While the availability of large-scale online recipe collections presents opportunities for health consumers to access a wide variety of recipes, it can be challenging for them to discover relevant recipes. Whereas most recommender systems are designed to offer selections consistent with users’ past behavior, it remains an open problem to offer selections that can help users’ transition from one type of behavior to another, intentionally. In this paper, we introduce health-guided recipe recommendation as a way to incrementally shift users towards healthier recipe options while respecting the preferences reflected in their past choices. Introducing a knowledge graph (KG) into recommender systems as side information has attracted great interest, but its use in recipe recommendation has not been studied. To fill this gap, we consider the task of recipe recommendation over knowledge graphs. In particular, we jointly learn recipe representations via graph neural networks over two graphs extracted from a large-scale Food KG, which capture different semantic relationships, namely, user preferences and recipe healthiness, respectively. To integrate the nutritional aspects into recipe representations and the recommendation task, instead of simple fusion, we utilize a knowledge transfer scheme to enable the transfer of useful semantic information across the preferences and healthiness aspects. Experimental results on two large real-world recipe datasets showcase our model’s ability to recommend tasty as well as healthy recipes to users.

虽然大规模在线食谱集合的可用性为健康消费者提供了访问各种食谱的机会，但他们发现相关食谱可能具有挑战性。尽管大多数推荐系统旨在提供与用户过去行为一致的选择，但提供可以有意帮助用户从一种行为类型过渡到另一种行为类型的选择仍然是一个悬而未决的问题。在本文中，我们介绍了健康指导的食谱推荐，作为一种在尊重他们过去选择中反映的偏好的同时，逐步将用户转向更健康的食谱选择的方法。将知识图谱 (KG) 作为辅助信息引入推荐系统引起了极大的兴趣，但尚未研究其在食谱推荐中的应用。为了填补这个空白，我们考虑在知识图谱上推荐食谱的任务。特别是，我们通过图神经网络在从大规模 Food KG 中提取的两个图上共同学习食谱表示，它们分别捕获不同的语义关系，即用户偏好和食谱健康。为了将营养方面整合到食谱表示和推荐任务中，而不是简单的融合，我们利用知识转移方案来实现跨偏好和健康方面的有用语义信息的转移。两个大型现实世界食谱数据集的实验结果展示了我们的模型向用户推荐美味和健康食谱的能力。我们通过图神经网络在从大规模 Food KG 中提取的两个图上共同学习食谱表示，它们分别捕获不同的语义关系，即用户偏好和食谱健康。为了将营养方面整合到食谱表示和推荐任务中，而不是简单的融合，我们利用知识转移方案来实现跨偏好和健康方面的有用语义信息的转移。两个大型现实世界食谱数据集的实验结果展示了我们的模型向用户推荐美味和健康食谱的能力。我们通过图神经网络在从大规模 Food KG 中提取的两个图上共同学习食谱表示，它们分别捕获不同的语义关系，即用户偏好和食谱健康。为了将营养方面整合到食谱表示和推荐任务中，而不是简单的融合，我们利用知识转移方案来实现跨偏好和健康方面的有用语义信息的转移。两个大型现实世界食谱数据集的实验结果展示了我们的模型向用户推荐美味和健康食谱的能力。为了将营养方面整合到食谱表示和推荐任务中，而不是简单的融合，我们利用知识转移方案来实现跨偏好和健康方面的有用语义信息的转移。两个大型现实世界食谱数据集的实验结果展示了我们的模型向用户推荐美味和健康食谱的能力。为了将营养方面整合到食谱表示和推荐任务中，而不是简单的融合，我们利用知识转移方案来实现跨偏好和健康方面的有用语义信息的转移。两个大型现实世界食谱数据集的实验结果展示了我们的模型向用户推荐美味和健康食谱的能力。