著者の所属・活動拠点の国は、中国です。

掲載誌：Food-Energy-Water Nexus

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

散らばった食の知識を整理するという課題

料理と食材をどう組み合わせるかを考えるには、料理・食材・栄養素といった基本的な知識に加えて、アレルゲン、食事制限、調理法、誰に向いているかといった条件も踏まえる必要があります。研究チームは、キーワードや手作業のルールに頼る従来の仕組みでは、こうした多面的な関係を十分に表現できず、提案の根拠も説明しにくいと指摘しています。

そこで著者らが用いたのが「知識グラフ」です。知識グラフは、「オーツ麦—豊富に含む—食物繊維」のように、二つの物事と、その間の関係を一組（トリプル）にして蓄積し、網の目のように知識を整理する仕組みです。ただし食の分野では、知識がレシピや栄養資料などに散らばっており、同じ食材にも複数の呼び名があります。そのため、手作業で作ると費用がかかり、ルールによる自動抽出では文をまたぐ関係や暗黙の関係を見落としやすいという問題があります。

文章の理解が得意な大規模言語モデル（LLM）を使えば、低コストで知識を取り出せる可能性があります。一方で、出力形式が安定しない、呼び名がそろわない、実在しない関係を作り出してしまう、といった弱点も残ります。本研究は、LLMによる抽出に、分野の知識に基づくルール、意味の近さの評価、関係の補完を組み合わせ、正確で根拠をたどれる食の組み合わせ知識グラフを作る方法を提案しています。

抽出・統一・採点・補完の流れ

研究チームはまず、料理、食材、栄養素、調理法、食事制限、健康上の目標、対象となる人々という7種類の項目と、「含む」「豊富に含む」「適している」「適さない」「代替できる」「おすすめの組み合わせ」などの関係を定義し、知識の枠組みを設計しました。

次に、レシピ、栄養に関する説明、食事制限の資料から、LLM（GPT-3.5-turbo）で項目と関係の候補を取り出しました。最初に項目だけを抽出し、続いてその項目の間の関係を抽出する二段階の手順を採っています。各文章は3回処理され、多数決で候補が絞られました。枠組みにない関係は取り除かれます。

続いて、「トマト」と中国語の別名「西紅柿」のように同じものを指す別名を、別名辞書と、言葉の意味を数値で表したときの近さを使って一つにまとめました。そのうえで、各トリプルを三つの観点の重み付き合計で採点しています。重みは、LLMの抽出に対する確信度が0.5、二つの項目の意味的な相性が0.25、分野ルールとの一致が0.25です。得点が0.70以上ならグラフに採用し、0.55以上0.70未満なら人による確認や再度の問い合わせに回し、それ未満は捨てます。

さらに、明示されていない関係をルールで補う「関係補完」も行いました。たとえば「豆腐はたんぱく質を豊富に含む」と「たんぱく質は筋肉づくりに役立つ」から「豆腐は筋肉づくりという目標に適する」という候補を作ったり、「ピーナッツはナッツ類のアレルゲンに属する」から「ナッツアレルギーの人には適さない」という候補を作ったりします。補完した候補も同じ採点にかけられます。糖尿病、腎臓病、アレルギー、妊娠などに関わる関係は臨床的な助言として自動採用せず、権威ある栄養指針の裏付けがあるか、栄養分野の知識を持つ人が確認した場合にのみ残すとしています。

主な結果

実験には、家庭料理、低脂肪食、菜食、低糖質食、高たんぱく食などを含むレシピ1,500件と、栄養説明500件、および食事制限の資料が使われました。整理後の分量は中国語で約23万字です。評価用には、別に分けた300の文章断片に、二人の注釈者が正解の関係を付けています。注釈者間の一致度（カッパ係数）は0.86でした。

成績は、正しく取り出せた割合（適合率）と取りこぼしの少なさ（再現率）を合わせた指標「F1値」で比べられました。提案法の関係抽出のF1値は88.71%で、LLMに直接抽出させた場合（82.66%）より6.05ポイント高くなりました。比較した既存手法のBERT-RE、CasRel、CompGCN-KGCに対しても、それぞれ3.44、2.14、2.66ポイント上回り、比較した手法の中で最も高い値でした。項目抽出のF1値は91.05%でした。

各部分を一つずつ外して効果を確かめた実験では、別名の統一を外したときに関係抽出のF1値の低下が最も大きく、4.43ポイント下がりました。著者らは、同じ関係が別名ごとに分かれて記録されてしまうためだと説明しています。関係補完を外すと再現率が大きく下がり、ルールによる採点や意味的な相性の評価も、誤ったトリプルを抑えるのに役立っていたと報告されています。

関係補完そのものも独立に評価されました。補完によって1,436件の候補が生成され、採点による絞り込みの後に682件（47.49%）が残りました。人による確認は300件を対象に行われ、そのうち262件が正しいと判断されて、正答率は87.33%と報告されています。誤りの内訳は、裏付けのない健康上の推論が39.47%と最も多く、数値的な根拠の不足、項目のあいまいさが続きました。繰り返し実行したときの関係抽出のF1値は平均88.64%、ばらつき（標準偏差）は0.37で、結果は比較的安定していたとされています。

最終的にできた知識グラフは、5,329の項目、12,036のトリプル、12種類の関係から成ります。項目のうち食材が約42.6%、料理が約28.4%を占めました。たとえば豆腐については、「植物性たんぱく質を豊富に含む」「高たんぱく食に適する」「一部の肉食材の代わりになる」といった関係が収められています。

研究が示すもの

この研究は、LLMの文章理解力をそのまま使うのではなく、あらかじめ決めた枠組み、別名の統一、複数の観点からの採点で出力を絞り込むことで、LLMに直接抽出させるより精度の高い食の知識グラフを作れることを示しました。著者らは、健康的な食事の推薦や、食の組み合わせに関する質問応答を支える構造化された知識基盤になりうるとしています。

一方で著者ら自身も、数値の裏付けが必要な栄養上の関係、病気に関わる慎重な判断、文をまたぐ複雑な関係の扱いに限界が残ると述べています。本研究のグラフは食の組み合わせに関する知識を整理するためのものであり、医療上の診断や治療の助言を目的としたものではないと位置づけられています。

原著論文の著者・所属：Jia Yu（School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 102488, China）、Tong Ji（School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 102488, China）、Jiamin Zheng（School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 102488, China）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Jia Yu, Tong Ji, Jiamin Zheng. A Study on a Food Pairing Knowledge Graph Construction Method Integrating Large Language Models and Relation Completion. Food-Energy-Water Nexus 2026-08-16. DOI: 10.63808/fewn.v2i3.430. 原著ライセンス：CC BY.