Con el crecimiento de los medios digitales y las redes sociales, compartir contenido visual se ha vuelto común en la vida diaria de las personas. En la industria alimentaria, las imágenes de comida visualmente atractivas pueden atraer la atención, fomentar la participación e influir en el comportamiento del consumidor. Por lo tanto, es crucial que las empresas comprendan qué constituye imágenes de comida atractivas. La evaluación de la atracción de las imágenes de comida plantea desafíos significativos debido a la falta de conjuntos de datos etiquetados grandes que se alineen con las diversas preferencias del público. Además, es difícil que las evaluaciones por computadora se acerquen al juicio humano para evaluar la calidad estética. Este documento presenta un marco novedoso que evita la necesidad de una anotación humana explícita aprovechando los datos de participación de los usuarios que están fácilmente disponibles en plataformas de redes sociales. Proponemos procedimientos para recopilar, filtrar y etiquetar automáticamente las clases de atracción de las imágenes de comida según sus niveles de participación de los usuarios. Los datos recopilados de las redes sociales se utilizan para crear modelos predictivos para evaluaciones de atracción específicas de categorías. Nuestros experimentos en cinco categorías de alimentos demuestran la eficacia de nuestro enfoque. Los resultados experimentales muestran que nuestra propuesta de etiquetado de clases de atracción basada en la participación del usuario logra una alta consistencia del 97.2% en comparación con los juicios humanos obtenidos a través de pruebas A/B. Se crearon modelos de evaluación de atracción separados para cada categoría de alimentos utilizando redes neuronales convolucionales (CNN). Al analizar imágenes de alimentos no vistas, nuestros modelos logran una consistencia del 76.0% en comparación con los juicios humanos. Los resultados experimentales sugieren que el conjunto de datos de imágenes de alimentos recopilado de las redes sociales, utilizando el marco propuesto, se puede utilizar con éxito para aprender modelos de evaluación de atracción de alimentos.