基于知识图谱与GNN的可解释食物推荐系统

简介：本资源是一个面向人工智能与推荐系统方向学习者的实践项目，聚焦于利用知识图谱（KG）与图神经网络（GNN）实现个性化食物推荐，适用于具备Python基础、熟悉PyTorch/TensorFlow及图学习概念的中高级开发者与研究生。项目完整复现了从知识图谱构建、多源数据预处理（含食材、营养、口味等实体关系建模），到GNN模型（含GCN、GATNE、MKR等变体）训练、评估与推荐生成的全流程，并通过Jupyter Notebook提供可交互式调试与结果可视化。压缩包共26个文件，含15个核心Python脚本（如preprocess.py、train.py、model.py）、2个Jupyter Notebook（含GATNE_jupyter.ipynb实验入口）、2个说明文档（README.md、GNN.md）及模型检查点文件，总大小3.76MB，结构清晰、模块解耦，便于按需复用数据加载、图层实现或训练逻辑。目前已有225人学习下载，读者可直接运行、调试并拓展该KG+GNN推荐框架，获取完整的代码工程、可复现的模型配置及典型食物推荐场景下的评估分析思路。

1. 这不是又一个“用户点了牛排，系统推牛排”的推荐系统：它能根据你昨天吃了三顿辣、今天体检报告里钠超标、还搜过“低脂高蛋白早餐”，从知识图谱里实时挖出一道「微辣版豆腐蒸蛋+紫菜虾皮汤」——而且整个推理链可追溯、可解释、可人工干预

你见过的大多数食物推荐，本质是协同过滤的变体：A和B口味相似，B喜欢麻婆豆腐，那A也大概率会点。但问题来了——如果A刚被医生告知痛风发作期，而麻婆豆腐含嘌呤极高，模型却还在疯狂推送，这就不是不准，而是危险。这个项目真正落地的价值，就藏在它的技术组合里：知识图谱（KG）不是装饰画，而是带医学约束、营养规则、食材相克逻辑的硬性知识层；GNN不是黑匣子，而是把“用户-食物-营养素-烹饪方式-过敏原-地域偏好”全打成一张图，让每个节点的嵌入向量天然携带上下文语义。它不只告诉你“该吃啥”，还能回答“为什么推荐这道菜？依据哪条营养指南？和你上周吃的三文鱼沙拉在蛋白质互补性上差多少？”——这种可解释性，正是医院膳食科、健身App后台、慢病管理平台真正敢上线的底气。项目用纯Python + TensorFlow 2实现，核心训练逻辑封装在train.py里，所有数据预处理走preprocess.py，而GATNE_jupyter.ipynb不是演示文档，是完整复现实验的最小可运行入口：从加载原始CSV、构建三元组、跑通GNN前向传播，到生成top-5推荐并可视化子图路径，一气呵成。如果你正卡在“怎么把营养学规则塞进深度学习模型”或者“GNN训练完结果没法跟产品经理讲清楚”，这份代码就是你缺的那块拼图。

2. 项目结构解剖：从根目录到checkpoint，每个文件都在解决一个具体工程问题

2.1 根目录即战场：KG_Based_Recommendation_with_GNNs-master不是命名随意，而是模块化分层的物理体现

打开压缩包，第一眼看到的KG_Based_Recommendation_with_GNNs-master不是IDE自动生成的冗余文件夹，而是整个项目的物理边界。它里面没有src/或app/这类抽象层，所有模块按功能直给：model/下放模型定义，data_loader.py专责IO，train.py只做训练调度——这种扁平结构对新手极友好，但背后是明确的工程取舍：牺牲框架感，换取调试确定性。比如model.py里定义的KGCN（Knowledge Graph Convolutional Network）类，继承自tf.keras.Model，但call()方法里没写任何业务逻辑，只做图卷积+特征聚合；真正的推荐逻辑在main.py的recommend_for_user()函数里，用tf.nn.top_k()直接捞出用户嵌入与所有食物嵌入的余弦相似度top-K。这种“模型归模型、策略归策略”的切分，让你改推荐策略时不用碰模型权重，换损失函数时不用动数据管道。再看.DS_Store文件——别删！它暴露了作者开发环境（macOS），而项目里所有路径拼接都用os.path.join()而非字符串+，这就是跨平台兼容性的第一道防线。顺手检查README.md，你会发现它没写“本项目使用最新AI技术”，而是列了三行硬信息：“支持TensorFlow 2.8+”、“需Python 3.8”、“预处理后图谱含12,473个节点、89,201条边”。这种文档风格，是常年在生产环境调模型的人才有的肌肉记忆。

2.2 模型家族实录：KGCN、GATNE、GCN_tf2——不是炫技，是为不同场景备的三把刀

项目里藏着三个独立可运行的模型实现，它们不是版本迭代，而是针对食物推荐特有瓶颈设计的解法：

• KGCN/：专注知识感知。它的layer.py里KnowledgeAwareAttention层会计算用户查询向量与知识图谱中“营养成分”“烹饪难度”等关系类型的注意力权重。比如用户历史偏爱“低卡路里”，模型就会自动放大“热量<200kcal”这条边的传播强度，而弱化“高脂肪”边。关键代码在model.py第142行：

# KGCN/model.py def call(self, inputs): user_emb, item_emb, kg_adj = inputs # kg_adj是稀疏邻接矩阵 # 对每个关系类型r，计算用户对r的注意力得分 att_scores = tf.nn.softmax( tf.einsum('bd,rd->br', user_emb, self.relation_weights), axis=-1 ) # shape: [batch, num_relations] # 加权聚合邻居：不是简单mean，而是按关系重要性加权 neighbor_agg = tf.einsum('br,bnd->bnd', att_scores, kg_neighbors) return self.mlp(tf.concat([user_emb, neighbor_agg], axis=-1))

这里relation_weights是可学习参数，训练后你会发现“过敏原”“钠含量”“升糖指数”这几类关系的权重显著高于“产地”“颜色”——这说明模型真的学到了临床优先级。

• GATNE_tf2/：解决异构图难题。食物图谱里混着用户、食物、食材、营养素四类节点，传统GCN会强行统一处理。GATNE用walk.py做元路径采样（如User→Food→Ingredient→Nutrient），再用model.py里的HeteroGATLayer为每类节点维护独立的注意力头。GATNE_jupyter.ipynb第37单元格的可视化显示：当用户ID=127时，模型聚焦的元路径是User→Food→Cuisine→Region，而用户ID=891时则跳转到User→Food→Allergen→Avoid——这种动态路径选择，正是应对饮食禁忌场景的核心能力。

• GCN_tf2.ipynb：最简验证版。它不接知识图谱，只用food_food_similarity.csv构建同构图（食物-食物相似度），目的是快速验证GNN基础链路。当你跑通这个notebook，看到loss从2.1降到0.35，就知道图卷积层没崩，后续往里插知识层才有意义。这是老手教新手的第一课：永远先用最小闭环证明主干可用，再叠复杂度。

2.3 数据流真相：preprocess.py不是脚本，是知识注入的手术刀

很多人以为知识图谱构建是NLP任务，但在这个项目里，preprocess.py暴露了更务实的做法：知识不是从维基百科爬来的，是从结构化数据库里“刻”出来的。打开它，你会看到三类硬编码规则：

1. 营养阈值规则（第89行）：

# preprocess.py NUTRIENT_RULES = { 'sodium': {'high': 600, 'medium': 300}, # mg per serving 'protein': {'high': 20, 'low': 5}, # g per serving 'allergens': ['peanut', 'shellfish', 'dairy'] }

这些数字直接来自《中国居民膳食指南》，不是模型学出来的，是领域专家输入的硬约束。preprocess.py会遍历所有食物，按此规则生成food_has_sodium_level、food_triggers_allergen等新关系。

2. 中医配伍规则（第124行）：

# 中药食疗经典配伍表，非机器学习产出 TCM_PAIRINGS = [ ('ginger', 'fish'), # 姜去鱼腥 ('goji', 'chicken'), # 枸杞配鸡肉补气 ('bitter_melon', 'pork') # 苦瓜配猪肉降火 ]

这些元组被转为(food1, 'complements', food2)三元组，注入图谱。当用户常吃苦瓜，模型就会强化“苦瓜→猪肉”这条边的传播权重——这是协同过滤永远学不到的领域知识。

3. 用户画像映射规则（第167行）：

# 将用户原始行为日志映射为KG中的实体 USER_PROFILE_MAP = { 'diet_preference': {'vegan': 'VeganDiet', 'keto': 'KetoDiet'}, 'health_condition': {'hypertension': 'HighBloodPressure'} }

用户在App里勾选的“高血压”，会被转为图谱中的HighBloodPressure节点，并通过has_restriction关系连接到low_sodium_food节点。这才是“个性化”的物理实现：不是给用户打标签，而是把用户变成图谱里的一个活节点。

提示：preprocess.py最后生成的kg_final.pkl不是普通pickle，而是networkx.MultiDiGraph对象，保留了所有关系类型（relation属性）。这意味着你在data_loader.py里可以用G.edges(data=True)拿到每条边的{'relation': 'contains_iron'}，这是后续GNN按关系类型做注意力的基础。

3. 运行全流程：从解压到生成第一条可解释推荐，只需6步且全部可验证

3.1 环境准备：TensorFlow 2.8是唯一指定版本，原因在此

项目没写“支持TF2.x”，而是明确要求2.8，这不是保守，是避坑刚需。关键在layers.py的GraphConvLayer里用了tf.scatter_nd()的特定行为：

# layers.py 第53行 # TF2.8+ 支持 indices 为 int32 的 sparse tensor 直接索引 # TF2.9+ 此处需改为 tf.gather_nd，否则报错 InvalidArgumentError aggregated = tf.scatter_nd( indices=neighbor_indices, updates=neighbor_features, shape=[self.num_nodes, self.hidden_dim] )

所以第一步必须严格：

pip install tensorflow==2.8.4 pip install numpy pandas scikit-learn networkx matplotlib # 注意：不要装 torch-geometric！项目用原生TF实现GNN

验证是否成功：

import tensorflow as tf print(tf.__version__) # 必须输出 2.8.4 print(tf.test.is_built_with_cuda()) # 若为True，GPU加速已就绪

3.2 数据预处理：preprocess.py的3个隐藏开关决定推荐质量

preprocess.py表面是单脚本，实则有3个影响最终效果的关键参数，藏在代码顶部注释里：

1. 营养规则粒度（第22行）：

# 可选: 'coarse' (high/medium/low) or 'fine' (exact mg/g values) NUTRIENT_GRANULARITY = 'fine'

选fine时，sodium关系会生成has_sodium_mg_per_serving: 420这样的数值型边，GNN能学习连续值映射；选coarse则生成离散分类边，训练更快但损失精度。

2. 图谱稀疏度控制（第35行）：

# 控制图谱边数：0.1=只保留top10%强关系，1.0=全保留 GRAPH_DENSITY = 0.3

设为0.3时，food_contains_ingredient边只保留共现频率前30%的组合（如“鸡蛋+牛奶”保留，“鸡蛋+藏红花”剔除），避免噪声边干扰训练。

3. 用户冷启动策略（第48行）：

# 'profile_only': 仅用用户画像；'hybrid': 结合历史行为+画像 COLD_START_STRATEGY = 'hybrid'

当用户无历史点击时，hybrid模式会用其填写的“糖尿病”“减脂”等画像标签，在图谱中搜索has_condition→requires_diet→recommends_food路径生成初始推荐。

执行预处理：

python preprocess.py --granularity fine --density 0.3 --strategy hybrid # 输出：kg_final.pkl, user_profiles.pkl, food_id_map.json

3.3 模型训练：train.py的5个必调参数与物理意义

进入KGCN/目录，train.py是核心调度器。它不接受--model_type这种模糊参数，而是用5个具象参数控制训练行为：

典型训练命令：

cd KGCN python train.py \ --lr 0.001 \ --n_layers 2 \ --emb_dim 64 \ --batch_size 1024 \ --neg_ratio 5 \ --save_path ./checkpoint/kgn_fine_2l_64d/

训练过程会实时打印：

Epoch 1/50 | Loss: 1.824 | HR@10: 0.213 | NDCG@10: 0.142 Epoch 2/50 | Loss: 1.456 | HR@10: 0.287 | NDCG@10: 0.189 ... Epoch 50/50| Loss: 0.321 | HR@10: 0.682 | NDCG@10: 0.521

注意：HR@10（Hit Rate）表示测试集中用户真实点击的食物是否在top-10推荐里，>0.65才算达标；NDCG@10（Normalized Discounted Cumulative Gain）衡量排序质量，>0.5说明高相关食物排在前面。

3.4 推荐生成：main.py的recommend_for_user()函数如何输出可解释路径

训练完模型，main.py提供开箱即用的推荐接口。关键不在predict()，而在explain_recommendation()：

# main.py def explain_recommendation(user_id, top_k=5): # 1. 获取用户嵌入 user_emb = model.get_user_embedding(user_id) # 2. 计算与所有食物的相似度 scores = tf.matmul(user_emb, food_embs, transpose_b=True) # [1, num_foods] # 3. 取top-k索引 top_k_indices = tf.math.top_k(scores, k=top_k).indices[0] # 4. 对每个推荐食物，回溯知识路径 explanations = [] for food_idx in top_k_indices: path = find_shortest_path_to_constraints( user_id=user_id, food_id=food_idx.numpy(), constraint_nodes=['LowSodium', 'HighProtein'] ) explanations.append({ 'food': food_id_map[food_idx.numpy()], 'score': float(scores[0][food_idx]), 'explanation': path # 如 ['User127→Hypertension→RequiresLowSodium→Tofu'] }) return explanations

调用它：

from main import explain_recommendation recs = explain_recommendation(user_id=127, top_k=3) for r in recs: print(f"推荐: {r['food']} (得分: {r['score']:.3f})") print(f"依据: {' → '.join(r['explanation'])}\n")

输出示例：

推荐: 蒸豆腐 (得分: 0.821) 依据: User127 → Hypertension → RequiresLowSodium → Tofu 推荐: 紫菜蛋花汤 (得分: 0.793) 依据: User127 → Hypertension → RequiresLowSodium → Seaweed → ContainsPotassium → BalancesSodium 推荐: 清炒菠菜 (得分: 0.765) 依据: User127 → Anemia → RequiresIron → Spinach → RichInNonHemeIron → PairedWithVitaminC

这才是真正的“可解释推荐”——每条路径都是图谱里真实存在的三元组链，可人工审计、可向用户展示、可被医生质疑并修正。

4. 避坑指南：5个血泪经验总结，省下你三天调试时间

4.1 现象：训练loss在0.32附近震荡，HR@10卡在0.45不上升

原因：preprocess.py中GRAPH_DENSITY=0.1设得太低，图谱过于稀疏，GNN无法有效聚合邻居信息。检查kg_final.pkl的边数：若<50,000条，则信息不足。
解决：重跑preprocess.py --density 0.4，确保边数>70,000。同时在train.py中将--n_layers从2增至3，增强信息传播深度。

4.2 现象：GATNE_jupyter.ipynb运行到model.fit()时报InvalidArgumentError: indices[0] = 12473 is not in [0, 12473)

原因：walk.py的元路径采样未做节点ID归一化，导致生成的neighbor_indices超出图谱节点范围。kg_final.pkl中最大节点ID是12472，但采样时误生成ID=12473。
解决：修改walk.py第88行，强制截断：

# walk.py 原代码 next_node = np.random.choice(possible_nodes) # 改为 next_node = np.random.choice(possible_nodes % max_node_id) # max_node_id=12473

4.3 现象：main.py调用recommend_for_user()时内存爆满，进程被kill

原因：food_embs（所有食物嵌入矩阵）未用tf.Variable声明为可训练变量，而是每次predict()都重新计算，导致GPU显存累积。
解决：在model.py的KGCN类__init__中添加：

self.food_embeddings = tf.Variable( initial_value=tf.random.normal([self.num_foods, self.emb_dim]), trainable=True, name='food_emb' )

并在call()中直接使用self.food_embeddings，而非动态计算。

4.4 现象：GATNE_jupyter.ipynb中find_shortest_path_to_constraints()返回空列表

原因：constraint_nodes传入的是字符串'LowSodium'，但图谱中实际节点名是'low_sodium_food'（下划线命名），大小写与格式不匹配。
解决：统一图谱节点命名规范。在preprocess.py末尾添加标准化函数：

def normalize_node_name(name): return name.lower().replace(' ', '_').replace('-', '_') # 所有节点创建时调用此函数

4.5 现象：GCN_tf2.ipynb可视化图谱时，nx.draw()报AttributeError: 'NoneType' object has no attribute 'get_figure'

原因：Matplotlib后端未正确设置，常见于无GUI服务器环境。plt.show()在无显示设备时失败。
解决：在notebook开头强制设置Agg后端：

import matplotlib matplotlib.use('Agg') # 必须在import pyplot之前 import matplotlib.pyplot as plt # 后续绘图用 plt.savefig() 替代 plt.show()

5. 二次开发实战：如何把“食物推荐”升级为“全生命周期饮食管理”

5.1 场景延伸：从单次推荐到动态饮食计划生成

当前项目输出的是静态top-K食物列表，但真实需求是“为高血压用户生成未来7天早中晚三餐计划”。这需要两个改造：

1. 引入时间序列建模：在model.py中增加TemporalAttentionLayer，让GNN嵌入融合时间特征：

# model.py 新增 class TemporalAttentionLayer(tf.keras.layers.Layer): def __init__(self, time_dim=7): # 一周7天 super().__init__() self.time_proj = tf.keras.layers.Dense(time_dim) def call(self, inputs, time_step): # time_step: int, 0=周一, 6=周日 time_emb = self.time_proj(tf.one_hot(time_step, depth=7)) # 将time_emb与食物嵌入拼接后做注意力 fused = tf.concat([inputs, time_emb], axis=-1) return self.attention_layer(fused)

2. 约束求解器集成：用ortools替代纯向量检索，把推荐变成带硬约束的优化问题：

# main.py 新增 from ortools.sat.python import cp_model def generate_weekly_plan(user_id, days=7): model = cp_model.CpModel() # 决策变量：plan[d][m] = 食物ID，d=天，m=餐次（0早/1中/2晚） plan = [[model.NewIntVar(0, num_foods-1, f'd{d}_m{m}') for m in range(3)] for d in range(days)] # 硬约束：每日钠摄入≤1500mg for d in range(days): sodium_sum = sum(food_nutrients[plan[d][m]][0] for m in range(3)) model.Add(sodium_sum <= 1500) # 软约束：最大化与用户嵌入相似度（目标函数） objective = sum( tf.reduce_sum(user_emb * food_embs[plan[d][m]]) for d in range(days) for m in range(3) ) model.Maximize(objective) solver = cp_model.CpSolver() status = solver.Solve(model) if status == cp_model.OPTIMAL: return [[solver.Value(plan[d][m]) for m in range(3)] for d in range(days)]

5.2 知识图谱进化：从静态规则到动态知识注入

当前preprocess.py的规则是硬编码的，但临床指南每年更新。要支持热更新，需改造知识注入管道：

1. 规则配置化：新建kg_rules.yaml：

nutrition_thresholds: sodium: unit: mg_per_serving thresholds: - level: low max: 140 - level: medium max: 400 tcms: pairings: - food1: ginger food2: fish reason: reduce_fishy_smell

2. 动态加载层：在data_loader.py中添加：

def load_kg_rules(config_path='kg_rules.yaml'): with open(config_path) as f: rules = yaml.safe_load(f) # 将yaml规则转为图谱三元组 triples = [] for nutrient, cfg in rules['nutrition_thresholds'].items(): for t in cfg['thresholds']: triples.append((f"{nutrient}_{t['level']}", 'has_max_value', t['max'])) return triples

这样，当营养师更新kg_rules.yaml，重启服务即可生效，无需重训模型。

5.3 模型可解释性加固：从路径解释到反事实解释

当前explain_recommendation()给出的是“为什么推荐”，但用户更常问“为什么不推荐我爱吃的火锅？”。需增加反事实解释模块：

# main.py 新增 def counterfactual_explanation(user_id, disliked_food_id): # 找到阻碍推荐的关键约束节点 constraints = get_user_constraints(user_id) # 如 ['HighSodium', 'HighFat'] # 检查disliked_food_id是否违反任一约束 violations = [] for c in constraints: if check_violation(disliked_food_id, c): # 如火锅钠含量>1500mg violations.append(c) # 生成修改建议：若降低钠含量至X，即可推荐 if 'HighSodium' in violations: current_sodium = get_food_nutrient(disliked_food_id, 'sodium') suggestion = f"若将钠含量降至{current_sodium*0.6:.0f}mg，即可满足您的低钠需求" return f"未推荐火锅原因：钠含量({current_sodium}mg)超出您的限制。{suggestion}"

调用counterfactual_explanation(127, food_id_map['hotpot'])，输出：

未推荐火锅原因：钠含量(2850mg)超出您的限制。若将钠含量降至1710mg，即可满足您的低钠需求

从那以后我每次接到“要加解释功能”的需求，都强制走一遍explain_recommendation()和counterfactual_explanation()双路径验证——前者证明模型懂规则，后者证明模型懂用户意图。这两条路径跑通了，产品才敢把推荐结果直接推给用户，而不是扔给运营手动审核。希望帮到你。

本文还有配套的精品资源，点击获取