使用食材网络进行食谱推荐
提出了一种名为 NutRec 的新型框架，该框架使用神经网络模型中的三个主要组件来基于食材预测和推荐健康的食谱，经过实验证明该框架可以成功检索到较为健康的菜谱。
Mar, 2020
提出了可控制的食谱编辑任务，解决了既定食谱无法适应特定的膳食限制的问题。通过 SHARE 系统完成材料替代和步骤生成的分离处理，基于新数据集 RecipePairs 的实验说明这个系统可以为家庭厨师提供更易于制作健康美味的菜肴的方案。
May, 2021
本研究分析了全球超过 200 种菜系的超过 157K 份食谱，并研究了这些食谱中的成分，口味和营养价值，以及它们与不同国家的健康指标之间的关系，结果表明地理和文化因素会影响全球不同地区的菜肴偏好与健康指标。
Oct, 2016
本文提出了一种基于图模型的食谱推荐方法，将协作信号纳入计算中，通过具有分层注意力和成分集转换器的异构图神经网络来捕捉食谱内容和协作信号，使用图对比增强策略以自我监督的方式提取信息，利用推荐和对比学习的联合目标函数来优化模型，实验证明了其优于现有的食谱推荐方法。
May, 2022
本文针对具有烹饪偏好但对于特定菜肴的食材知识不足的用户提出了个性化食谱生成的新任务：将菜品名称和不完整的食材详情扩展为与用户历史喜好相符的完整自然文本说明。通过技术和食谱级别的表示，我们的模型在一个注意力融合层中融合了这些 “用户感知” 的表示，控制食谱文本的生成。在一个新的包含 180K 份菜谱和 700K 个交互的数据集上进行实验，与非个性化的基准相比，我们的模型能够生成一些合理且个性化的菜谱。
Aug, 2019
提出了一种计算方法来生成美食菜谱，该方法运用了食品亲和力评分预测模型 RecipeMind，通过该模型可以补充一些适宜的食材建议，填补原来的不足。
Oct, 2022
本研究提出了一个单纯使用食品图片和配料来生成食品烹饪说明的结构感知生成网络，通过无监督学习的方式，提取句子级别的树状结构标签，并将其与生成的目标食谱树形结构相结合。实验表明该方法能产生高质量连贯的食谱，而且在基准的 Recipe1M 数据集上取得了最先进的性能。
Sep, 2020
通过对广泛分布的网络浏览器插件所收集的日志进行分析，发现美国不同地区在饮食上有明显的差异，再通过对配方查询数据的营养时间序列与同期医院入院数据的对齐对钠的情况进行分析，以了解网络日志中捕捉到的行为数据如何被利用来识别饮食与急性健康问题之间的潜在关系。
Apr, 2013