使用混合推荐系统结合协同过滤、基于内容和基于知识的模型，以及决策树、k - 近邻、AdaBoost 和 Bagging 等机器学习模型根据能量指标和学生的食品选择历史，将大学餐厅的食物推荐给学生，其中 AdaBoost 模型的准确率最高，为 73.70%。

Jun, 2023

本文采用自适应超媒体框架，结合 TF-IDF 术语提取方法和余弦相似度测量方法，利用健康启发式和标准食品数据库建立知识库，提出了基于语义推荐系统的食品个性化框架，评估得出，与传统的推荐系统相比，基于语义推荐系统在准确性、精确性和召回率方面表现更好，而所提出的推荐系统的 F-measure 指标优于现有的基于语义的推荐系统。

Dec, 2013

提出了一种名为 NutRec 的新型框架，该框架使用神经网络模型中的三个主要组件来基于食材预测和推荐健康的食谱，经过实验证明该框架可以成功检索到较为健康的菜谱。

Mar, 2020

RECipe 是一个多用途食谱推荐框架，使用多模态知识图作为支撑，通过深度神经协同过滤 (NCF) 在用户查询自然语言或提供图像时推荐食谱。RECipe 包括行为、评论和图像三个子系统，依赖于图中实体和关系的嵌入表示。通过微软 MPNet 的模型对文本实体进行预训练，然后使用这些嵌入表示初始化实体的权重用于知识图嵌入 (KGE) 模型的训练。对于图像部分，使用 KGE-Guided variational autoencoder (KG-VAE) 学习图像的分布和潜在表示。KGE 和 KG-VAE 模型训练完成后，用于作为多用途推荐框架。RECipe 在数据集上进行了实验证明了 KGE 模型与神经解决方案的可比性，并提供了预训练 NLP 嵌入来解决冷启动问题和基于食谱类别的条件推荐。最终演示了 RECipe 在多用途推荐设置中的应用。

Aug, 2023

传统的膳食推荐系统通常只考虑营养或健康，忽视了人们对食物的感受。本研究提出了一种基于社交情感计算的饭菜推荐和菜单规划框架，可以识别不同食物对人的情感影响，并结合营养需求生成饭菜推荐与个性化菜单规划。实验证实了该框架在各项评估参数上的良好表现。

Aug, 2023

本文针对具有烹饪偏好但对于特定菜肴的食材知识不足的用户提出了个性化食谱生成的新任务：将菜品名称和不完整的食材详情扩展为与用户历史喜好相符的完整自然文本说明。通过技术和食谱级别的表示，我们的模型在一个注意力融合层中融合了这些 “用户感知” 的表示，控制食谱文本的生成。在一个新的包含 180K 份菜谱和 700K 个交互的数据集上进行实验，与非个性化的基准相比，我们的模型能够生成一些合理且个性化的菜谱。

Aug, 2019

通过使用词袋和基于神经网络的文档组合方法（Doc2Vec），本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统，通过使用这两种文档表示方法，在产品特性（成分、包装、营养表，过敏原等）等方面提供最佳的推荐，调查结果显示基于神经网络的 Doc2Vec 方法的表现更好且完全改变了结果。

Dec, 2023

本文是关于多模态推荐系统的技术视角的综述，主要介绍了多模态推荐系统的一般过程、挑战、三类现有模型，以及数据集和代码资源的总结，同时讨论了未来的发展方向。

Feb, 2023

本文提出了一种崭新的集成推荐系统，将由不同模型生成的预测结果合并到统一的超图排名框架中，通过在个体推荐系统上分配不同的超边权重来区分实际连接和预测连接，实验结果表明，与单个模型和加权混合方法相比，集成超图排名方法能够生成更准确的推荐结果，并且进一步改善了代表相同权重的超边的设置。

Jun, 2023

提出了一种基于大规模食品知识图谱和健康指南的个性化饮食推荐框架，将用户查询、饮食偏好和健康指南作为自然语言问答系统的约束条件，用于促进用户养成健康的饮食习惯。

Jan, 2021