論文の概要: Large Language Models as Sous Chefs: Revising Recipes with GPT-3
- arxiv url: http://arxiv.org/abs/2306.13986v1
- Date: Sat, 24 Jun 2023 14:42:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 17:39:58.617658
- Title: Large Language Models as Sous Chefs: Revising Recipes with GPT-3
- Title(参考訳): Sous Chefsとしての大規模言語モデル: GPT-3によるレシピの改訂
- Authors: Alyssa Hwang, Bryan Li, Zhaoyi Hou, Dan Roth
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 56.7155146252028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With their remarkably improved text generation and prompting capabilities,
large language models can adapt existing written information into forms that
are easier to use and understand. In our work, we focus on recipes as an
example of complex, diverse, and widely used instructions. We develop a prompt
grounded in the original recipe and ingredients list that breaks recipes down
into simpler steps. We apply this prompt to recipes from various world
cuisines, and experiment with several large language models (LLMs), finding
best results with GPT-3.5. We also contribute an Amazon Mechanical Turk task
that is carefully designed to reduce fatigue while collecting human judgment of
the quality of recipe revisions. We find that annotators usually prefer the
revision over the original, demonstrating a promising application of LLMs in
serving as digital sous chefs for recipes and beyond. We release our prompt,
code, and MTurk template for public use.
- Abstract(参考訳): 大幅に改善されたテキスト生成とプロンプト機能により、大きな言語モデルは、既存の記述された情報を、使いやすく理解しやすい形式に適応させることができる。
私たちの研究では、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ます。
レシピをより簡単なステップに分解する,オリジナルのレシピと材料リストに基づくプロンプトを開発した。
このプロンプトを様々な世界料理のレシピに適用し、いくつかの大規模言語モデル(LLM)を用いて実験し、GPT-3.5で最良の結果を得た。
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,疲労を軽減するために慎重に設計されたAmazon Mechanical Turkタスクにも貢献する。
注釈家は通常、オリジナルのリビジョンを好み、レシピなどのデジタルソースシェフとしてllmの有望な応用を実証している。
プロンプト、コード、mturkテンプレートを公開して公開しています。
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) - PizzaCommonSense: Learning to Model Commonsense Reasoning about Intermediate Steps in Cooking Recipes [7.839338724237275]
レシピを効果的に推論するモデルは、レシピ内の中間ステップの入力と出力を正確に識別し、理解する必要がある。
そこで本研究では,各工程の入力と出力を記述した中間ステップを記述した料理レシピの新たなコーパスを提案する。
論文 参考訳(メタデータ) (2024-01-12T23:33:01Z) - Monte Carlo Tree Search for Recipe Generation using GPT-2 [0.8057006406834466]
モンテカルロ木探索(MCTS)を利用したGPT-2を用いたテキスト生成手法であるRecipeMCを提案する。
RecipeMCにより、報酬関数を定義し、テキスト生成にソフト制約を課し、生成したレシピの信頼性を向上させることができる。
以上の結果から,ヒト評価者はRecipeMCで生成したレシピを,他のベースライン法で生成したレシピよりも好んでいることがわかった。
論文 参考訳(メタデータ) (2024-01-10T14:50:46Z) - 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) - Recitation-Augmented Language Models [85.30591349383849]
知識集約型NLPタスクにおいて,RECITEは強力なパラダイムであることを示す。
具体的には、リサイクリングを中間ステップとして活用することにより、新しい最先端性能を実現することができることを示す。
論文 参考訳(メタデータ) (2022-10-04T00:49:20Z) - 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) - 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)
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。