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

该研究提出了一种针对食品计算领域的新型多模态方法（FIRE），该方法基于输入的食品图像生成食品标题、配料和烹饪说明，并展示了与大型语言模型提示结合的两个实际应用：将食谱个性化以适应用户偏好和将食谱转化为代码以实现自动化烹饪过程。实验结果验证了该方法的有效性，并强调其在食品计算领域的未来发展和广泛应用潜力。

Aug, 2023

本研究提出了 RecipeCrit，一种基于层次化去噪自编码器的食谱编辑模型，通过无监督的评论模块允许用户与预测的配料进行交互迭代地改写食谱，实现了更加有效的食谱编辑，生成的食谱更符合用户约束条件，更正确、有趣、连贯和相关。

May, 2022

本文介绍了一种逆向烹饪系统，利用图像和推断的食材同时生成烹饪说明，能够更好地预测食材，并且相比检索法，可以产生更有吸引力的高质量菜谱。

Dec, 2018

我们的研究利用大语言模型将菜谱文本转化为易于理解的形式，通过改进菜谱的步骤和指令并使用 Amazon Mechanical Turk 任务收集人类意见，证明了大语言模型作为数字厨师的潜在应用。

Jun, 2023

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

本文探究使用与食品相关的语料库对预训练基于 Transformer 的语言模型进行预训练的有效性，并利用外部知识源，如 FoodOn 本体论，对此任务进行微调，提出使用基于 GPT 模型作为基线和利用 ChatGPT 作为外部知识源进行研究的两个新途径，同时扩展了本研究的范围，探讨了其他自然语言处理任务。

Jun, 2023

RecipeGPT 是一种在线食谱生成和评估系统，它提供两种文字生成模式和一个食谱评估模块，使用 GPT-2 语言模型、精细调整的数据集，并可以方便地检查食谱生成内容的质量和存储结果供未来参考。

Mar, 2020