NutriGen: Personalized Meal Plan Generator Leveraging Large Language Models to Enhance Dietary and Nutritional Adherence

要約

バランスの取れた食事を維持することは全体的な健康に不可欠ですが、多くの個人は栄養の複雑さ、時間の制約、食事知識の欠如のために食事計画に苦労しています。
パーソナライズされた食品の推奨事項は、食事計画を個々の好み、習慣、食事制限に合わせて調整することにより、これらの課題に対処するのに役立ちます。
ただし、既存の栄養補助剤システムは、多くの場合、適応性がなく、食品成分の可用性などの実際の制約を考慮することができず、広範なユーザー入力が必要であり、持続可能でスケーラブルな日常的な使用には非現実的になります。
これらの制限に対処するために、ユーザー定義の食事の好みと制約に合わせたパーソナライズされた食事プランを生成するために設計された大規模な言語モデル（LLM）に基づくフレームワークであるNutrigenを紹介します。
パーソナライズされた栄養データベースを構築し、プロンプトエンジニアリングを活用することにより、LLMSは柔軟性と使いやすさを維持しながら、USDA栄養データベースのような信頼できる栄養参照を組み込むことができます。
LLMは、正確でユーザーフレンドリーな食品の推奨事項を生成する際に強い可能性を秘めており、構造化された実用的でスケーラブルな食事プランを提供することにより、既存の食事勧告システムの重要な制限に対処することを実証します。
私たちの評価は、Llama 3.1 8BおよびGPT-3.5ターボがそれぞれ1.55 \％および3.68 \％の最低パーセントエラーを達成し、偏差を最小限に抑え、精度を改善しながら、ユーザー定義のカロリーターゲットと密接に整合する食事プランを生成することを示しています。
さらに、Deepseek V3のパフォーマンスをいくつかの確立されたモデルと比較して、パーソナライズされた栄養計画における可能性を評価しました。

要約(オリジナル)

Maintaining a balanced diet is essential for overall health, yet many individuals struggle with meal planning due to nutritional complexity, time constraints, and lack of dietary knowledge. Personalized food recommendations can help address these challenges by tailoring meal plans to individual preferences, habits, and dietary restrictions. However, existing dietary recommendation systems often lack adaptability, fail to consider real-world constraints such as food ingredient availability, and require extensive user input, making them impractical for sustainable and scalable daily use. To address these limitations, we introduce NutriGen, a framework based on large language models (LLM) designed to generate personalized meal plans that align with user-defined dietary preferences and constraints. By building a personalized nutrition database and leveraging prompt engineering, our approach enables LLMs to incorporate reliable nutritional references like the USDA nutrition database while maintaining flexibility and ease-of-use. We demonstrate that LLMs have strong potential in generating accurate and user-friendly food recommendations, addressing key limitations in existing dietary recommendation systems by providing structured, practical, and scalable meal plans. Our evaluation shows that Llama 3.1 8B and GPT-3.5 Turbo achieve the lowest percentage errors of 1.55\% and 3.68\%, respectively, producing meal plans that closely align with user-defined caloric targets while minimizing deviation and improving precision. Additionally, we compared the performance of DeepSeek V3 against several established models to evaluate its potential in personalized nutrition planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google