NGQA：个性化健康意识营养推理的营养图问答基准

核心观点与数据

• 问题背景：饮食对人类健康至关重要，但根据个体健康状况定制饮食方案仍是一大挑战。当前营养问答（QA）方法面临两大局限：缺乏涉及用户特定医疗信息的数据库，以及大型语言模型（LLMs）在个性化健康饮食推理中存在困难。
• 数据来源：利用国家健康与营养调查（NHANES）和食品与营养膳食研究数据库（FNDDS）构建数据集，整合用户健康档案、饮食习惯和食品摄入记录。
• 数据标注：标注四种常见健康状况（肥胖、高血压、阿片类药物滥用和糖尿病）和九种特殊饮食，并构建用户和食品之间的营养标签关系。

NGQA基准

• 基准介绍：提出营养图问答（NGQA）基准，首个针对个性化营养健康推理设计的图问答数据集。
• 问题设置：将问题分为三种复杂度设置：稀疏、标准和复杂，分别对应不同信息量和推理难度。
• 任务定义：包含三种下游任务：二元分类（-B）、多标签分类（-ML）和文本生成（-TG），评估模型在不同推理方面的能力。

实验结果

• 模型性能：使用LLM主干和基线模型进行实验，结果表明NGQA能有效挑战现有模型，ToG模型在二元分类任务中表现最佳。
• 效率与检索质量：二元分类任务运行时间最短，多标签分类和文本生成任务较慢。ToG模型通过剪枝提高检索质量，但可能丢弃有价值信息。
• 错误分析：模型主要存在两种错误类型：事实性幻觉和情境性幻觉，表明个性化饮食推理的复杂性。

研究结论

• 贡献：提出首个针对个性化营养健康推理的图问答基准，推动GraphQA研究发展，提供综合资源评估模型性能。
• 局限与未来方向：基准涵盖的健康状况有限，未考虑食物保障等因素，复杂问题简化为二元分类，未来可扩展更多任务和因素。