우리는 어떻게
레시피를 추천하나?

한 줄 요약

1. 참조 데이터 — 6 소스

레시피 추천은 다음 6가지 데이터를 종합 분석합니다.

2. 적용하는 학술 이론 — 11종

모든 추천 결정은 다음 11개 학술 이론에 근거합니다. 임의 룰 X.

2-1. 다양성 평가 (5종)

2-2. 식습관 형성 이론 (4종)

2-3. 영양·식감 이론 (2종)

3. 추천 4 원칙 + 사용 데이터

3-1. 4 원칙 가중합 랭킹

final_score = (
  0.30 × base_preference_score +    # 잘먹는 베이스 (Food Chaining)
  0.20 × concealment_score +        # 가림 정도 (Toomey SOS)
  0.30 × nutrient_boost_score +     # KDRI 부족 영양
  0.10 × novelty_score +            # 최근 21끼 미등장 (반복 회피)
  0.10 × age_appropriateness_score  # 연령 fit (HabEat)
)

4. 고단백 메인 반찬 판단 로직 (NEW)

4-1. recipes.main_protein_type 필드 (NEW)

레시피 enrich 단계에서 LLM으로 결정:

type MainProteinType =
  | 'red_meat'      // 소·돼지·양 (메인, ≥30g)
  | 'white_meat'    // 닭·오리 (메인, ≥30g)
  | 'fish'          // 생선 (메인, ≥30g)
  | 'seafood'       // 새우·오징어·조개 (메인)
  | 'egg'           // 계란 (메인, ≥1개)
  | 'soy'           // 콩·두부 (메인 단백질 ≥40g)
  | 'mixed'         // 2종 이상 메인 (혼합)
  | 'aux_protein'   // 보조 단백 (소고기 미역국·멸치육수)
  | 'no_protein';   // 단백질 미포함 (밥·면 위주)

4-2. 판단 알고리즘 (LLM 분류 + 검증)

async function classifyMainProtein(recipe: Recipe): Promise<MainProteinType> {
  // 1차: 룰 기반 — 단백질 식재료 g 기준
  const proteinIngs = recipe.ingredients.filter(i => PROTEIN_INGREDIENTS.has(i.name));
  if (proteinIngs.length === 0) return 'no_protein';

  // 단백질 식재료의 분량 합 (메인 판정)
  const mainProtein = proteinIngs.filter(i => i.amount_g >= PROTEIN_MAIN_THRESHOLD[i.type]);
  if (mainProtein.length === 0) return 'aux_protein';  // 보조만

  // 메인 단백 분류
  if (mainProtein.length > 1) return 'mixed';
  const main = mainProtein[0];
  return PROTEIN_TYPE_MAP[main.type];
}

// 임계값 (메인 판정 기준)
const PROTEIN_MAIN_THRESHOLD: Record<string, number> = {
  'red_meat': 30,    // 소고기·돼지고기 ≥30g
  'white_meat': 30,
  'fish': 30,
  'seafood': 20,
  'egg': 50,         // 달걀 1개 ≈ 50g
  'soy': 40,          // 두부 1/4모 ≈ 40g
};

// 검증 사례
// 소고기 미역국: 소고기 5g → aux_protein
// 갈비찜: 갈비 100g → red_meat
// 닭볶음탕: 닭 80g → white_meat
// 두부찜: 두부 100g → soy

4-3. 고단백 메인 다양성 추적

주간 메인 반찬 단백 유형 다양성:

function mainProteinVariety(logs: MealLog[], days = 7): MainProteinReport {
  const mainTypes = logs
    .map(l => l.recipe?.main_protein_type)
    .filter(t => t && t !== 'no_protein' && t !== 'aux_protein');
  const uniqueTypes = new Set(mainTypes);
  return {
    totalMainMeals: mainTypes.length,
    uniqueTypes: uniqueTypes.size,
    distribution: countBy(mainTypes),
    // 권장: 주 7끼 메인 중 4종 이상 (red·white·fish·soy 최소)
    status: uniqueTypes.size >= 4 ? 'green' : uniqueTypes.size >= 3 ? 'orange' : 'red'
  };
}

5. 다양성 2-Layer 시스템

5-1. Layer 1 — WHO MDD (Pass/Fail)

8 식품군 중 N개 등장 여부. 최소 통과 기준.

5-2. Layer 2 — 우리 14 sub-카테고리 + 종 다양성

⭐ 핵심 4 카테고리는 종 다양성 필수 (Lachat DSR + HabEat). 시금치만 5번 = 잎채소 통과지만 ⭐ 미충족 → A 등급 안 됨.

5-3. 등급 cutoff (Layer 1 + 2 종합)

function finalDiversityGrade(layer1: number, layer2: VarietyMetrics): Grade {
  if (layer1 <= 4) return 'D';            // MDD fail
  if (layer1 <= 6) return 'C';            // MDD pass only
  if (layer1 === 8 && layer2.subcatCount >= 10) {
    const criticalPass = CRITICAL_4.every(c => layer2.speciesPerSubcat[c] >= MIN_SPECIES[c]);
    if (criticalPass) {
      if (layer2.totalUniqueSpecies >= 25 && layer2.newSpeciesThisWeek >= 2) return 'S';
      return 'A';
    }
  }
  return 'B';
}

5-4. 카테고리 내 다양성 narrative 예시

// 시금치만 매번 등장 시
{
  subcategory: '진한 잎채소',
  species_count: 1,
  recommendation: '시금치만 5번 — 근대·아욱·청경채로 잎채소 다양화 권장',
  recipes_to_suggest: ['근대된장국', '아욱죽', '청경채 무침']
}

6. 반복 회피 (시계열)

같은 메뉴를 4주 내 반복하지 않음 (HabEat 권고). 자동 제외 로직:

function noveltyScore(recipe: Recipe, recentMenus: string[]): number {
  // 최근 21끼(7일) 메뉴 vs 추천 후보
  if (recentMenus.includes(recipe.name)) return 0;          // 완전 동일
  if (similarBaseSubstr(recipe.name, recentMenus, 0.8)) return 0.3; // 유사 (찜닭 vs 닭볶음탕)
  return 1.0;                                          // 신규
}

// 베이스 반복도 추가 체크
function baseRepetitionWarning(profile: ChildProfile): Warning | null {
  const top = profile.recentBases[0];  // 가장 많이 등장한 베이스
  if (top.count >= 5) {  // 한 주에 5회 이상 같은 베이스
    return {
      type: 'base_repetition',
      message: `${top.baseType}이 한 주 ${top.count}번 — 베이스 로테이션 권장`,
      suggestion: rotateSuggestion(top.baseType)  // 죽 → 부침개·국·찜 등
    };
  }
  return null;
}

7. 최종 출력 — 6-8 레시피 + 자연어 이유

7-1. 출력 예시 (JSON)

{
  "recommendations": [
    {
      "principleId": 1,
      "recipeName": "시금치 즙 계란찜",
      "reasoning": "우리 아이가 32회 좋아한 계란찜 베이스에 시금치 5g 즙으로 추가했어요.
                    시금치는 22번 노출 중 8번만 먹은 식재료라 거부 단계가 정상입니다.
                    학술 연구에 따르면 평균 12-30번 노출 후 수용된다고 합니다.
                    즙으로 만들면 색·향이 거의 안 보여 부담 0.",
      "factors": {
        "basePreference": 0.95, "concealment": 1.0,
        "nutrientBoost": 0.6,   "novelty": 1.0,
        "ageFit": 1.0
      },
      "academicSources": ["Food Chaining 2007", "Cooke 2011"]
    },
    ...
  ],
  "narrativeSummary": "이번 주 핵심: 시금치·콜린·EPA+DHA 3가지 부족 — 위 4 레시피로 자연 보강",
  "warnings": [
    { "type": "base_repetition", "message": "죽이 한 주 5번 — 부침개·국으로 로테이션" }
  ]
}

9. 제철 식재료 기준 (한국 12개월)

제철 식재료 = 영양가 ↑ · 가격 ↓ · 농약 ↓ · 환경 ↓. 농진청 + 해양수산부 권고 기반 12개월 마스터.

9-1. 한국 12개월 제철 식재료 마스터

9-2. 평가 알고리즘 — 제철 비율 점수

const SEASONAL_TABLE: Record<number, string[]> = {
  1: ['시금치', '당근', '우엉', '연근', '굴', '꽃게', ...],
  2: [...], ...
};

function seasonalScore(logs: MealLog[], currentMonth: number): SeasonalResult {
  const seasonalIngs = new Set(SEASONAL_TABLE[currentMonth]);
  const allUsed = logs.flatMap(l => l.ingredients.map(i => i.name));
  const uniqueUsed = new Set(allUsed);
  const seasonalUsed = [...uniqueUsed].filter(i => seasonalIngs.has(i));
  const ratio = seasonalUsed.length / uniqueUsed.size;
  return {
    pct: ratio * 100,
    seasonalCount: seasonalUsed.length,
    totalUnique: uniqueUsed.size,
    matched: seasonalUsed,
    missing: [...seasonalIngs].filter(i => !uniqueUsed.has(i)).slice(0, 5),
    status: ratio >= 0.30 ? 'green' : ratio >= 0.15 ? 'orange' : 'red',
    recommendation: buildSeasonalRecommendation(seasonalUsed, currentMonth)
  };
}

9-3. 임계치

9-4. 레시피 추천 가산점

// 4 원칙 final_score에 0.05 가산
final_score += seasonal_bonus(recipe, current_month);

function seasonalBonus(recipe, currentMonth) {
  const seasonalIngs = SEASONAL_TABLE[currentMonth];
  const recipeIngs = recipe.ingredients.map(i => i.name);
  const matchCount = recipeIngs.filter(i => seasonalIngs.includes(i)).length;
  return matchCount >= 2 ? 0.05 : matchCount === 1 ? 0.03 : 0;
}

9-5. 데모 적용

• 홈 진단 카드에 8번째 축 "제철" 추가 (현재 7축 → 8축)
• 도감 식재료 클릭 시 "🌸 지금 제철 (5월)" 뱃지
• 레시피 카드에 "🌸 제철 보너스" 라벨
• 식단표 평가 7축 中 "계절성·국산"이 이미 있음 — 정밀화

10. 조리 스타일 다양성 (한식 외 다채로움)

14 sub-카테고리는 식재료 단위. 그러나 매번 한식만이면 식습관 폭이 좁아짐. HabEat·EU 코호트 연구는 cuisine variety가 식습관 형성에 결정적이라고 보고.

10-1. 6 cuisine 카테고리 (제안)

10-2. 평가 알고리즘

function cuisineDiversity(logs: MealLog[]): CuisineResult {
  const cuisineUsed = new Set<CuisineType>();
  for (const log of logs) {
    const cuisine = classifyCuisine(log.recipe);  // LLM enrich
    cuisineUsed.add(cuisine);
  }
  const uniqueCount = cuisineUsed.size;
  return {
    uniqueCount,
    distribution: countBy(logs.map(l => l.recipe.cuisine)),
    status: uniqueCount >= 3 ? 'green' : uniqueCount >= 2 ? 'orange' : 'red',
    recommendation: uniqueCount < 2 ? '매번 한식만 — 양식·일식 메뉴 1-2회 시도' : null
  };
}

10-3. 임계치 (주간 기준)

10-4. 데모 적용

• 7축 → 8축 또는 9축 진단에 "조리 스타일" 추가
• 레시피 탭에 cuisine 필터 (한식·양식·중식·일식·동남아)
• 도감에 "이번 주 cuisine: 한식 6 / 양식 1" 시각화

11. LLM 입력 전처리 (자연어·사진 → DB 매칭)

엄마들은 비결정적 입력 (사진·자연어 메모·퀵노트)을 사용. 우리는 LLM으로 정확하게 매칭해야 영양 평가가 정확해짐.

11-1. 입력 유형 4가지

11-2. ALG-PREP-01 — 사진 → 식재료 추출

이미 ALG-OCR-06 (engines-deep)에 명세. 신뢰도 ≥ 0.7만 자동 채택 + 사용자 수정 UI.

11-3. ALG-PREP-02 — 자연어 메모 → 구조화 데이터 (NEW)

const MEMO_EXTRACT_PROMPT = `엄마가 자유 텍스트로 쓴 식사 메모에서 다음을 추출하세요.

# 입력 예시
"시금치 거부했는데 김 가루로 덮으니 잘 먹음. 오늘 아침에는 안 먹다가 점심에는 또 달라고 했어요."

# 출력 JSON
{
  "ingredients_mentioned": [
    {"name": "시금치", "reaction": "rejected", "context": "초기 거부"},
    {"name": "김", "reaction": "well_eaten", "context": "위장 식재료로 활용"}
  ],
  "behaviors": [
    {"type": "rejection", "context": "초기"},
    {"type": "conceal_success", "context": "다른 식재료로 가림"},
    {"type": "time_difference", "details": "아침 vs 점심 다른 반응"}
  ],
  "parent_emotion": "neutral_with_relief",  // 안도·기쁨·좌절·중립
  "cebq_signals": ["food_responsiveness", "food_fussiness_partial"]
}\`;

async function extractFromMemo(memo: string): Promise<MemoExtraction> {
  if (memo.length < 5) return null;
  const response = await anthropic.messages.create({
    model: 'claude-haiku-4-5',  // 분류 작업이라 Haiku로 충분
    max_tokens: 800,
    messages: [{ role: 'user', content: MEMO_EXTRACT_PROMPT + '\n\n# 입력\n' + memo }],
  });
  const extracted = parseJSON(response.content[0].text);
  // 매칭 검증: ingredients_mentioned가 INGREDIENT_POOL에 있는지
  for (const ing of extracted.ingredients_mentioned) {
    ing.matched_id = await fuzzyMatchIngredient(ing.name);
  }
  return extracted;
}

11-4. ALG-PREP-03 — 해시태그 정규화 (이미 구현)

// 한글 초성 추출 + fuzzy match (care.html 이미 구현)
function normalizeIngredientInput(raw: string): string | null {
  const trimmed = raw.trim().toLowerCase();
  // 1. 정확 매칭
  const exact = INGREDIENT_POOL.find(i => i.name === trimmed);
  if (exact) return exact.id;
  // 2. 초성 매칭 (ㅂㄹㅋㄹ → 브로콜리)
  if (/^[ㄱ-ㅎ]+$/.test(trimmed)) {
    return INGREDIENT_POOL.find(i => getChosung(i.name).startsWith(trimmed))?.id;
  }
  // 3. 부분 매칭
  return INGREDIENT_POOL.find(i => i.name.startsWith(trimmed))?.id;
}

11-5. ALG-PREP-04 — 퀵노트 chip → CEBQ 매핑 (NEW)

const QUICK_NOTE_TO_CEBQ: Record<string, CEBQDimension[]> = {
  '한 입도 안 먹음': ['food_fussiness', 'satiety_responsiveness'],
  '골라냄': ['food_fussiness'],
  '향만 맡음': ['food_fussiness_early_stage'],
  '평소보다 많이': ['food_responsiveness', 'enjoyment_of_food'],
  '또 달라': ['food_responsiveness'],
  '친구 따라 먹음': ['social_facilitation'],
  'TV 보며': ['environment_distraction'],
  '스스로 다': ['autonomy_high'],
  ...
};

function mapQuickNoteToCEBQ(quickNote: string): CEBQDimension[] {
  return QUICK_NOTE_TO_CEBQ[quickNote] || [];
}

11-6. 전체 전처리 파이프라인

async function preprocessMealInput(input: RawMealInput): Promise<StructuredMealLog> {
  const log: StructuredMealLog = { ...input };

  // 1. 사진 → 식재료 추출 (있으면)
  if (input.photo) {
    const photoIngs = await extractFromPhoto(input.photo);  // ALG-PREP-01
    log.ingredients = [...(log.ingredients || []), ...photoIngs];
  }

  // 2. 해시태그 정규화 (이미 입력 시 매칭됨)
  log.ingredients = log.ingredients.map(normalizeIngredientInput);

  // 3. 자연어 메모 분석 (있으면)
  if (input.note && input.note.length > 10) {
    const memoData = await extractFromMemo(input.note);  // ALG-PREP-02
    log.memo_extraction = memoData;
    // 메모에서 추가 발견된 식재료 병합 (중복 제외)
    log.ingredients = dedup([...log.ingredients, ...memoData.ingredients_mentioned.map(i => i.matched_id)]);
  }

  // 4. 퀵노트 → CEBQ 매핑
  log.cebq_signals = (input.quickNotes || []).flatMap(mapQuickNoteToCEBQ);

  // 5. 신뢰도 메타
  log.preprocessing_confidence = computeOverallConfidence(log);
  log.requires_user_confirm = log.preprocessing_confidence < 0.75;

  return log;
}

11-7. 사용자 수정 인터페이스

신뢰도 < 0.75일 경우 부모에게 확인 받음:

• "AI가 인식한 식재료가 맞나요?" — 5개 중 수정·삭제·추가 가능
• "메모에서 '시금치 거부'로 이해했어요 — 맞나요?" — Y/N
• 수정 시 ML 학습 데이터로 누적 (다음 OCR 정확도 ↑)

8. 학술 출처 풀 리스트