本文探讨在食品领域运用AI进行决策支持的构建，需要更好地表达和处理食谱信息，为此构建了一个基于计划的可机器理解食谱表示和TREAT，这种方法可以提高智能化制作食品效率。

Mar, 2022

本研究探讨了从虚拟助手所接收到的文本用户语句中提取食谱相关信息的方法，通过 fine-tuned 的 BERT 模型达到了 95.01% 的 F1 分数，并在 Github 上共享了全部代码。

Apr, 2022

本文介绍了一种名为Cross-TOP的零-shot方法，通过利用用户请求的词汇和语义相似性，训练单个交叉架构解析器以服务于垂直内的任意数量的任务，从而为新任务引导语义解析器提供可扩展的方式。

Jun, 2022

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

本文研究任务导向的解析，并通过引入新的解析pizza和饮料订单的数据集，并在该数据集上进行深度学习技术的广泛评估，包括不同风格的seq2seq系统和RNNGs，演示了直接生成EXR符号表示的解析器的训练不仅可以一举解决实体分辨问题，并克服TOP符号表示的多个表达限制，同时也导致显着更高的解析准确性。

Dec, 2022

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

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

本研究提供了一个独特的注释语料库，旨在支持将烹饪食谱指令转换为厨房物联网设备可理解的机器命令。我们基于该语料库开发了基于机器学习的序列标注方法，如条件随机场和神经网络模型，在从指令中解析并提取我们感兴趣的元组方面取得了可行的结果。然而，我们的结果显示大部分自然语言指令不完整，因此将它们转换为形式化的意义表示并不直接。

Sep, 2023

通过对三个数据集进行分析，我们发现进行了细粒度微调的spaCy-transformer成为最佳模型，对于手动注释、增强注释和机器注释数据集，它的宏F1分数分别为95.9％、96.04％和95.71％。

Feb, 2024

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