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

1. Problématique et Contexte

L'adaptation interculturelle de recettes vise à transformer une recette d'une culture source en une version adaptée aux normes culinaires et aux préférences alimentaires d'une culture cible, tout en préservant l'essence du plat original. Bien que des travaux antérieurs se soient concentrés sur la qualité et l'adéquation culturelle de ces adaptations, ils ont négligé un aspect crucial : la diversité des résultats.

Les auteurs identifient un problème majeur : les modèles de langage (LLM) et les cadres de Génération Augmentée par Récupération (RAG) standards ont tendance à produire des sorties peu variées, même lorsqu'ils sont alimentés par des contextes diversifiés.

• Le constat : Un cadre RAG standard, même avec des entrées contextuelles variées, échoue à générer des adaptations multiples et distinctes. Il tend à se focaliser sur une petite portion du contexte, ignorant la diversité potentielle des options de substitution d'ingrédients ou de techniques.
• L'enjeu : Comment concevoir un système capable de générer non seulement des recettes culturellement appropriées et de haute qualité, mais aussi un éventail diversifié d'options pour répondre aux préférences variées des utilisateurs ?

2. Méthodologie : Le Framework CARRIAGE

Pour répondre à ce défi, les auteurs proposent CARRIAGE (Cultural-Aware Recipe Retrieval Augmented Generation), un cadre RAG « plug-and-play » conçu pour améliorer la diversité à la fois au niveau de la récupération et de l'organisation du contexte. CARRIAGE est un cadre sans entraînement (training-free) qui intègre quatre composants clés pour surmonter les limitations identifiées (C1 à C4) :

1. Réécriture de requête (Query Rewriting) :

   • Objectif : Combler les écarts sémantiques causés par les différences culturelles (ex: noms d'ingrédients différents).
   • Mécanisme : Au lieu d'utiliser uniquement le titre original, le système régénère le titre de la recette en fonction du contenu et le réadapte culturellement pour la culture cible. Cela permet de récupérer des recettes pertinentes qui auraient été manquées par une recherche littérale.

2. Reclassement conscient de la diversité (Diversity-aware Re-ranking) :

   • Objectif : Éviter de récupérer des recettes trop similaires entre elles.
   • Mécanisme : Une extension de l'algorithme MMR (Maximal Marginal Relevance). La fonction de score équilibre la pertinence par rapport à la requête et la dissimilarité par rapport aux documents déjà sélectionnés, ainsi qu'à l'historique des recettes générées précédemment par le modèle. Cela garantit que le contexte fourni au LLM est intrinsèquement diversifié.

3. Organisation dynamique du contexte (Dynamic Context Organization) :

   • Objectif : Empêcher le LLM de se focaliser toujours sur les mêmes segments du contexte.
   • Mécanisme : Utilisation d'une fenêtre glissante sur l'ensemble des recettes récupérées. Pour chaque génération (itération), un sous-ensemble différent de recettes contextuelles est fourni au LLM. Cela force le modèle à explorer différentes combinaisons d'informations contextuelles pour produire des sorties variées.

4. Injection de contexte contrastif (Contrastive Context Injection) :

   • Objectif : Éviter la répétition de sorties lors de multiples générations pour la même requête.
   • Mécanisme : Le système injecte explicitement dans le prompt les recettes déjà générées précédemment pour cette même source, en demandant au LLM d'éviter de produire des résultats similaires. Cela agit comme un signal explicite pour encourager l'exploration de nouvelles options.

3. Contributions Clés

• Première exploration du RAG pour la diversité culinaire : Les auteurs sont les premiers à explorer l'utilisation du RAG pour intégrer des références culturelles tout en visant explicitement la génération de sorties hautement diversifiées.
• Nouvelle métrique d'évaluation : Introduction du Recipe Cultural Appropriateness Score (CultureScore), une métrique automatique basée sur un classifieur BERT pour évaluer à quel point une recette générée correspond aux normes de la culture cible (ici, l'adaptation des recettes latino-américaines vers l'Espagne).
• Framework CARRIAGE : Un système modulaire qui démontre une efficacité de Pareto, surpassant les méthodes de base en équilibrant diversité et qualité.

4. Résultats Expérimentaux

Les expériences ont été menées sur le jeu de données RecetasDeLaAbuel@, en adaptant des recettes de 7 pays latino-américains vers la culture espagnole.

• Comparaison avec les LLMs en livre fermé (Closed-book) :
  • Les LLMs standards (Llama3.1, Qwen2.5, Gemma2) génèrent des recettes culturellement moins appropriées et moins diversifiées.
  • CARRIAGE (basé sur LLaMA3.1) atteint une efficacité de Pareto supérieure, signifiant qu'il obtient simultanément de meilleurs scores de diversité et de qualité (préservation de la recette source et adéquation culturelle) que les LLMs seuls.
• Comparaison avec les approches IR et RAG standards :
  • Les méthodes IR (Information Retrieval) pures préservent mal la recette source.
  • Les cadres RAG standards (Vanilla RAG) échouent à exploiter la diversité du contexte : même avec des entrées variées, ils produisent des sorties peu diversifiées.
  • CARRIAGE résout ce problème : l'analyse montre que l'utilisation du contexte diversifié par le modèle passe de < 7% (RAG standard) à plus de 40% avec CARRIAGE.
• Analyse de corrélation :
  • Une corrélation positive forte existe entre la diversité et l'adéquation culturelle.
  • En revanche, la préservation stricte de la recette source est en corrélation négative avec la diversité (plus on s'éloigne de l'original pour s'adapter culturellement, plus la diversité augmente).

5. Signification et Impact

Ce travail met en lumière une limitation fondamentale des cadres RAG actuels dans les tâches créatives à réponses multiples : la simple disponibilité d'un contexte diversifié ne garantit pas une génération diverse. Le modèle a tendance à ignorer la diversité contextuelle.

CARRIAGE démontre que des stratégies actives d'organisation du contexte et d'injection de signaux contrastifs sont nécessaires pour libérer le potentiel créatif des LLMs.

• Pour la recherche : Cela ouvre la voie à de nouvelles approches en génération de texte créatif et culturellement conscient, au-delà des simples tâches de réponse à des questions factuelles.
• Pour l'application : Le système permet de proposer aux utilisateurs une gamme plus large d'options culinaires adaptées à leurs préférences spécifiques, tout en respectant les traditions culturelles, ce qui est essentiel pour des applications de cuisine personnalisée et inclusive.

En conclusion, l'article établit que pour réussir l'adaptation interculturelle créative, il ne suffit pas de récupérer de l'information ; il faut structurer activement cette information pour forcer le modèle à explorer l'espace des solutions possibles.