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
本文研究了预训练语言模型是否能够在现实环境中进行构成泛化和对新元素进行合成，主要通过设计反事实食谱生成任务，使用中文菜谱数据集进行进行预训练语言模型的微调，结果表明这些模型生成的食谱虽然文字流畅，但缺乏真正的构成泛化能力和对烹饪知识的学习和应用。
Oct, 2022
本研究针对跨模态食谱检索任务，提出一个基于端到端模型的层级食谱 Transformer，使用自我监督损失函数在图像和食谱样本上训练，取得了 Recipe1M 数据集上的最佳性能表现。
Mar, 2021
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
深度图像到菜谱的翻译，是计算机视觉和自然语言生成的交叉领域，旨在弥合珍贵食物记忆与烹饪艺术之间的鸿沟。
Jul, 2024
本研究提出了一个名为 “3A2M + 烹饪食谱数据集” 的数据集，其中包含 200 万个带有从食谱描述中提取的扩展命名实体的烹饪食谱，该数据集包括标题、命名实体识别、步骤和扩展命名实体等各种特征，并使用两个命名实体提取工具扩展了命名实体识别列表以解决食谱指令中缺失的命名实体，如热量、时间或过程，同时通过传统机器学习、深度学习和预训练语言模型将食谱分类为相应的风格，并达到了 98.6％的整体准确率。研究结果表明，标题特征在分类风格时起到了更重要的作用。
Oct, 2023
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
本文提出了一种新颖的跨模态学习框架来自动发现食谱中文本和图像的实体及其相应的重要性，并能在没有明确监督的情况下识别出食谱描述中的主要成分和烹饪动作，为跨模态检索和食谱适应任务提供更有意义的特征表示。
Feb, 2021
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