人工智能技术为新一轮产业变革与科技革命注入了新的驱动力,也为食品科技发展提供了重要机遇[1]。当前,以文本、图片、视频等不同模态的食品数据为食品安全与健康领域的研究提供了基础保障,同时也对数据存储、有效利用与管理提出了严峻挑战[2]。在面对不同类型与子领域跨模态数据挖掘与关联分析时,数据的多源异构性、子领域术语的难统一性,以及数据缺失等问题也为食品知识关联建模与隐藏知识挖掘带来了诸多不确定性[3]。因此,人工智能驱动的食品领域建模与分析亟须一个新的信息组织方法。

近年来,以知识图谱为代表的图结构建模方法,为食品大数据表征、可视化分析、知识推理与决策提供了新的途径。知识图谱本质上是一个大型语义网络,具有深层次语义理解与分析能力,通过对食品不同子领域的信息进行有效提取与组织,在食品大数据语义消歧、食品产业链和供应链各环节的决策、不同人群健康管理等领域具有广阔的应用场景[4]。目前,知识图谱作为人工智能领域的重要分支,在医学和教育等领域取得了一系列重要的研究成果[5]。

本文在梳理食品领域知识图谱构建技术发展基础上,重点介绍知识图谱在食品领域的数智化应用进展,并对其研究趋势进行展望,以期为今后知识图谱在食品领域的深入研究和应用提供参考。

1 食品领域知识图谱构建

食品领域知识图谱是专门针对食品科学及工业领域构建的知识图谱,整合了食品相关的数据和知识,包括食品的营养成分、加工方法、食品安全、食品与健康的关系等多个方面,形成了统一、标准化的知识体系,从而促进食品数据的有效共享、组织和追溯。图1为食品领域知识图谱构建的体系架构,包括数据采集和图谱构建2个层次。由图1可知,知识图谱构建的逻辑架构可分为模式层和数据层2个部分,其核心技术包括本体构建、知识抽取、知识融合与加工等。

1.1 本体构建

本体构建是构成模式层的核心技术,即通过定义实体、概念、属性及其关系,形成构建知识图谱结构的底座与框架。本体构建在食品领域的研究主要集中在食品健康与营养、食谱与烹饪以及质量与安全这3个核心领域[4]。本体构建的建模方式主要包括人工构建、自动构建和半自动构建3种[6]。人工构建依赖专家对领域知识的梳理,如Batista 等[7]对烹饪领域关键概念和辅助单元模块知识进行结构化建模,形成烹饪领域的本体。自动构建则是利用深度学习和机器学习等人工智能的工具与方法自动抽取食品领域知识,实现本体建模。如Li等[8]利用分层聚类算法提出了一种针对糖尿病患者膳食计划的食品本体自动构建方法。半自动构建将人工和自动构建的方法相结合,并在现有的本体库或食品概念表的基础上进行领域本体构建。

1.2 知识抽取

知识抽取是知识图谱构建的核心技术,它从非结构化或半结构化数据中提取信息并转换为结构化数据,涵盖实体抽取和关系抽取。在食品领域,知识抽取的核心是将食品领域的各类型数据进行抽取,使得食品领域中的相关概念、实体属性及其各类关系能被有效识别。具体来说,实体抽取的应用促进了食品名称、成分、添加剂等实体自动识别模型的发展,如DrNER模型、MenuNER模型、FLAT-BERT模型等[9-11];关系抽取则通过人工智能技术与领域知识,对食品与健康、营养、安全等方面隐藏的各类复杂关系进行抽取,如食品安全新闻中的食品舆情关系和食品营养与健康间的互补性关系等[12-13],为食品领域的数字化管理和智能应用提供了有力支持。

1.3 知识融合与加工

对于初步构建的食品领域知识图谱,通过基于本体融合的知识融合方法,可以解决由不同数据来源抽取所带来的命名差异和歧义问题,实现信息的统一和应用范围的扩展[14],以增强食品概念的规范化和实体的精确识别。常见的知识融合方法有词汇相似度匹配、半自动检索食品描述、统一资源标识符关联匹配和增强贝叶斯模型等[14-17]。此外,整合后的知识图谱可能存在未被明确表述的信息,需要通过知识补全对现有的三元组进行推理和预测,实现缺失实体或关系的完善,常用的方法包括相似性匹配和知识图谱嵌入等[18-19]。在此基础上,通过抽样检查法、框架评估法、基于专家的评估或是外源知识库评估法等质量评估方法对食品领域知识图谱质量和可靠性进行验证[16]。

2 食品领域知识图谱的应用

2.1 食品营养与健康方面的应用

食品是维持生命所必需的能量和营养素的来源,其成分之间的关联性或互补性,对个性化营养推荐、慢性病干预等具有重要现实意义。这种关联性与互补性通过知识图谱的形式呈现,实现了对食品成分及其相关数据的有效管理。本研究从个性化营养需求分析以及食品营养与健康关系研究等方面对知识图谱在食品营养与健康领域的应用进行了综述。

2.1.1 个性化营养需求分析

个性化饮食食谱的制定依赖于营养学、医学和食品科学等多领域关联知识的综合应用,这使得在食品配方开发中寻找合适的成分替代方案具有复杂性。知识图谱通过明确定义和属性,对营养学和食品科学中的关联概念进行结构化处理,为特殊人群个性化营养需求推荐提供基础保障。Shirai等[20]结合食品知识图谱中的食物营养信息与食谱中共同出现的成分,提出食材替代品的排序方法,简化了替代成分的确定过程,为特殊人群的个性化饮食需求提供参考。针对贫困地区营养不良的人群,Vitali等[21]通过将营养学和生物医学等领域知识结合,开发了营养本体论,用于指导饮食干预和开发新型营养品,优化贫困地区人群的饮食结构和营养水平。在具体人群或情景的营养分析方面,肥胖或超重患者可能由于营养教育方面的缺失,患上糖尿病、骨骼与关节等疾病,使得特殊人群的饮食推荐需要更为精细的匹配方法。Mckensy-Sambola等[22]基于营养学原理和健康饮食指南建立了一系列的饮食方案约束,并通过历史数据与饮食建议本体论信息之间的匹配关系,为肥胖和超重用户提供个性化饮食建议,从而改善健康状况。

在个体用户饮食方面,知识图谱通过整合食谱中的营养信息和用户交互数据,辅助用户生成更精准的个性化饮食方案(图2)。Chen等[23]基于用户与食谱的交互信息、食谱与食材的关联数据构建了领域知识图谱,并结合食谱营养成分和用户营养摄入得分,提出了能综合健康膳食与个人口味偏好的食品推荐模型。Chen等[24]通过知识图谱建立了问答系统,并将饮食偏好和健康指南融入其中,通过比较和否定进一步推荐更相关且更健康的食谱。如用户对某种食物过敏,系统可通过否定约束来排除含有该过敏原的食谱。Amith等[25]构建了基于消费者信息的快餐本体论,引导消费者健康饮食与生活方式,改善消费者营养过剩或营养不良人群的症状。

2.1.2 营养与健康关系研究

食品营养数据缺乏统一标准和规范,使其不能得到充分地利用。为促进营养数据的标准化注释,Castellano-Escuder等[26]创建了食品-生物标志物本体论,实现了食品和食品生物标志物数据的双向可视化。当涉及更精细的饮食管理和建议时,还需考虑食品中营养要素的组成及其功能信息。Halimi等[27]制定的膳食营养框架系统化地描述了豆类食品的成分、摄入量以及与之相关的健康指标,为食品中营养要素的详细分析提供了方法。在此基础上,为进一步对食品成分数据进行标准化处理,Andrés-Hernández等[28]开发了膳食营养本体论,即通过定义食品成分和营养相关的术语,实现了营养术语在不同领域上的统一。随着膳食营养本体论的发展,其应用范围已经从单一的作物扩展到了更广泛的物质实体及其营养属性。

通过映射食物、营养素和健康结果之间的复杂关系,知识图谱有助于明晰它们之间的潜在联系,为营养干预和疾病预防提供科学依据。如Huang等[29]通过整合食物材料、菜肴、营养元素、症状和人群等信息,开发了健康饮食知识图谱和语义检索系统,使用户能够更快捷、更全面地了解健康饮食相关知识。为了进一步促进了公众对健康饮食的认知和理解,Qiao等[18]通过创建可视化的食品营养成分知识图谱,使用户能够以直观的方式了解食品的营养成分。此外,知识图谱在探索食物与心理健康之间的复杂关系方面也显示出巨大潜力。Fu等[16]通过分析食物、肠道微生物群和精神疾病之间的相互作用关系,创建了食品健康知识图谱,为理解食物与大脑健康之间的联系提供了新的视角。Dang等[30]通过整合营养学、生物化学、心理健康、化学和疾病等多个领域的信息对食品健康知识图谱进一步扩展,开发了营养与心理健康之间关系的知识图谱,明晰了食物的理化性质和心理健康与疾病之间的联系。

2.2 食品创新与研发方面的应用

当前,食品科技创新与食品工业的健康转型面临众多挑战,包括如何通过高质量的食品创新与研发,加强产业链建设。利用知识图谱有效组织各类食材原料之间的关系,并通过人工智能技术分析成分的互补性或可替代性等,可以有效提升食品创新与研发。食品知识图谱在食品创新与研发领域的应用主要在烹饪工艺完善、食材特性分析、用户偏好抓取等方面。

2.2.1 基于烹饪工艺的食品创新

烹饪工艺是食品加工领域的关键环节,它不仅决定了食物的口味和质量,也是食谱创新和食品开发的重要驱动力。将知识图谱技术应用于烹饪领域,有助于标准化烹饪术语,提升搜索效率,使得用户能够更快速、更准确地找到所需的烹饪信息和解决方案。例如,早期的“Taaable”系统[31],以食谱作为案例基础,并根据用户的个性化需求或限制条件找到合适的替代方案,为用户提供精确的烹饪指导。Nanba等[32]进一步对“Taaable”系统进行改进,消除了烹饪和食谱中关键词的歧义,构建了更简易和全面的烹饪本体。通过将烹饪知识进行结构化处理,“Taaable”系统能深入理解食材特性和烹饪技术,并能够适应不同用户个性化烹饪的需求,从而推动食品创新和开发。

2.2.2 基于食材特性的食谱创新

如何创新食品配方并满足不同人群的多样化需求是食品领域的一个关键问题,这要求在食品开发中精心选择和搭配食材,同时确保营养均衡[33]。通过知识图谱分析食谱构成和烹饪过程中食材的相互作用,使研究者能够深入理解受欢迎食谱的关键特征,从而推动食谱创新。Cui等[34]通过考虑营养功效和适宜人群,提出了一种基于多源配方分析的通用配方本体构建方法,提高了推荐和查询功能的通用性和效率,并选择常见食用花卉食谱进行验证,展现了该方法在特定领域的有效性。Markantonatou等[35]则从区域和文化的角度出发,构建了AMALTHIA食谱本体。该本体以菜肴为导向,通过对希腊商业美食和菜肴变化进行建模,为理解菜肴多样性和改进食谱提供了更加多维度的信息。

2.2.3 基于用户偏好的食品研发

知识图谱通过人工智能技术对多源异构的用户饮食与偏好数据进行结构化表征,实现了消费者偏好在不同维度倾向性的量化,有助于推动新产品的研发和现有产品的改进。如Lei等[36]通过分析用户行为,构建了以用户为中心的多模态食谱知识图谱,并基于BERT的预训练模型和生成对抗网络来形成合理的解释,提升了食谱推荐的精准度和可解释性。

为了更快速地理解用户的查询意图,Zeng等[19]利用大规模知识图谱Freebase生成与用户兴趣相关的问题,并通过维基百科语料库创建主题嵌入模型来补全缺失的信息,提高问题的相关性和个性化程度,为用户表达食品偏好提供了新的途径。为了加速新食品从概念到市场的过程,Sunkle等[37]利用知识图谱整合了原料属性、消费者偏好和市场趋势等关键信息,并利用历史数据为专家提供配方生成模板,为配方产品设计提供一体化的数据支持,提升了产品开发效率。

2.3 食品安全与溯源方面的应用

食品安全与溯源是对食品供应链有效管理的关键基础,涉及供应链各环节、风险因素、法规标准、消费者反馈、环境因素以及技术进步等方面。食品领域知识图谱能够对这些信息进行建模、整合和统一表征,为监管决策、溯源追踪和预警系统的开发提供高质量数据基础。本研究从安全标准制定、风险管理和供应链管理与溯源3个方面阐述了食品安全与追溯领域的知识图谱应用。

2.3.1 食品安全标准制定

食品安全标准是食品领域强制执行的安全标准,但因其文件数量繁多、类别不统一、篇幅大且内容重复多等特点,不便于人工查询。知识图谱能够通过文本分析技术实现对食品安全领域信息的层次化分析,增强数据的一致性与共享性,方便食品风险安全排查与新增条款的改进。

为了保证建立的标准的有效性和专业性,Hu等[38]根据食品安全国家标准明确的食品分类和编码,提出了构建食品安全标准本体的分类框架,为食品质量安全标准的制定提供了方法论的支持。在已建立的标准指导下,知识图谱还可以促进专家知识库的构建,这不仅有助于食品质量管理专业知识的系统化管理,还促进了知识的共享和传播,提升了整个行业对食品安全的理解和应对能力[39]。

2.3.2 食品风险管理

在食品风险管理过程中,食品新鲜度是一个关键指标,直接影响食品的品质、口感、营养价值以及消费者的健康。为了更好地评估新鲜度指标,Evans等[40]通过实地考察和分析塑料食品包装对食品品质的影响,从保鲜技术、保鲜时间、感官和产地4个角度建立新鲜度标准,将其纳入本体建模的考虑中,并建立相应的领域知识图谱。该方法通过整合多种维度信息,为新鲜度的评估和标准制定提供了管理与决策基础。

食品风险管理的另一大方向是对食品安全的预警,即通过食品检测数据识别潜在风险因素,防止污染物进入食品供应链。知识图谱在增强食品安全预警方面扮演着重要的角色,即知识图谱能够对以往食品安全事件信息进行有效提取与整合,如关键污染物及其关联食物等,为监管机构快速识别出对食品安全影响较大的污染物提供更可靠的查询工具[41]。如李清雨[42]从流程记录、数据共享和纠偏3个角度制定规则,形成食品风险知识推理机制,实现了水产品质量的风险监管。Sun等[43]则采用基于贝叶斯估计的方法对食品安全网络参数进行估计与更新学习,建立食品安全风险知识推理模型,分析从可追溯系统中提取的与食品安全相关的数据,以便直接指示食品生产过程特定步骤中可能存在的高风险。此外,Qin等[44]通过网络收集近年来官方发布的不合格食品数据,设计了基于食品抽检知识图谱的问答系统,帮助公众快速获取和分析与食品安全相关的信息,从而提升了公众对潜在风险的认识,减少食品安全事件的发生。

2.3.3 食品供应链管理与溯源

食品供应链的安全管理是保障食品质量、预防食源性疾病、保护消费者健康的关键。随着全球化的深入,供应链复杂性增加,如何追踪食品从生产到销售的全流程成为监管部门和企业面临的难题。知识图谱通过构建详细的食品生产至销售的全流程信息,为食品溯源、安全监测提供了数据基础。如可追溯性本体的建立确保食品在每个加工环节都有记录,使得监管机构可以快速跟踪食品在供应链中的流向,实现食品安全事件发生时问题源头的快速定位[45]。以专用于肉类供应链的本体[46]为例,该本体对肉类的各种属性、参与者和专属的加工流程等概念进行整合,建立了基于本体模型的信息系统,确保了肉类食品的可追溯性。为了提高全球食品的可追溯性、质量控制能力,Dooley等[47]构建了描述世界各地文化中常见食品的食品本体论,确保了常见食品在全球产品运输、加工和传播中的追溯。图3以苹果的来源、产品和相关产品为例展示了食品本体论的简化结构。同时,在食品溯源方面,通过建立食品相关同位素知识库的方法可以助力食品来源和真实性的确定及掺假行为识别[48]。

3 结论与展望

基于食品领域知识图谱的构建技术及其最新的应用研究成果,系统梳理了食品领域知识图谱的发展脉络,重点阐述了知识图谱在食品创新研发、营养健康、质量安全等关键领域的研究进展。本研究旨在为食品行业的数字化和智能化转型提供思路和方法,也可为解决食品领域中的复杂问题提供工具。

尽管知识图谱在食品领域的应用已取得显著成效,但未来仍可从多模态食品数据的融合、大语言模型等新兴技术在食品知识图谱中的应用以及食品工业智能化的推进等方向进行研究。

1)多模态食品数据融合。探索面向多模态数据深度融合的人工智能技术依旧面临着巨大的挑战。在知识图谱构建方面,将考虑加入图片-音频-视频等多模态数据,为食品知识图谱的构建提供更为全面和多样化的数据支持[49]。然而,在此方向还存在一个关键的问题,如何将当前分散在各个垂直领域的数据库进行有效融合。这需要扩展食品领域的语料库,以便更全面地建设和应用食品知识图谱。

2)大语言模型应用。传统方法在深层次语义解析和知识时效性方面存在局限性,而通用大语言模型等新兴人工智能技术的出现,为提升知识图谱建模与应用能力提供了一条新的途径。一方面,传统的知识抽取方法准确性不高,尤其是在小样本状况下,而大模型能够捕捉文本数据中的更多细微特征和语义信息,有助于知识图谱的生成和扩展。另一方面,知识图谱中的信息是静态的,缺乏与文本的动态联系,大模型则能够通过理解文本中的推理过程和逻辑关系,利用所训练的文本和三元组从知识图谱中提取和推理出答案,特别是在问答系统中,弥合了自然语言问题与结构化知识之间的文本理解和答案推理[50]。

3)食品工业的智能化发展。将食品知识图谱与计算机视觉和自然语言处理技术相结合,以解决食品加工相关任务的智能化支持问题[51]。食品知识图谱可以通过提供丰富的食品信息和标签,提高图像识别和目标检测的准确性,并支持问答系统的智能化,为智能服务(智能厨房等)创新型应用提供坚实的数据基础。然而,由于食品领域工业智能化涉及多个环节,硬件设备标准不一、兼容性差、集成度低、数据来源复杂等问题,给知识图谱的知识融合和复杂信息存储带来挑战。因此,开发具有显著成本效益的动态图谱构建技术,以适应日益增长的数据规模,对于满足未来食品智能化发展的需求至关重要。

这些问题的探讨和解决,将进一步推动食品领域知识图谱技术的发展,为食品产业的持续创新和质量提升提供更加坚实的科学支撑。

参考文献：

[1] 左敏,王菲,宋绍义,等. “智慧+食品监管”:发展历程、应用现状与未来方向[J]. 食品科学技术学报,2024,42(3):1-10.
ZUO M, WANG F, SONG S Y, et al. “Intelligence+food regulation”: development process, current application status, and future direction[J]. Journal of Food Science and Technology, 2024,42(3):1-10.

[2] CECCALDI E, NIEWIADOMSKI R, MANCINI M, et al. What’s on your plate? Collecting multimodal data to understand commensal behavior[J]. Frontiers in Psycho-logy, 2022, 13: 911000.

[3] MISRA N N, DIXIT Y, AL-MALLAHI A, et al. IoT, big data, and artificial intelligence in agriculture and food industry[J]. IEEE Internet of Things Journal, 2022, 9(9): 6305-6324.

[4] MIN W Q, LIU C L, XU L Y, et al. Applications of knowledge graphs for food science and industry[J]. Patterns, 2022, 3(5): 100484.

[5] PENG C Y, XIA F, NASERIPARSA M, et al.Knowledge graphs: opportunities and challenges[J].Artificial Intelligence Review,2023,56:13071-13102.

[6] TANG X M, FENG Z Q, XIAO Y T, et al. Construction and application of an ontology-based domain-specific knowledge graph for petroleum exploration and development[J]. Geoscience Frontiers, 2023, 14(5): 101426.

[7] BATISTA F, PAULO J L, MAMEDE N, et al. Ontology construction: cooking domain[J]. Technial Reports, 2006,41(1):30.

[8] LI H C, KO W M. Automated food ontology construction mechanism for diabetes diet care[C]∥Hongkong: IEEE, 2007: 2953-2958.

[9] EFTIMOV T, SELJAK B K, KOROEC P. A rule-based named-entity recognition method for knowledge extraction of evidence-based dietary recommendations[J]. PLoS One, 2017, 12(6): e0179488.

[10] SYED M H, CHUNG S T. MenuNER: domain-adapted BERT based NER approach for a domain with limited dataset and its application to food menu domain[J]. Applied Sciences, 2021, 11(13): 6007.

[11] ZHENG L, REN L. Named entity recognition in human nutrition and health domain using rule and BERT-FLAT[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 211-218.

[12] 王庆棒, 汪颢懿, 左敏, 等. 基于CNN-BLSTM的食品舆情实体关系抽取模型研究[J]. 食品科学技术学报, 2021, 39(2): 152-158.
WANG Q B, WANG H Y, ZUO M, et al. Research on entity relationship extraction model of food public opinion based on CNN-BLSTM[J]. Journal of Food Science and Technology, 2021, 39(2): 152-158.

[13] LIU X L, MA L, MAO T Y, et al. A novel knowledge extraction method based on deep learning in fruit domain[J]. Scientific Reports, 2022, 12(1): 21523.

[14] POPOVSKI G, SELJAK B, EFTIMOV T. FoodOntoMap: linking food concepts across different food ontologies[C]. Vienna: SCITEPRESS-Science and Technology Publications, 2019: 413-426.

[15] EFTIMOV T, KOROEC P, KOROUI SELJAK B. StandFood: standardization of foods using a semi-automatic system for classifying and describing foods accor-ding to FoodEx2[J]. Nutrients, 2017, 9(6): 542.

[16] FU C C, HUANG Z S, VAN HARMELEN F, et al. Food4healthKG: knowledge graphs for food recommendations based on gut microbiota and mental health[J]. Artificial Intelligence in Medicine, 2023, 145: 102677.

[17] CHONG W H, LIM E P. Implicit linking of food entities in social media[M]∥Machine Learning and Knowledge Discovery in Databases. Cham: Springer International Publishing, 2019: 169-185.

[18] QIAO L B, LI H S, WANG W, et al. A knowledge graph construction method for food nutrition[C]. Niagara Falls: IEEE, 2022: 577-581.

[19] ZENG J, NAKANO Y I. Exploiting a large-scale know-ledge graph for question generation in food preference interview systems[C]. Cagliari: ACM, 2020: 53-54.

[20] SHIRAI S S, SENEVIRATNE O, GORDON M E, et al. Identifying ingredient substitutions using a know-ledge graph of food[J]. Frontiers in Artificial Intelligence, 2021, 3: 621766.

[21] VITALI F, LOMBARDO R, RIVERO D, et al. ONS: an ontology for a standardized description of interventions and observational studies in nutrition[J]. Genes &Nutrition, 2018, 13: 12.

[22] MCKENSY-SAMBOLA D, RODRGUEZ-GARCA M , GARCA-SNCHEZ F, et al. Ontology-based nutritional recommender system[J]. Applied Sciences, 2021, 12(1): 143.

[23] CHEN Y, GUO Y D, FAN Q X, et al. Health-aware food recommendation based on knowledge graph and multi-task learning[J]. Foods, 2023, 12(10): 2079.

[24] CHEN Y, SUBBURATHINAM A, CHEN C H, et al. Personalized food recommendation as constrained question answering over a large-scale food knowledge graph[C]. New York: ACM, 2021: 544-552.

[25] AMITH M, WANG J, XIONG G, et al. A health consumer ontology of fast food information[J]. Proceedings IEEE International Conference on Bioinformatics and Biomedicine, 2020, 2020: 1714-1719.

[26] CASTELLANO-ESCUDER P, GONZLEZ-DOMNGUEZ R, WISHART D S, et al. FOBI: an ontology to represent food intake data and associate it with metabolomic data[J]. Database, 2020, 2020: baaa033.

[27] HALIMI R A, BARKLA B J, LILIANA ANDRÉS-HERNANDÉZ, et al.Bridging the food security gap: an information-led approach to connect dietary nutrition, food composition and crop production[J].Journal of the Science of Food and Agriculture, 2019, 100(4): 1495-1504.

[28] ANDRÉS-HERNNDEZ L, BLUMBERG K, WALLS R L, et al. Establishing a common nutritional vocabulary: from food production to diet[J]. Frontiers in Nutrition, 2022, 9: 928837.

[29] HUANG L, YU C C, CHI Y, et al. Towards smart healthcare management based on knowledge graph technology[C]. Penang: ACM, 2019: 330-337.

[30] DANG L D, PHAN U T P, NGUYEN N T H. GENA: a knowledge graph for nutrition and mental health[J]. Journal of Biomedical Informatics, 2023, 145: 104460.

[31] CORDIER A, DUFOUR-LUSSIER V, LIEBER J, et al. Taaable: a case-based system for personalized cooking[M]∥Successful Case-Based Reasoning Applications-2. Berlin: Springer, 2013: 121-162.

[32] NANBA H, DOI Y, TSUJITA M, et al. Construction of a cooking ontology from cooking recipes and patents[C]. Seattle: ACM, 2014: 507-516.

[33] 孙宝国.双轮驱动创新提升未来食品安全与健康内涵[J].食品科学技术学报,2022,40(4):1-4.
SUN B G. Dual wheel driven innovation to elevate safety and healthy connotation of future food[J]. Journal of Food Science and Technology, 2022,40(4):1-4.

[34] CUI J F, ZHANG X C, ZHENG D J. Construction of recipe knowledge graph based on user knowledge demands[J]. Journal of Information Science, 2023: 016555152211511.

[35] MARKANTONATOU S, TORAKI K, MINOS P, et al. AMAΛΘΕΙA: a dish-driven ontology in the food domain[J]. Data, 2021, 6(4): 41.

[36] LEI Z F, UL HAQ A, ZEB A, et al. Is the suggested food your desired? : multi-modal recipe recommendation with demand-based knowledge graph[J]. Expert Systems with Applications, 2021, 186: 115708.

[37] SUNKLE S, JAIN D, SAXENA K, et al. Integrated “generate, make, and test” for formulated products using knowledge graphs[J]. Data Intelligence, 2021, 3(3): 340-375.

[38] HU D, WENG C Y, WANG R Q, et al. Construction method of national food safety standard ontology[M]∥Green, Pervasive, and Cloud Computing. Cham: Springer, 2023: 50-66.

[39] BUCHE P, CUQ B, FORTIN J, et al. Expertise-based decision support for managing food quality in agri-food companies[J].Computers and Electronics in Agriculture, 2019, 163:104843.

[40] EVANS D M, JACKSON P, TRUNINGER M, et al. The ontological politics of freshness: qualities of food and sustainability governance[J]. Environment and Planning A: Economy and Space, 2022, 54(3): 461-476.

[41] 郝志刚, 刘冲, 秦丽. 基于中文字邻接图的食品抽检公告实体及关系联合抽取[J]. 农业工程学报, 2023, 39(14): 283-292.
HAO Z G, LIU C, QIN L. Entity and relationship joint extraction model of food inspection announcement based on Chinese character adjacency graph[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(14): 283-292.

[42] 李清雨. 生食牡蛎HACCP计划知识体系推理及应用研究[D].上海海洋大学,2023:31.
LI Q Y. Rcasoning and application of HACCP know-ledge system for raw oyster[D]. Shanghai: Ocean University, 2023: 31.

[43] SUN J M, SUN Z H, CHEN X F. Fuzzy Bayesian network research on knowledge reasoning model of food safety control in China[J].Journal of Food Agriculture and Environment, 2013, 11(1):234-243.

[44] QIN L, HAO Z G, YANG L P. Question answering system based on food spot-check knowledge graph[C]. Sanya: ACM, 2020: 168-172.

[45] PIZZUTI T, MIRABELLI G, SANZ-BOBI M A, et al. Food Track &Trace ontology for helping the food traceability control[J]. Journal of Food Engineering, 2014, 120: 17-30.

[46] PIZZUTI T, MIRABELLI G, GRASSO G, et al. MESCO (MEat Supply Chain Ontology): an ontology for supporting traceability in the meat supply chain[J]. Food Control, 2017, 72: 123-133.

[47] DOOLEY D M, GRIFFITHS E J, GOSAL G S, et al. FoodOn: a harmonized food ontology to increase global food traceability, quality control and data integration[J]. NPJ Science of Food, 2018, 2: 23.

[48] EFTIMOV T, ISPIROVA G, POTONIK D, et al. ISO-FOOD ontology: a formal representation of the know-ledge within the domain of isotopes for food science[J]. Food Chemistry, 2019, 277: 382-390.

[49] ZHAI H M, LV X J, HOU Z W, et al. MLSFF: multi-level structural features fusion for multi-modal knowledge graph completion[J]. Mathematical Biosciences and Engineering: MBE, 2023, 20(8): 14096-14116.

[50] YANG L Y, CHEN H Y, LI Z, et al.Give us the facts: enhancing large language models with know-ledge graphs for fact-aware language modeling[J].IEEE Transactions on Knowledge and Data Engineering,2024,36(7):3091-3110.

[51] ZHOU P F, MIN W Q, SONG J J, et al. Synthesizing knowledge-enhanced features for real-world zero-shot food detection[J]. IEEE Transactions on Image Processing, 2024, 33: 1285-1298.

Research Progress on Digitalization and Intelligence in Food Domain Based on Knowledge Graphs

WU Jingzhu1, LI Lin1, WU Zongning1,*, YU Chongchong1, CHENG Junhu2, ZENG Xin’an3, ZHAO Xia1, YANG Yi1, MA Ji2
(1.Beijing Key Laboratory of Big Data Technology for Food Safety, Beijing Technology and Business University, Beijing 100048, China;2.School of Food Science and Engineering, South China University of Technology, Guangzhou 510640, China;3.School of Food Science and Engineering, Foshan University, Foshan 528000, China)

Abstract：With the development of technologies such as big data and cloud computing, the scale of data in the food domain is growing at an astonishing rate. These data not only come from diverse sources and have complex structures, but also lack standardized terminology, which poses challenges to the effective integration and utilization of food-related data. Knowledge graphs, as fundamental cornerstone of achieving general artificial intelligence, provides support for the organization and management of food data and its higher-level applications in terms of integration and semantic understanding. By summarizing recent research achievements of knowledge graphs in the food domain, the construction methods of knowledge graphs in food domain was reviewed, covering key steps such as ontology construction, knowledge extraction, knowledge fusion, and processing. The current applications of knowledge graphs in the food domain, particularly in three areas, food nutrition and health, food innovation and research, and food safety and traceability. Based on current state of development of knowledge graphs in the food domain, incorporating multimodal data fusion technology, large language model construction, and the intelligentization of industrial equipment in the food field, the future development directions of knowledge graphs in food domain were anticipated.

Keywords：knowledge graph; ontology construction; nutrition analysis; food research and development; food safety; food traceability

中图分类号：TS201.1; TP391.7

文献标志码：A

doi：10.12301/spxb202400610

文章编号：2095-6002(2024)05-0024-09

引用格式：吴静珠,李林,吴宗柠,等.基于知识图谱的食品领域数智化研究进展[J]. 食品科学技术学报,2024,42(5):24-32.
WU Jingzhu, LI Lin, WU Zongning, et al. Research progress on digitalization and intelligence in food domain based on knowledge graphs[J]. Journal of Food Science and Technology, 2024,42(5):24-32.

收稿日期：2024-06-25

基金项目：国家重点研发计划课题(2023YFD2101001);北京工商大学2024年研究生科研能力提升计划项目(19008024042)。

Foundation： National Key R&D Program of China (2023YFD2101001);Beijing Technology and Business University 2024 Graduate Research Capabi-lity Enhancement Program(19008024042).

第一作者：吴静珠,女,教授,博士,主要从事食品光谱计算及大数据分析方面的研究。

*通信作者：吴宗柠,男,讲师,博士,主要从事网络科学与知识图谱方面的研究。

(责任编辑：张逸群)