MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention
MetaPlate：反事实引导的RAG-LLM个性化饮食推荐与高血糖预防工具
🧭 个性化健康饮食推荐 · 反事实优化 · RAG-LLM
Arizona State University
结合反事实优化与RAG-LLM，将餐后血糖预测转化为可执行的膳食建议，并通过专家迭代显著提升推荐合理性
📌 工作参考价值
- 反事实优化用于可控推荐：将推荐问题建模为受约束的最小改动优化，通过可微损失函数（目标损失 + 距离正则化）直接优化可干预特征（如商品价格、折扣、展示顺序），在满足业务目标（如提升转化率）的同时保持推荐结果与原用户偏好尽可能接近，可借鉴差分进化等免梯度优化器以保证约束灵活性。
- RAG-LLM 桥接数值优化与自然语言：将优化后的特征向量（如营养素目标）通过检索增强生成转化为人类可理解的推荐文案或商品组合，适用于电商场景中的个性化促销解释、搭配推荐或理由生成，需构建结构化的商品知识库并设计约束检查模块以避免幻觉。
- 专家在环的提示迭代工程：通过领域专家对 LLM 输出进行结构化评估，识别临床/业务上的不现实模式，并将反馈编码为显式约束加入提示（如“必须包含主食+蛋白质+蔬菜”“禁止仅给出坚果”），这种 co-creation 方式能大幅提升生成内容的合理性与可信度，可复用于客服回复、商品描述生成等场景。
- 多模态数据增强与对齐：在训练数据有限时，整合异构穿戴设备数据时通过统一特征工程（如从原始加速度重建 ENMO、步骤数）缓解模态不匹配，仅保留可复现的特征，避免引入不可靠估算值，对跨设备用户行为建模有借鉴意义。
动机：餐后高血糖是糖尿病等代谢疾病的前兆，但现有饮食指导缺乏个性化和可操作性，多数机器学习模型只预测餐后血糖而不提供具体干预。MetaPlate 的目标是将预测能力转化为可执行的饮食建议：在给定用户当前生理状态和计划餐食时，自动生成微调后的、不超出健康血糖范围的餐食建议。
方法关键点
- 数据：13 名健康成年人约 10 天的自由生活多模态数据（CGM 血糖、Embrace Plus 腕带生理/活动信号、食物日志），共 636 餐；训练集由 544 次进餐事件组成（含 12 人实验室数据集作为补充）。提取 17 维餐前上下文特征（活动量、心率、皮电、皮肤温度、餐前血糖趋势等），预测目标为餐后 2 小时内血糖峰值。
- 预测模型：LightGBM 回归，RMSE 17.56 mg/dL，R² 0.399；经比较在该任务上对后续反事实优化最友好（CF 的 RMSE 至目标 140 最低）。
- 反事实优化：设计损失函数
[max(0, f(x,m)-140)]² + λ·Σ((m_j - m0_j)/s_j)²，约束碳水化合物不增加、蛋白和脂肪设上限，由差分进化求解，输出宏量营养素调整目标。 - LLM-RAG 映射：使用 Gemma 4 26B 等大模型，检索 USDA 食物数据库，将优化得到的营养素目标转换为具象食物组合和份量建议。
- 专家在环提示优化：初始提示过于刚性导致不现实输出（如仅肉和杏仁）。经 4 名注册营养师评估后，重写提示加入“蛋白质+碳水化合物+非淀粉蔬菜”结构化要求和份量合理性检查，再经 6 名专家二次评估。
关键实验结果
- 反事实有效性：MetaPlate 的 validity 0.660，优于 Wachter (0.540) 和 DiCE (0.500)；同时 L1/L2 距离更小（0.230/0.258），改动更实在。
- LLM 性能：Gemma 4 26B 的碳水化合物/蛋白质/脂肪 RMSE 仅为 0.187/0.147/0.211，血糖一致性达 0.700，显著优于 GPT-5.4 等。
- 专家评价（10 分量表）：提示优化后，份量适宜性从 4.88→7.67，营养对齐 5.38→7.97，推荐可能性 3.45→7.10，系统易用性 3.50→7.71，临床一致性 3.00→7.00，切实提升了推荐的现实性和可操作性。
核心洞见：仅做预测不够，反事实优化与 RAG-LLM 的结合能将数值目标变成现实可行的建议，但必须通过领域专家迭代把结构性约束和现实感“注入”提示，才能让 LLM 产出经得起专业检验的输出。