論文の概要: Ingredient Extraction from Text in the Recipe Domain
- arxiv url: http://arxiv.org/abs/2204.08137v1
- Date: Mon, 18 Apr 2022 02:54:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 23:28:53.675336
- Title: Ingredient Extraction from Text in the Recipe Domain
- Title（参考訳）: レシピ領域におけるテキストからの成分抽出
- Authors: Arkin Dharawat and Chris Doan
- Abstract要約: 本研究の目的は,このような平文ユーザ発話から成分を抽出することである。
私たちの最高のパフォーマンスモデルは細調整のBERTで、F1スコアは95.01ドルでした。
私たちはすべてのコードをGitHubリポジトリにリリースしました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, there has been an increase in the number of devices with
virtual assistants (e.g: Siri, Google Home, Alexa) in our living rooms and
kitchens. As a result of this, these devices receive several queries about
recipes. All these queries will contain terms relating to a "recipe-domain"
i.e: they will contain dish-names, ingredients, cooking times, dietary
preferences etc. Extracting these recipe-relevant aspects from the query thus
becomes important when it comes to addressing the user's information need. Our
project focuses on extracting ingredients from such plain-text user utterances.
Our best performing model was a fine-tuned BERT which achieved an F1-score of
$95.01$. We have released all our code in a GitHub repository.
- Abstract（参考訳）: 近年、リビングルームやキッチンで仮想アシスタント(Siri、Google Home、Alexaなど)を搭載したデバイスが増えています。
その結果、これらのデバイスはレシピに関するいくつかのクエリを受け取ります。
これらのクエリには、料理名、食材、調理時間、食事の嗜好など"レシピドメイン"に関する用語が含まれている。
これにより、ユーザの情報ニーズに対処する上で、これらのレシピ関連アスペクトをクエリから抽出することが重要になる。
本プロジェクトは,このような平文ユーザの発話から成分を抽出することに焦点を当てている。
私たちの最高のパフォーマンスモデルは細調整のBERTで、F1スコアは95.01ドルでした。
私たちはすべてのコードをGitHubリポジトリにリリースしました。
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) - Large Language Models as Sous Chefs: Revising Recipes with GPT-3 [56.7155146252028]
我々は、複雑で多様で広く使われている指示の例としてレシピに焦点を当てている。
我々は、レシピと材料リストに基づいたプロンプトを開発し、レシピをより単純なステップに分解する。
また,レシピリビジョンの品質の人的判断を収集しながら,疲労軽減を念頭に設計したAmazon Mechanical Turkタスクにも貢献する。
論文 参考訳（メタデータ） (2023-06-24T14:42:43Z) - Predefined domain specific embeddings of food concepts and recipes: A
case study on heterogeneous recipe datasets [0.0]
レシピデータセットは通常、ユーザーがレシピを投稿して公開するソーシャルメディアウェブサイトから収集される。
6つの異なるレシピデータセットを公開し、異なるフォーマットで収集します。
栄養予測のために機械学習(ML)パイプラインを適用するために必要なフォーマットにこれらのデータセットをすべて導入する。
論文 参考訳（メタデータ） (2023-02-02T10:49:06Z) - 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) - Attention-based Ingredient Phrase Parser [3.499870393443268]
そこで本研究では,レシピの成分句を構造体にパースし,その属性を0.93F1スコア以上で解析できる新しい成分解析モデルを提案する。
実験の結果,AllRecipesとFood.comのデータセット上での最先端のパフォーマンスが得られた。
論文 参考訳（メタデータ） (2022-10-05T20:09:35Z) - Cross-lingual Adaptation for Recipe Retrieval with Mixup [56.79360103639741]
近年,大規模なペアリングデータの提供により,クロスモーダルなレシピ検索が研究の注目を集めている。
本稿では,ソース領域とターゲット領域のレシピが異なる言語で作成される画像からレシピ検索のための教師なし領域適応について検討する。
2つの領域間の移動可能な埋め込み特徴を学習するために,新しいレシピ・ミックスアップ法を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:04:39Z) - 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) - A Rich Recipe Representation as Plan to Support Expressive Multi Modal
Queries on Recipe Content and Preparation Process [24.94173789568803]
機械理解可能なリッチレシピ表現(R3)の構築について論じる。
R3には、アレルゲンに関する情報や成分のイメージなどの追加の知識が注がれている。
また,レシピ検索ツールであるTREATをR3を用いて,レシピの内容に対するマルチモーダル推論を行う。
論文 参考訳（メタデータ） (2022-03-31T15:29:38Z) - 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) - A Recipe for Creating Multimodal Aligned Datasets for Sequential Tasks [48.39191088844315]
調理領域では、ウェブは、同じ料理を作る方法を記述したテキストとビデオのレシピを多数提供している。
我々は、同じ料理の異なるレシピの指示間のペアワイズアライメントを学習する教師なしアライメントアルゴリズムを使用する。
次に、グラフアルゴリズムを用いて、同じ料理のための複数のテキストと複数のビデオレシピの協調的なアライメントを導出する。
論文 参考訳（メタデータ） (2020-05-19T17:27:00Z)
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。