論文の概要: Learning to Substitute Ingredients in Recipes
- arxiv url: http://arxiv.org/abs/2302.07960v1
- Date: Wed, 15 Feb 2023 21:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 15:49:10.617085
- Title: Learning to Substitute Ingredients in Recipes
- Title(参考訳): レシピ中の材料を代用する学習
- Authors: Bahare Fatemi, Quentin Duval, Rohit Girdhar, Michal Drozdzal, Adriana
Romero-Soriano
- Abstract要約: 食材代替によるパーソナライゼーションは、食生活のニーズや嗜好を満たすこと、潜在的なアレルゲンを避けること、およびすべての台所での料理探索を容易にする可能性がある。
標準化された分割、評価指標、ベースラインを備えた置換ペアのデータセットで構成されたベンチマークを構築します。
Ingredient Substitution Module (GISMo) は、レシピのコンテキストと、グラフ内にエンコードされた一般的な成分関係情報を利用して、妥当な代替品のランク付けを行う新しいモデルである。
我々は、GISMoが平均的相互ランクにおいて、最高のパフォーマンスベースラインをはるかに上回っているという総合的な実験的検証を通して示す。
- 参考スコア(独自算出の注目度): 15.552549060863523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recipe personalization through ingredient substitution has the potential to
help people meet their dietary needs and preferences, avoid potential
allergens, and ease culinary exploration in everyone's kitchen. To address
ingredient substitution, we build a benchmark, composed of a dataset of
substitution pairs with standardized splits, evaluation metrics, and baselines.
We further introduce Graph-based Ingredient Substitution Module (GISMo), a
novel model that leverages the context of a recipe as well as generic
ingredient relational information encoded within a graph to rank plausible
substitutions. We show through comprehensive experimental validation that GISMo
surpasses the best performing baseline by a large margin in terms of mean
reciprocal rank. Finally, we highlight the benefits of GISMo by integrating it
in an improved image-to-recipe generation pipeline, enabling recipe
personalization through user intervention. Quantitative and qualitative results
show the efficacy of our proposed system, paving the road towards truly
personalized cooking and tasting experiences.
- Abstract(参考訳): 成分置換によるレシピのパーソナライズは、食事のニーズや好みを満たし、アレルゲンの可能性を回避し、全員の台所で料理の探索を容易にする。
成分置換に対処するため,標準スプリット,評価指標,ベースラインを備えた置換ペアのデータセットからなるベンチマークを構築した。
さらに、グラフ内で符号化された一般的な成分関係情報とともに、レシピのコンテキストを活用する新しいモデルであるグラフベースのIngredient Substitution Module (GISMo)を導入する。
我々は、GISMoが平均的相互ランクにおいて、最高のパフォーマンスベースラインを超えるという総合的な実験的検証を通して示す。
最後に、GISMoを改良された画像合成パイプラインに統合し、ユーザ介入によるレシピのパーソナライズを可能にすることにより、GISMoのメリットを強調した。
定量的・定性的な結果は,本システムの有効性を示し,真のパーソナライズされた調理と味覚体験への道を開く。
関連論文リスト
- FIRE: Food Image to REcipe generation [11.214936422138742]
フードコンピューティングは、食品画像のレシピ情報を自律的に生成できるエンドツーエンドのインテリジェントシステムを開発することを目的としている。
本稿では,食品コンピューティング分野におけるレシピ生成に適した新しい手法であるFIREを提案する。
本稿では、FIREと大規模言語モデルのプロンプトを統合することの恩恵を享受できる2つの実用的なアプリケーションを紹介する。
論文 参考訳(メタデータ) (2023-08-28T08:14:20Z) - 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) - RecipeMind: Guiding Ingredient Choices from Food Pairing to Recipe
Completion using Cascaded Set Transformer [15.170251924099807]
RecipeMindは、食品親和性スコア予測モデルであり、他の成分セットに材料を追加することの適合性を定量化する。
食品親和性スコア予測におけるレシピミンドの学習・評価のために, 成分共起に基づくスコアを含む大規模データセットを構築した。
論文 参考訳(メタデータ) (2022-10-14T06:35:49Z) - RecipeRec: A Heterogeneous Graph Learning Model for Recipe
Recommendation [26.84274830886026]
我々は,レシピレコメンデーションに協調的なシグナルを組み込むために,グラフを用いてレシピレコメンデーションの問題を定式化する。
最初に、リレーショナルグラフ(Relational-Graph)を提示する。
次にレシピ推薦のための新しい異種グラフ学習モデルであるRecipeRecを提案する。
論文 参考訳(メタデータ) (2022-05-24T22:19:53Z) - 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) - 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) - 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) - A Named Entity Based Approach to Model Recipes [9.18959130745234]
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。
論文 参考訳(メタデータ) (2020-04-25T16:37:26Z) - Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images
and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。
本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。
食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
論文 参考訳(メタデータ) (2020-03-09T07:41:17Z)
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。