論文の概要: A Named Entity Based Approach to Model Recipes
- arxiv url: http://arxiv.org/abs/2004.12184v1
- Date: Sat, 25 Apr 2020 16:37:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 22:01:28.663268
- Title: A Named Entity Based Approach to Model Recipes
- Title（参考訳）: モデルレシピに対する名前付きエンティティベースのアプローチ
- Authors: Nirav Diwan, Devansh Batra and Ganesh Bagler
- Abstract要約: 本稿では,この一様構造におけるレシピの最良の表現を推論するパイプラインだけでなく,レシピを正確に表現できる構造を提案する。
レシピのingredientsセクションは通常、必要な材料と、量、温度、処理状態などの対応する属性をリストアップする。
指示部は、これらの器具や具材に調理技術や工程を適用する一連の事象を列挙する。
- 参考スコア（独自算出の注目度）: 9.18959130745234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional cooking recipes follow a structure which can be modelled very
well if the rules and semantics of the different sections of the recipe text
are analyzed and represented accurately. We propose a structure that can
accurately represent the recipe as well as a pipeline to infer the best
representation of the recipe in this uniform structure. The Ingredients section
in a recipe typically lists down the ingredients required and corresponding
attributes such as quantity, temperature, and processing state. This can be
modelled by defining these attributes and their values. The physical entities
which make up a recipe can be broadly classified into utensils, ingredients and
their combinations that are related by cooking techniques. The instruction
section lists down a series of events in which a cooking technique or process
is applied upon these utensils and ingredients. We model these relationships in
the form of tuples. Thus, using a combination of these methods we model cooking
recipe in the dataset RecipeDB to show the efficacy of our method. This mined
information model can have several applications which include translating
recipes between languages, determining similarity between recipes, generation
of novel recipes and estimation of the nutritional profile of recipes. For the
purpose of recognition of ingredient attributes, we train the Named Entity
Relationship (NER) models and analyze the inferences with the help of K-Means
clustering. Our model presented with an F1 score of 0.95 across all datasets.
We use a similar NER tagging model for labelling cooking techniques (F1 score =
0.88) and utensils (F1 score = 0.90) within the instructions section. Finally,
we determine the temporal sequence of relationships between ingredients,
utensils and cooking techniques for modeling the instruction steps.
- Abstract（参考訳）: 伝統的な料理レシピは、レシピテキストの異なるセクションのルールや意味を解析して正確に表現すれば、非常によくモデル化できる構造に従う。
本稿では,この一様構造におけるレシピの最良の表現を推論するパイプラインだけでなく,レシピを正確に表現できる構造を提案する。
レシピのIngredientsセクションは通常、必要な材料と、量、温度、処理状態などの対応する属性をリストアップする。
これはこれらの属性とその値を定義することでモデル化できる。
レシピを構成する物理的な実体は、調理技術に関連する道具、具材、それらの組み合わせに広く分類することができる。
指示部は、これらの器具や具材に調理技術や工程を適用する一連の事象を列挙する。
私たちはこれらの関係をタプルの形でモデル化します。
そこで,これらの手法を組み合わせてdataset recipedbで調理レシピをモデル化し,提案手法の有効性を示す。
このマイニングされた情報モデルは、言語間のレシピの翻訳、レシピ間の類似性の決定、新しいレシピの生成、レシピの栄養プロファイルの推定など、いくつかの応用が可能である。
成分属性の認識を目的として、名前付きエンティティ関係(NER)モデルをトレーニングし、K-Meansクラスタリングの助けを借りて推論を分析する。
我々のモデルは全データセットで0.95のF1スコアを示しました。
調理技法のラベル付けには同様のNERタグ付けモデル (F1 score = 0.88) と器具 (F1 score = 0.90) を用いる。
最後に, 教材, 器具, 調理技術間の関係を時間系列で決定し, 指導手順をモデル化する。
関連論文リスト
- Retrieval Augmented Recipe Generation [96.43285670458803]
本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。
既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。
生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
論文 参考訳（メタデータ） (2024-11-13T15:58:50Z) - KitchenScale: Learning to predict ingredient quantities from recipe
contexts [13.001618172288198]
KitchenScaleは、レシピのコンテキストからターゲットの材料量と測定単位を予測するモデルである。
本稿では,成分測定型分類,単位分類,量回帰タスクの3つのサブタスクからなる成分量予測タスクを定式化する。
新たに構築したデータセットとレコメンデーションの例での実験では、さまざまなレシピコンテキストに対するKitchenScaleの理解が示されています。
論文 参考訳（メタデータ） (2023-04-21T04:28:16Z) - Assorted, Archetypal and Annotated Two Million (3A2M) Cooking Recipes
Dataset based on Active Learning [2.40907745415345]
それぞれのカテゴリにラベル付けされた200万の料理レシピのデータセットを新たに提示する。
データセットを構築するために、レシピをRecipeNLGデータセットから収集する。
私たちのデータセットには200万以上のレシピがあり、それぞれが分類され、信頼性スコアが関連付けられています。
論文 参考訳（メタデータ） (2023-03-27T07:53:18Z) - Counterfactual Recipe Generation: Exploring Compositional Generalization
in a Realistic Scenario [60.20197771545983]
本研究では,材料の変化に応じて基本レシピを変更するようモデルに依頼する,反現実的なレシピ生成タスクを設計する。
料理の知識を学習するモデルのために、中国語で大規模なレシピデータセットを収集する。
その結果、既存のモデルでは原文のスタイルを保ちながら素材の変更が困難であり、調整が必要なアクションを見逃すことがしばしばあった。
論文 参考訳（メタデータ） (2022-10-20T17:21:46Z) - Assistive Recipe Editing through Critiquing [34.1050269670062]
RecipeCritは階層的な自動エンコーダで、材料レベルの批判をレシピで編集する。
私たちの研究の主な革新は、ユーザーが予測された材料と対話することでレシピを編集できる教師なしのクオリティリングモジュールです。
論文 参考訳（メタデータ） (2022-05-05T05:52:27Z) - Learning Structural Representations for Recipe Generation and Food
Retrieval [101.97397967958722]
本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
提案モデルは高品質でコヒーレントなレシピを作成でき、ベンチマークRecipe1Mデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-10-04T06:36:31Z) - Revamping Cross-Modal Recipe Retrieval with Hierarchical Transformers
and Self-supervised Learning [17.42688184238741]
近年, 生活における食品の重要性から, クロスモーダルなレシピ検索が注目されている。
本稿では,テキストおよび画像のエンコーダの確立と高性能化に基づく,簡易なエンド・ツー・エンドモデルを提案する。
提案手法は,Recipe1Mデータセットのクロスモーダルレシピ検索タスクにおける最新性能を実現する。
論文 参考訳（メタデータ） (2021-03-24T10:17:09Z) - Structure-Aware Generation Network for Recipe Generation from Images [142.047662926209]
食品画像と材料のみに基づいて調理指導を行うオープン・リサーチ・タスクについて検討する。
ターゲットレシピは長い段落であり、構造情報に関する注釈を持たない。
本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-02T10:54:25Z) - Multi-modal Cooking Workflow Construction for Food Recipes [147.4435186953995]
ワークフロー構築のための最初の大規模データセットであるMM-ReSを構築した。
本稿では、視覚情報とテキスト情報の両方を利用して調理ワークフローを構築するニューラルエンコーダデコーダモデルを提案する。
論文 参考訳（メタデータ） (2020-08-20T18:31:25Z) - Decomposing Generation Networks with Structure Prediction for Recipe
Generation [142.047662926209]
本稿では,構造予測を伴うDGN(Decomposing Generation Networks)を提案する。
具体的には,調理指導を複数のフェーズに分割し,各フェーズに異なるサブジェネレータを割り当てる。
提案手法は, (i) 大域的構造予測成分を用いてレシピ構造を学習し, (ii) 予測された構造に基づいてサブジェネレータ出力成分でレシピ相を生成するという2つの新しいアイデアを含む。
論文 参考訳（メタデータ） (2020-07-27T08:47:50Z) - Classification of Cuisines from Sequentially Structured Recipes [8.696042114987966]
料理の特徴に基づく料理の分類は 際立った問題です。
我々は、RecipeDBデータセット上のこれらの情報を考慮し、様々な分類手法を実装した。
最先端のRoBERTaモデルは、様々な分類モデルの中で73.30%の精度を示した。
論文 参考訳（メタデータ） (2020-04-26T05:40:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。