Feb, 2023

预定义的食品概念和食谱专用嵌入：异构食谱数据集的案例研究

PDF
TL;DR文章介绍了如何从不同来源的食谱数据集中提取所需信息并对其进行格式标准化，从而实现对营养成分的预测。使用命名实体识别和外部领域特定资源进行转换，生成具有预定义成分及食谱嵌入的语料库，并应用于机器学习流程，得到了比基准段表现更好的结果。
recipe datasetnutrient predictionmachine learning pipelinenamed entity recognitioningredient embeddings
发现论文，激发创造
  • CHEF: 跨模态层次嵌入用于食品领域检索

    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

  • 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

  • 基于深度学习的食谱命名实体识别模型

    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

  • 基于半监督学习的自动食谱类型分类研究

    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

  • 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

  • 更健康的饮食：探索健康餐谱的营养信息

    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

  • TASTEset -- 食谱数据集与食品实体识别基准

    介绍了一种新数据集（TASTEset），用于在处理食谱时识别各种实体（如食品产品、数量及其单位、烹饪过程名称、物理质量、目的和味道等）。我们提供了一些基于最先进的命名实体识别模型的基线，证明了我们的数据集对现有模型构成了良好的挑战。

    Apr, 2022

  • 食谱领域文本材料提取

    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

  • 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

  • 多标签学习在食品成分识别中的应用

    研究了自动饮食评估系统中视觉识别食物的核心功能，使用深度多标签学习方法评估了几种最先进的神经网络，以在图像中检测任意数量的成分，并针对编码使用了多个著名的神经网络模型。在使用挑战性数据集 Nutrition5K 上，取得了有希望的初步结果，并为未来的探索奠定了坚实的基础。

    Oct, 2022