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

1. El Problema

La adaptación de recetas intercultural consiste en transformar una receta de una cultura fuente (ej. México) a una cultura objetivo (ej. España), preservando la esencia del plato original pero ajustándose a las normas culinarias y preferencias dietéticas locales.

El artículo identifica un problema crítico en los enfoques actuales:

• Falta de Diversidad: Aunque los modelos de lenguaje grandes (LLMs) y los sistemas de Recuperación Aumentada por Generación (RAG) pueden generar recetas culturalmente apropiadas, tienden a producir resultados muy similares entre sí, incluso cuando se les proporcionan contextos diversos.
• Limitación del RAG Estándar: Se descubrió que los marcos RAG estándar, a pesar de recuperar información variada, no logran aprovechar esa diversidad contextual para generar salidas diversas. El modelo tiende a ignorar gran parte del contexto recuperado y se centra en los mismos segmentos, resultando en una baja diversidad de salida.
• Compensación (Trade-off): Existe una tensión entre la calidad (preservación de la receta original y adecuación cultural) y la diversidad (ofrecer múltiples opciones válidas). Los métodos existentes suelen priorizar la calidad o la recuperación de información, pero fallan en equilibrar ambos aspectos para tareas creativas con múltiples respuestas correctas.

2. Metodología: CARRIAGE

Para abordar estos desafíos, los autores proponen CARRIAGE (Cultural-Aware Recipe Retrieval Augmented Generation), un marco RAG "plug-and-play" (sin necesidad de entrenamiento adicional) diseñado específicamente para mejorar la diversidad en la generación de recetas.

El sistema opera en cuatro etapas clave para introducir diversidad en cada paso:

1. Reescritura de Consultas (Query Rewriting):

   • Objetivo: Superar las brechas semánticas causadas por diferencias culturales (ej. nombres de ingredientes distintos).
   • Mecanismo: Se regeneran los títulos de las recetas basándose en el contenido y se adaptan culturalmente para el público objetivo antes de la recuperación. Esto permite recuperar recetas que son conceptualmente similares pero nombradas de forma diferente.

2. Reordenamiento Consciente de la Diversidad (Diversity-aware Re-ranking):

   • Objetivo: Evitar recuperar recetas demasiado similares entre sí.
   • Mecanismo: Se extiende el algoritmo clásico MMR (Maximal Marginal Relevance). La función de puntuación no solo considera la relevancia del documento con la consulta, sino también su similitud con los documentos ya seleccionados y con el historial de recetas generadas previamente por el modelo. Esto fuerza a la recuperación de opciones variadas.

3. Organización Dinámica del Contexto (Dynamic Context Organization):

   • Objetivo: Forzar al LLM a utilizar diferentes partes del contexto recuperado en cada generación.
   • Mecanismo: En lugar de presentar todas las recetas recuperadas de una vez, se utiliza una ventana deslizante sobre el conjunto de recetas recuperadas. En cada intento de generación, se presenta un subconjunto diferente de recetas al modelo, incentivando que la salida varíe según la información contextual disponible en ese momento.

4. Inyección de Contexto Contrastivo (Contrastive Context Injection):

   • Objetivo: Prevenir la repetición de salidas en iteraciones sucesivas.
   • Mecanismo: El sistema recupera las salidas generadas previamente por el LLM para la misma receta fuente e inyecta esta información como un "contexto contrastivo". Se le instruye explícitamente al modelo que evite generar resultados similares a los anteriores, promoviendo así una mayor variedad global.

3. Contribuciones Clave

• Primer marco RAG para diversidad: Es el primer trabajo que explora explícitamente el uso de RAG para integrar referencias culturales y generar salidas altamente diversas en la adaptación de recetas.
• Nueva Métrica Automática: Proponen el CultureScore (Puntuación de Adecuación Cultural de Recetas), un clasificador basado en BERT que evalúa qué tan bien una receta generada se alinea con la cultura objetivo (distinguiendo, por ejemplo, entre cocina latinoamericana y española basándose en ingredientes y estilo, no solo en el idioma).
• Análisis de Limitaciones del RAG: Demuestran empíricamente que el RAG estándar falla en tareas creativas con múltiples respuestas válidas, ya que no aprovecha la diversidad del contexto recuperado.
• Eficiencia de Pareto: CARRIAGE logra un equilibrio superior entre diversidad y calidad en comparación con LLMs de "libro cerrado" (sin recuperación) y otros marcos RAG.

4. Resultados Experimentales

Los experimentos se realizaron utilizando el conjunto de datos RecetasDeLaAbuel@ (recetas en español de América Latina y España).

• Rendimiento General: CARRIAGE (específicamente con LLaMA 3.1) superó a todos los LLMs de libro cerrado y a los marcos RAG baselines en términos de eficiencia de Pareto. Esto significa que logró mejorar la diversidad sin sacrificar significativamente la calidad (preservación de la receta original y adecuación cultural).
• Diversidad de Ingredientes y Semántica: El método propuesto mostró aumentos significativos en la diversidad léxica, semántica y de ingredientes en comparación con los baselines.
• Uso del Contexto: Un hallazgo crucial fue que el RAG estándar utiliza solo 1 o 2 recetas del contexto recuperado en el 76% de las generaciones. CARRIAGE, gracias a su organización dinámica, aumentó el uso diversificado del contexto en más del 40%.
• Correlaciones: Se encontró una correlación positiva entre la diversidad y la adecuación cultural, pero una correlación negativa entre la preservación estricta de la receta original y la diversidad (a mayor fidelidad al original, menor capacidad de adaptación cultural y diversidad).

5. Significado e Impacto

• Avance en Generación Creativa: El trabajo demuestra que para tareas creativas con múltiples respuestas válidas, la simple recuperación de información diversa no es suficiente; se necesitan mecanismos explícitos para forzar la variación en la generación y la organización del contexto.
• Aplicabilidad Cultural: Ofrece una solución práctica para la localización de contenido culinario, permitiendo a los usuarios obtener múltiples opciones adaptadas a sus preferencias dietéticas y culturales, en lugar de una única respuesta estandarizada.
• Dirección Futura: Establece una base para futuras investigaciones en generación de texto culturalmente consciente y creativa, sugiriendo que los enfoques RAG deben evolucionar más allá de la búsqueda de "la respuesta correcta" hacia la generación de "un conjunto diverso de respuestas válidas".

En resumen, CARRIAGE resuelve la limitación de los sistemas RAG actuales de "pensar igual" al proporcionar una estructura que obliga al modelo a explorar activamente diferentes caminos culturales y culinarios, logrando un equilibrio óptimo entre fidelidad cultural, calidad y variedad.