相關成果。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推薦系統(tǒng)的構建也是十分重要的，但可能由于現(xiàn)有報告大多僅在構建階段并主要關注在推薦功能的實現(xiàn)，數(shù)據(jù)來源通常是通過網(wǎng)絡爬蟲工具從常用的食譜網(wǎng)站和飲食網(wǎng)站等網(wǎng)絡資源爬取清洗所得或是小范圍問卷調(diào)查獲得，知識庫規(guī)模較小也并未報告后續(xù)更新和正式運行擴充的設計，難以預測系統(tǒng)的擴展性以及長期使用的適應性等相關情況，也期待未來更多關于推薦系統(tǒng)知識庫更新和運行的研究和報道。同時，由于飲食推薦系統(tǒng)在健康領域的應用仍處于起步階段，其對健康行為促進的效果也鮮少有隨機對照試驗等研究報告。

3.3健康領域的膳食推薦系統(tǒng)的評估仍在探索階段

僅從推薦系統(tǒng)來看，如何選擇一個最佳推薦算法以及推薦算法如何評價也暫未給出一個公認的答案。有學者提出基于人機交互系統(tǒng)進行評估[50]，包含輸入數(shù)據(jù)、結束數(shù)據(jù)、建模世界、適應決策、整體評估5個層次；有學者通過評估的方法進行分類，包括離線實驗、在線實驗和用戶調(diào)查。還有研究將健康領域的推薦系統(tǒng)評估總結為可行性、可用性、有效性、健康性等指標[51-52]。雖然計算機科學的評估可以部分反映推薦系統(tǒng)功能的實現(xiàn)與否，但對于健康領域應用而言，推薦系統(tǒng)全過程的科學性值得關注。在本研究提取的結果中，僅有少研[8，12，15-16，18.26，31-3，39-4，45]基于醫(yī)學業(yè)識構建飲食相關知識庫，大多是從“美食網(wǎng)站\"或“健康網(wǎng)站\"中獲取，其中關于食材的營養(yǎng)價值和適用患病人群描述的科學性需要進一步探討。其次，在納入文獻中健康膳食推薦目的的實現(xiàn)各有不同：一類是將知識規(guī)則提前內(nèi)置于數(shù)據(jù)庫中，例如部分研究利用知識圖譜將食譜中食物的營養(yǎng)元素、食物與疾病保健的關系、食物與中醫(yī)體質(zhì)的關系等信息對原有食譜進行補充，從而實現(xiàn)健的功能[-10，12.7，2，2，28-2]），Aapt等[45通過醫(yī)學專家提前設計的問卷流程圖引導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計進行健康飲食推薦，例如將人體需攝入的營養(yǎng)素作為推薦目標，結合用戶偏好進行多目標、多特征推薦[16.23]；通過分析用戶歷史的信息（化驗指標[41]、膳食歷史記錄[33.37]等）分析其缺少的營養(yǎng)元素，從而針對性地進行飲食推薦；通過數(shù)據(jù)挖掘從包含醫(yī)療飲食指導的數(shù)據(jù)中學習并模擬用戶與食譜的交互從而進行健康飲食推薦[18.25-26]。但在本次納入的研究中，僅有5項研究[8.18.32.39-40]通過邀請專業(yè)醫(yī)療人員（包括醫(yī)生、營養(yǎng)師）對推薦結果進行評估和反饋，其推薦結果的科學性和健康性驗證的評估并未在系統(tǒng)構建中得到重視。此外，現(xiàn)有研究中也并未提及有關經(jīng)濟效益的評估，而經(jīng)濟效益對于慢性病病人及其相關利益者或許是較為關心的方面。

4小結

本研究基于范圍綜述的基本框架，回顧了健康領域膳食推薦系統(tǒng)的相關文獻。大量算法模型的提出和驗證從理論層面證明其推薦功能的可實現(xiàn)性，但相關研究仍處于起步階段，相關報告并不完善，評估體系尚未建立。膳食推薦系統(tǒng)在健康領域的實踐應用仍存在較大差距，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：

[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)研究進展與展望[J].醫(yī)學 信息學雜志，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)學飲食推薦建模及其系統(tǒng)實現(xiàn)[D]. 成都：電子科技大學，2013.

[9]仲亮靚.基于飲食知識圖譜的食譜推薦系統(tǒng)的設計與實現(xiàn)[D].南 京：東南大學，2019.

[10]耿化聰，張英男，郭鈺烜.基于知識圖譜和協(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)設計[J]. 工業(yè)控制計算機，2022，35（7）：92-93；96.

[12]姜全有，劉欣，湯秦，等.基于矩陣分解和標簽的飲食推薦系統(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)學院，2022

[14]方琦.個性化健康飲食推薦方法研究[D].西安：長安大學，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 現(xiàn)[D].北京：北京郵電大學，2021.

[16]李曉東.基于用戶評價的個性化飲食推薦方法研究[D].沈陽：東 北大學，2018.

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

[18］祁明思，陳文烈，李旦，等.基于知識庫的患者營養(yǎng)配餐推薦系統(tǒng) 設計[J].中國醫(yī)學裝備，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.融合知識圖譜和協(xié)同過濾的食譜推薦研究[D].太原：中 北大學，2021.

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

[23] 王粵.基于多特征的健康飲食推薦系統(tǒng)的設計與實現(xiàn)[D].重慶： 重慶郵電大學，2021.

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

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

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

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

[28] 陳詩劍.基于知識圖譜的健康飲食推薦系統(tǒng)設計與實現(xiàn)[D].天 津：天津科技大學，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.知識圖譜推薦系統(tǒng)研究綜述[J].計算機 科學與探索，2023，17（4）：771-791.

[49] 張明星，張驍雄，劉姍姍，等.利用知識圖譜的推薦系統(tǒng)研究綜述 [J].計算機工程與應用，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用的范 圍綜述[J].軍事護理，2023，40（10）：52-56.

[52]趙喜娟，楊明瑩，邊燕，等.健康推薦系統(tǒng)在癌癥患者照護中應用 的范圍綜述[J].中華護理雜志，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）