💬 NLP

Culinary Crossroads: A RAG Framework for Enhancing Diversity in Cross-Cultural Recipe Adaptation

Die Arbeit stellt CARRIAGE vor, ein RAG-Framework, das durch verbesserte Abruf- und Kontextorganisationsstrategien die Vielfalt bei der kulturellen Anpassung von Rezepten erhöht und dabei sowohl Diversität als auch Qualität optimiert.

Ursprüngliche Autoren: Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich

Veröffentlicht 2026-04-21

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Kulinarische Kreuzungen: Wie man Rezepte kulturell wandelt, ohne langweilig zu werden

Stellen Sie sich vor, Sie sind ein genialer Koch, der ein traditionelles mexikanisches Gericht – sagen wir, gegrillte Kaktusblätter mit Käse – für ein spanisches Publikum neu interpretieren soll. Das Ziel ist nicht, das Gericht einfach zu übersetzen, sondern es so anzupassen, dass es sich in Spanien „zu Hause" fühlt, aber trotzdem den Geist des Originals bewahrt.

Das Problem? Wenn man einem Computer (einer Künstlichen Intelligenz) sagt: „Mach das!", neigt er dazu, immer die gleiche Lösung zu finden. Er wird vielleicht fünfmal hintereinander fast identische Gerichte vorschlagen, obwohl es Dutzende verschiedene Möglichkeiten gäbe.

Hier kommt die neue Forschung von Tianyi Hu und seinem Team ins Spiel. Sie haben ein neues System namens CARRIAGE entwickelt, das wie ein cleverer Sous-Chef funktioniert, der sicherstellt, dass das Menü vielfältig bleibt.

Hier ist die Erklärung in einfachen Worten:

1. Das Problem: Der „blinde Fleck" der KI

Normalerweise nutzen KI-Modelle für solche Aufgaben zwei Dinge:

RAG (Retrieval-Augmented Generation): Das ist wie ein Bibliothekar, der echte Rezepte aus Spanien heraussucht, damit die KI sich daran orientieren kann.
LLM (Large Language Model): Das ist der „Koch", der das neue Rezept schreibt.

Die Forscher haben eine überraschende Entdeckung gemacht: Selbst wenn der Bibliothekar (RAG) dem Koch viele verschiedene spanische Rezepte vorlegt, schreibt der Koch trotzdem immer wieder das gleiche Gericht.

Die Analogie: Stellen Sie sich vor, Sie geben einem Schüler fünf verschiedene Kochbücher. Wenn Sie ihn bitten, ein neues Rezept zu erfinden, blättert er in allen fünf Büchern, ignoriert aber fast alles und kopiert nur die eine Seite, die ihm am vertrautesten vorkommt. Er nutzt die Vielfalt der Bücher nicht aus.

2. Die Lösung: CARRIAGE (Der clevere Küchenchef)

Das Team hat CARRIAGE erfunden. Man kann es sich wie einen sehr organisierten Küchenchef vorstellen, der vier Tricks anwendet, um Langeweile zu verhindern:

Trick 1: Die Frage umformulieren (Query Rewriting)
Statt nur „Kaktusrezept" zu suchen, fragt das System auch: „Wie nennt man Kaktus in Spanien?" oder „Welche spanischen Gemüse passen hierher?". So findet es mehr verschiedene Ideen, die auf den ersten Blick anders aussehen, aber zum gleichen Ziel führen.
- Vergleich: Statt nur nach „Pizza" zu suchen, fragt man auch nach „Fladenbrot mit Tomaten", um mehr Optionen zu finden.
Trick 2: Die Auswahl diversifizieren (Diversity-aware Re-ranking)
Wenn der Bibliothekar 100 Rezepte findet, wählt er nicht einfach die 5 besten aus. Er wählt die 5 verschiedenartigsten aus. Er stellt sicher, dass nicht alle 5 Rezepte genau das gleiche Gemüse verwenden.
- Vergleich: Ein DJ, der nicht nur die 5 gleichen Hits abspielt, sondern eine Mischung aus Jazz, Rock und Pop wählt, damit die Party abwechslungsreich bleibt.
Trick 3: Das Menü neu ordnen (Dynamic Context Organization)
Das ist der wichtigste Trick. Wenn der Koch fünf Rezepte vor sich hat, gibt ihm CARRIAGE nicht jedes Mal alle fünf. Stattdessen zeigt er ihm beim ersten Versuch nur Rezepte A, B und C. Beim zweiten Versuch nur B, D und E.
- Vergleich: Ein Lehrer, der einem Schüler jeden Tag nur andere Kapitel aus einem Buch zeigt, damit der Schüler verschiedene Teile des Stoffes lernt und nicht immer nur das Gleiche auswendig lernt.
Trick 4: Der „Nicht-das-Gleiche"-Hinweis (Contrastive Context Injection)
Das System sagt dem Koch: „Hey, du hast gerade schon ein Rezept mit Zucchini vorgeschlagen. Versuche diesmal etwas anderes, vielleicht mit Aubergine!"
- Vergleich: Ein Regisseur, der einem Schauspieler sagt: „Das war gut, aber jetzt versuche es noch einmal, aber diesmal ganz anders!"

3. Das Ergebnis: Mehr Vielfalt ohne Qualitätsverlust

Die Forscher haben getestet, ob CARRIAGE wirklich funktioniert.

Früher: KI-Modelle waren entweder sehr kreativ (aber die Rezepte schmeckten komisch oder passten nicht zur Kultur) ODER sie waren sehr sicher (passten perfekt zur Kultur, aber waren alle gleich langweilig).
Mit CARRIAGE: Das System schafft es, beides zu haben. Es liefert Rezepte, die kulturell perfekt passen (z. B. nutzen sie spanische Zutaten), aber jedes einzelne Rezept sieht anders aus und bietet eine andere Geschmacksvielfalt.

Warum ist das wichtig?

Essen ist nicht nur Nahrung; es ist Kultur, Geschichte und Persönlichkeit. Wenn wir KI nutzen, um Gerichte anzupassen, wollen wir nicht nur ein perfektes Rezept, sondern eine Palette an Möglichkeiten, damit jeder Mensch das finden kann, was ihm schmeckt.

CARRIAGE zeigt uns, dass KI nicht nur „klug" sein muss, sondern auch „kreativ" und „vielfältig" denken lernen muss. Es ist wie der Unterschied zwischen einem Roboter, der immer das gleiche Sandwich macht, und einem echten Koch, der jeden Tag eine neue, überraschende Kreation zaubert – und das alles, während er die Regeln der Küche respektiert.

Zusammenfassend: Das Team hat einen neuen „Koch-Assistenten" gebaut, der sicherstellt, dass KI beim Erfinden von Gerichten nicht in eine Routine verfällt, sondern die volle Vielfalt der kulinarischen Welt nutzt.

1. Problemstellung

Das Paper adressiert die Herausforderung der kulturspezifischen Rezeptanpassung (Cross-Cultural Recipe Adaptation). Das Ziel ist es, ein Rezept aus einer Quellkultur so zu transformieren, dass es die Essenz des Originals bewahrt, aber gleichzeitig den kulinarischen Normen und Ernährungspräferenzen einer Zielkultur entspricht.

Ein zentrales Problem, das die Autoren identifizieren, ist die mangelnde Vielfalt (Diversity) in den Ausgaben bestehender Modelle:

Kulturelle Angemessenheit vs. Vielfalt: Während die kulturelle Anpassung wichtig ist, müssen auch verschiedene persönliche Präferenzen bedient werden. Ein adaptiertes Rezept sollte nicht nur eine einzige „korrekte" Version sein, sondern mehrere plausible Varianten bieten.
Limitierung von RAG: Die Autoren stellen fest, dass herkömmliche Retrieval-Augmented Generation (RAG)-Frameworks, obwohl sie diverse Kontexte (Rezepte aus der Zielkultur) bereitstellen, nicht in der Lage sind, diese Vielfalt in die Ausgabe zu übertragen. Stattdessen neigen RAG-Modelle dazu, sich auf einen kleinen Teil des Kontexts zu stützen und generieren weniger diverse Ergebnisse als geschlossene LLMs (Closed-Book), selbst wenn ihnen diverse Eingaben zur Verfügung stehen.
Forschungsfragen: Kann ein Standard-RAG diverse Outputs generieren? Wie misst man Qualität und Vielfalt? Wie kann ein Framework beides optimieren?

2. Methodik: CARRIAGE

Um diese Probleme zu lösen, stellen die Autoren CARRIAGE (Cultural-Aware Recipe Retrieval Augmented Generation) vor. Dies ist ein plug-and-play Framework, das keine Nachtrainierung des LLM erfordert, sondern die Vielfalt in den Phasen des Retrievals und der Kontextorganisation erhöht.

Das Framework besteht aus vier Hauptkomponenten, die spezifische Schwachstellen (C1–C4) adressieren:

Query Rewriting (Abfrage-Umschreibung):
- Ziel: Überwindung semantischer Lücken durch kulturelle Namensunterschiede (z. B. unterschiedliche Bezeichnungen für ähnliche Zutaten).
- Umsetzung: Das Original-Rezept wird umgeschrieben, um kulturell angepasste Titel zu generieren, was eine breitere und diversere Suche im Retrieval-Corpus ermöglicht.
Diversity-aware Re-ranking (Vielfaltsbewusstes Neu-Ranking):
- Ziel: Vermeidung von zu ähnlichen Suchergebnissen im Retrieval.
- Umsetzung: Erweiterung des klassischen MMR (Maximal Marginal Relevance) Algorithmus. Die Ranking-Funktion balanciert nicht nur die Relevanz zum Query, sondern bestraft auch die Ähnlichkeit zu bereits ausgewählten Dokumenten und zu bereits generierten Rezepten des Modells. Dies sorgt für eine diverse Auswahl an Kontexten.
Dynamic Context Organization (Dynamische Kontextorganisation):
- Ziel: Verhinderung, dass das LLM immer denselben Teil des Kontexts ignoriert oder nutzt.
- Umsetzung: Anstatt alle $k$ retrieved Rezepte gleichzeitig in den Prompt zu geben, wird ein Sliding Window verwendet. Bei jeder Generierung eines neuen Outputs wird eine andere Teilmenge der retrieved Rezepte als Kontext verwendet. Dies zwingt das Modell, sich auf unterschiedliche Informationen zu stützen.
Contrastive Context Injection (Kontrastiver Kontext-Einbau):
- Ziel: Verhinderung von Redundanz innerhalb der generierten Outputs.
- Umsetzung: Frühere Ausgaben des Modells für dasselbe Quellrezept werden als „negativer Kontext" bereitgestellt. Das Modell wird explizit angewiesen, Ergebnisse zu vermeiden, die diesen früheren Ausgaben zu ähnlich sind.

3. Wichtige Beiträge

Erste Analyse von RAG für kreative Vielfalt: Die Autoren zeigen erstmals, dass die bloße Bereitstellung diverser Kontexte für RAG nicht ausreicht, um diverse Outputs zu erzeugen, und dass Standard-RAG in kreativen Aufgaben oft weniger vielfältig ist als geschlossene LLMs.
Neue Metriken: Einführung des Recipe Cultural Appropriateness Score (CultureScore), eines automatischen Metrik-basierten Klassifikators (auf BERT-Basis), der bewertet, wie gut ein generiertes Rezept zur Zielkultur passt (z. B. spanische vs. lateinamerikanische Küche), basierend auf Zutaten und Stil statt nur Sprache.
CARRIAGE Framework: Ein trainingsfreies Framework, das Diversität sowohl im Retrieval als auch in der Generierung aktiv fördert und dabei die Pareto-Effizienz zwischen Qualität und Vielfalt erreicht.

4. Ergebnisse

Die Evaluation erfolgte auf dem Datensatz RecetasDeLaAbuel@ (spanische Rezepte), wobei Rezepte aus sieben lateinamerikanischen Ländern an spanische kulinarische Vorlieben angepasst wurden.

Pareto-Effizienz: CARRIAGE (basierend auf LLaMA 3.1 und Qwen 2.5) erreicht eine bessere Balance zwischen Vielfalt (Lexikalisch, Semantisch, Zutaten) und Qualität (Bewahrung des Originals, kulturelle Angemessenheit) als geschlossene LLMs und andere RAG-Baselines.
Vergleich mit Baselines:
- Closed-Book LLMs: Generieren oft weniger kulturell angemessene Rezepte.
- IR-Frameworks (retrieval-only): Bieten hohe kulturelle Angemessenheit, aber eine schlechte Bewahrung des Originalrezepts.
- Standard RAG: Zeigt eine geringere semantische Vielfalt als geschlossene LLMs, selbst bei hohen Temperaturen.
Kontextnutzung: Eine Analyse zeigt, dass Standard-RAG in ca. 76 % der Fälle nur 1–2 der 5 bereitgestellten Kontextrezepte nutzt. CARRIAGE erhöht die Nutzung diverser Kontexte um über 40 %, was durch die dynamische Kontextorganisation erreicht wird.
Metrik-Korrelation: Es besteht eine positive Korrelation zwischen Vielfalt und kultureller Angemessenheit, während eine negative Korrelation zur Bewahrung des Originals besteht (Trade-off).

5. Bedeutung und Ausblick

Das Paper liefert wichtige Erkenntnisse für den Bereich der kreativen Textgenerierung mit RAG. Es widerlegt die Annahme, dass mehr Kontext automatisch zu mehr Vielfalt führt, und zeigt, dass die Organisation und Nutzung des Kontexts entscheidend ist.

Anwendbarkeit: Das Framework ist nicht auf Rezepte beschränkt, sondern kann auf andere offene, kreative Aufgaben angewendet werden, bei denen multiple valide Antworten existieren (z. B. kreatives Schreiben, Design).
Zukunft: Die Autoren sehen Potenzial darin, das Framework auf weitere kulturelle Kontexte (über den spanischsprachigen Raum hinaus) und proprietäre, größere LLMs zu erweitern, sowie menschliche Evaluierungen einzubeziehen.

Zusammenfassend stellt CARRIAGE einen bedeutenden Schritt dar, um RAG-Systeme von reinen Faktenabruf-Maschinen zu Werkzeugen für kulturell sensible und kreative Vielfalt weiterzuentwickeln.