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 ★ 深度解读
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（4 点）
- 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。