A multi-LLM explainable food recommendation system based on Deep Learning Un système explicable de recommandation alimentaire multi-LLM basé sur l'apprentissage profond

Food recommender systems (FRS) increasingly support dietary decision-making, yet their explanations often remain rigid, poorly contextualized, and disconnected from user needs. Current XAI techniques such as SHAP or LIME provide numerical justifications that lack semantic depth, while single-LLM pipelines restrict adaptability and may amplify model-specific biases. To address these limitations, we introduce a multi-LLM explainability overlay that generates contextual, contrastive, counterfactual, and simulation-based explanations over existing deep learning models. The system integrates Food and User Ontologies, partly derived from the Food Explanation Ontology (FEO) and extended in this work to better represent African and multicultural dietary contexts. The architecture decouples prediction from explanation generation and leverages four LLMs : GPT-4, Gemini, LLaMA-3, and Mistral with a conflict-resolution mechanism and safeguards to ensure fidelity to the underlying model and reduce hallucinations. Experiments on AllRecipesExtended and Food.com datasets show that the proposed system delivers more adaptive and personalized explanations with competitive clarity and significantly lower latency compared to a single-LLM baseline. User feedback further highlights the value of ontology-guided reasoning and culturally contextualized narratives. This work opens a pathway toward more transparent, robust, and human-centered explainability in personalized nutrition. Les systèmes de recommandation alimentaire (FRS) facilitent de plus en plus la prise de décision en matière d'alimentation, mais leurs explications restent souvent rigides, peu contextualisées et déconnectées des besoins des utilisateurs. Les techniques XAI actuelles, telles que SHAP ou LIME, fournissent des justifications numériques qui manquent de profondeur sémantique, tandis que les pipelines à modèle linguistique unique (LLM) limitent l'adaptabilité et peuvent amplifier les biais spécifiques au modèle. Pour pallier ces limites, nous introduisons une couche d'explicabilité multi-LLM qui génère des explications contextuelles, contrastives, contrefactuelles et basées sur la simulation pour les modèles d'apprentissage profond existants. Le système intègre des ontologies alimentaires et utilisateur, dérivées en partie de la Food Explanation Ontology (FEO) et étendues dans ce travail afin de mieux représenter les contextes alimentaires africains et multiculturels. L'architecture dissocie la prédiction de la génération d'explications et exploite quatre LLM : GPT-4, Gemini, LLaMA-3 et Mistral, avec un mécanisme de résolution des conflits et des garde-fous pour garantir la fidélité au modèle sous-jacent et réduire les hallucinations. Des expériences menées sur les ensembles de données AllRecipesExtended et Food.com montrent que le système proposé fournit des explications plus adaptatives et personnalisées, avec une clarté compétitive et une latence nettement inférieure par rapport à une référence utilisant un seul LLM. Les retours des utilisateurs soulignent en outre la valeur du raisonnement guidé par l'ontologie et des récits contextualisés culturellement. Ce travail ouvre la voie à une explicabilité plus transparente, plus robuste et centrée sur l'humain dans le domaine de la nutrition personnalisée.