An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations

기술 요약: 건강한 식생활 지수 (HEI) 기반 개인 맞춤형 식품 추천을 위한 LLM-RAG 접근법

문제 제기
현재 식품 추천 시스템은 영양 과학을 실행 가능하고 개인화된 일상 선택으로 전환하는 데 중대한 한계에 직면해 있습니다. 기존 도구들은 종종 이질적인 품질 관리가 적용된 느슨하게 큐레이션된 크라우드소싱 식품 데이터베이스에 의존하며, 검증된 식생활 질 지수에 명시적으로 근거하지 않습니다. 또한, 전통적인 식생활 평가 방법 (예: 24 시간 회상법) 은 자원 집약적이며 일반적으로 실시간, 상황 인식형 안내가 아닌 정적, 인구 수준의 피드백을 제공합니다. 건강한 식생활 지수 (HEI) 는 식생활 가이드라인에 따른 식생활 질을 평가하는 강력하고 검증된 지표이지만, 주로 기술적인 수준에 머무르고 있습니다. HEI 데이터와 NHANES 및 FPED 와 같은 인구 수준 참조 데이터셋을 운영화하여 특정 식생활 질 결핍을 직접적으로 타겟팅하는 개인화되고 설명 가능한 식품 추천을 생성하는 데에는 중요한 격차가 존재합니다.

방법론
저자들은 구조화된 영양 데이터베이스와 대규모 언어 모델 (LLM) 을 통합하는 건강한 식생활 지수 (HEI) 기반 검색 증강 생성 (RAG) 프레임워크를 제안합니다. 시스템 아키텍처는 두 가지 주요 구성 요소로 이루어져 있습니다:

1. 데이터 기반 및 임베딩 공간:

   • 시스템은 2017–2020 년 국가 건강 및 영양 검사 조사 (NHANES) 및 식품 패턴 등가물 데이터베이스 (FPED) 의 데이터를 활용합니다.
   • 식품 수준 코퍼스는 FPED 기록을 식품 그룹의 컵/온스 등가물과 같은 식품 패턴 구성 요소를 요약한 구조화된 텍스트 설명으로 변환하여 구성됩니다.
   • 이러한 설명은 MiniLM-L6-v2 문장 변환기 모델을 사용하여 밀집 벡터 표현으로 인코딩되고, 효율적인 유사성 검색을 용이하게 하기 위해 FAISS 인덱스에 저장됩니다.

2. HEI 기반 검색 및 순위 결정:

   • 주어진 사용자 $i$에 대해 시스템은 현재 섭취 프로필을 기반으로 기준선 HEI-2020 점수 ($H_i$) 를 계산합니다.
   • 사용자의 건강 프로필과 식생활 요약에서 쿼리 표현 ($q_i$) 이 구성됩니다.
   • 시스템은 사용자 쿼리와 식품 임베딩 간의 코사인 유사성을 계산하여 후보 식품 ($C_i$) 을 검색합니다.
   • 각 후보 식품 $j$에 대해 사용자의 섭취에 대한 가상의 수정이 시뮬레이션됩니다. HEI 의 예상 변화 ($\Delta H_{i,j}$) 가 계산됩니다.
   • 후보들은 HEI 개선과 사용자 프로필 제약 조건 (예: 건강 상태, 선호도) 을 균형 있게 고려하는 목적 함수 $J_{i,j} = \alpha \Delta H_{i,j} + \beta C_{i,j}$를 사용하여 순위가 매겨집니다.

3. 검색 증강 생성 (RAG):

   • 사전 훈련된 OpenAI LLM(GPT 클래스) 이 제한된 RAG 파이프라인과 함께 인스턴스화됩니다.
   • LLM 은 사용자의 프로필, 현재 식생활, 그리고 특정 영양소 및 FPED 메타데이터를 가진 상위 순위 후보 식품들을 포함한 구조화된 프롬프트를 수신합니다.
   • 핵심적으로, LLM 은 검색된 후보 집합 ($R_i$) 에서만 추천을 생성하도록 지시받으며, 이는 출력이 일반적인 인터넷 지식이 아닌 표준화된 영양 데이터에 근거하도록 보장합니다.
   • 모델은 전곡 증가나 나트륨 감소와 같은 HEI 구성 요소 개선과 명시적으로 연결된 개인화된 제안과 설명을 생성합니다.

4. 프로토타입 구현:

   • 프레임워크를 시연하기 위해 크로스 플랫폼 모바일 애플리케이션 (Flutter) 이 개발되었으며, Firebase 를 통해 클라우드 호스팅 백엔드와 통신하여 사용자 입력을 처리하고 부분량 인식 제안을 반환합니다.

주요 기여
이 연구는 개인화된 영양 및 AI 분야에 네 가지 주요 기여를 합니다:

1. 프레임워크 개발: NHANES/FPED 와 같은 권위 있는 데이터베이스와 사용자 건강 프로필에 개인화된 식품 추천을 기반하는 HEI 기반 RAG-LLM 프레임워크의 창출.
2. 검색 메커니즘 설계: LLM 이 구조화된 검색된 식품 메타데이터 위에서 작동하도록 제한하여 예상되는 HEI 기여도를 가진 해석 가능한 추천을 생성하는 검색 전략의 구현.
3. 경험적 평가: 식생활 질 지표 개선에서 시스템의 효능을 입증하는 12,076 개의 사용자 기록에 대한 대규모 오프라인 시뮬레이션.
4. 실행으로의 전환: 추상적인 HEI 지표를 실행 가능하고 설명 가능한 식품 제안으로 전환하여 잠재적인 공중보건 프로그램 통합을 위한 확장 가능한 도구 제공.

결과
시스템은 2,416 명의 응답자로 구성된 홀드아웃 테스트 세트를 통해 평가되었습니다. 시뮬레이션 결과는 다음과 같습니다:

• 평균 HEI 개선: 추천된 대체 및 추가 적용 후 평균 HEI-2020 점수가 6.45 ± 4.02점 증가했습니다.
• 임계값 이동: "보통" 이상의 식생활 질 (HEI > 50) 을 달성한 사용자의 비율이 기준선에서 **45.12%**에서 시뮬레이션 후 **61.26%**로 증가했습니다.
• 분포적 이동: 분위수 분석은 전체 분포에 걸쳐 일관된 개선을 보여주었습니다. 25 백분위수, 50 백분위수 (중앙값), 75 백분위수는 각각 6.35, 6.45, 6.59 점 증가하여, 이 프레임워크가 불평등을 확대하지 않고 다양한 기준선 식생활 질을 가진 사용자에게 혜택을 준다는 것을 나타냅니다.
• 정성적 출력: LLM 은 에너지 섭취를 합리적인 범위 내에서 유지하면서 고나트륨 요리를 저나트륨 대안으로 교체하거나 전곡을 추가하는 것과 같이 영양학적으로 의미 있고 행동적으로 타당한 추천을 성공적으로 생성했습니다.

의의 및 주장
저자들은 이 연구가 인구 수준 감시 데이터와 개인 수준의 실행 가능한 안내 사이의 격차를 해소함으로써 개인화된 영양 연구를 발전시킨다고 주장합니다. 표준화된 증거 기반 데이터베이스에 LLM 출력을 근거시킴으로써, 제안된 시스템은 현재 일반적인 식생활 앱보다 더 정확하고, 설명 가능하며, 신뢰할 수 있는 대안을 제공합니다.

이 논문은 결과가 관찰된 실제 세계 행동 변화가 아닌 오프라인 시뮬레이션에서 도출되었지만, 시뮬레이션된 HEI 증가의 크기가 관찰 연구에서 종종 관찰되는 사회인구학적 층위 간의 차이와 비교 가능하거나 더 크다고 강조합니다. 저자들은 이 프레임워크를 공중보건 개입 및 식생활 정책 수립을 위한 잠재적 도구로 위치시킵니다. 그러나 그들은 시뮬레이션된 수용에 대한 의존성, 근본적인 NHANES/FPED 데이터의 잠재적 편향, 그리고 장기적 순응도와 실제 세계 영향을 평가하기 위한 향후 엄격한 무작위 대조 시험의 필요성과 같은 한계를 인정하며 겸손한 입장을 유지합니다.