May, 2019

KitcheNette: 使用Siamese神经网络预测和推荐食品成分搭配

HTML
PDF
TL;DR本研究提出了KitcheNette模型，该模型使用孪生神经网络预测食材配对分数，并推荐最佳配对。经过实验验证，该模型不仅优于其他基线模型，而且还能推荐互补的配对和发现新的配对。
发现论文，激发创造
  • 烹饪情境下的图像和菜谱检索

    本文基于机器学习技术，提出了一种用于大规模检索任务的图片-食谱对齐方法，并在 Recipe1M 数据集上进行了实验，取得了最先进的成果。

    May, 2018

  • Recipe1M+: 面向学习烹饪食谱和食物图像的跨模态嵌入数据集

    本研究介绍了Recipe1M+，这是一个包含超过一百万个烹饪食谱和1300万个美食图像的大规模结构化语料库。通过使用数据，我们训练一个神经网络，学习食谱和图像的联合嵌入，从而在图像-食谱检索任务上取得了令人印象深刻的结果。此外，我们证明了通过添加高级分类目标的正则化可以提高检索性能，并使语义向量算术成为可能。我们假设这些嵌入将为进一步探索Recipe1M+数据集以及食品和烹饪提供基础。

    Oct, 2018

  • 学习食物图片和烹饪食谱的程序表示

    本文提出了一种通过将烹饪配方和食品图像表示为烹饪程序来建模如何指导说明性程序（如烹饪食谱），并展示了使用自我监督和联合嵌入生成程序的可行性，从图像生成食品图像，这使得跨模态检索效果更佳。

    Mar, 2022

  • Recipe2Vec: 基于图神经网络的多模态食谱表示学习

    本文讨论了将视觉，文本和关系信息集成到食谱嵌入中的问题，并介绍了一种基于图神经网络（GNN）的全新食谱嵌入模型Recipe2Vec。通过对大量实验的验证，证明该模型在两项食品学研究任务中表现出色-风味分类和地区预测。

    May, 2022

  • RecipeRec：一种用于食谱推荐的异构图学习模型

    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

  • RecipeMind：利用级联集合变换引导配料选择，从食品搭配到菜谱完成

    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

  • 基于主动学习的三百万份多样化、典型化、注释化的烹饪食谱数据集

    此研究介绍了一种基于领域专家知识和主动学习技术的新数据集，其包含了200万种用各种类别标记的烹饪食谱，包括糕点、饮料、非素食、蔬菜、快餐、谷物、餐点、配菜和融合九个类别，并且可以用于机器学习任务和各种自然语言处理任务的训练和评估。

    Mar, 2023

  • KitchenScale：从食谱上下文中学习预测配料数量

    该研究介绍了KitchenScale，这是一个预训练的语言模型，通过从食谱文本中利用自然语言处理和迁移学习技术来预测目标成分的数量和度量单位。

    Apr, 2023

  • Cook-Gen：菜谱烹饪行为的鲁棒生成建模

    本研究探索了使用生成AI方法扩展当前食品计算模型的可能性，主要涉及营养和配料分析，以及包括烹饪行为（例如加盐，煎肉，煮蔬菜等），并提出了一种新的基于聚合的生成AI方法Cook-Gen。

    Jun, 2023

  • LLaVA-Chef：一种用于食品食谱的多模态生成模型

    该研究解决了在线食谱分享中对有效生成食品食谱的需求，提出了一种新颖的模型LLaVA-Chef，该模型经过针对多样食谱提示的定制数据集训练，以提高食品领域的理解能力。研究发现，LLaVA-Chef生成的食谱在成分提及的准确性和细节方面显著优于现有方法，显示出其在食品生成任务中的潜在影响。

    Aug, 2024