💬 NLP

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

Dit paper introduceert CARRIAGE, het eerste RAG-framework dat specifiek is ontworpen om de diversiteit van kruisculturele receptaanpassingen te maximaliseren door de beperkingen van bestaande systemen in het benutten van contextuele variatie te overwinnen.

Oorspronkelijke auteurs: Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich

Gepubliceerd 2026-04-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Kookboek van de Toekomst: Hoe AI Eten Kan Aanpassen zonder Saai te Worden

Stel je voor dat je een heerlijk Mexicaans gerecht hebt: gegrilde Nopales (een soort cactus) met een specifieke kaas en groene saus. Het is een cultureel icoon. Maar nu wil je dit gerecht serveren aan een Spaans gezin dat misschien niet van cactus houdt of andere kaas prefereren. Je wilt het gerecht aanpassen, maar je wilt ook dat het nog steeds smaakt naar het origineel en dat het past bij de Spaanse keuken.

Dit is wat onderzoekers Cross-Cultural Recipe Adaptation noemen. En in dit paper proberen ze een slimme AI (een robotkok) te bouwen die dit perfect doet. Maar ze ontdekten een groot probleem: de robot was te saai.

Hier is wat ze deden, verteld in gewone taal:

1. Het Probleem: De "Kopieer-En-Plak" Robot

De onderzoekers gebruikten een techniek genaamd RAG (Retrieval-Augmented Generation). Je kunt dit zien als een robotkok die eerst in een enorme bibliotheek van Spaanse recepten zoekt naar iets dat lijkt op jouw Mexicaanse gerecht, en dan probeert het na te maken.

Het probleem? De robot was te voorspelbaar.

De Analogie: Stel je voor dat je een vriend vraagt om drie verschillende manieren te bedenken om een pizza te maken. Maar elke keer als je het vraagt, komt hij met exact hetzelfde recept terug, zelfs als je hem drie verschillende boeken vol met pizza-ideeën hebt gegeven.
De bevinding: Zelfs als je de robot heel veel verschillende Spaanse recepten liet zien (diverse context), bleef hij maar één ding doen: het eerste beste idee dat hij zag kopiëren. Hij gebruikte niet de hele bibliotheek, maar bleef steken in één hoekje. Dit is slecht voor creativiteit.

2. De Oplossing: CARRIAGE (De Slimme Keukenassistent)

Om dit op te lossen, bedachten ze een nieuw systeem genaamd CARRIAGE. Het is een "plug-and-play" systeem, wat betekent dat je het zo op de robot kunt zetten om hem slimmer te maken.

Ze gebruikten vier slimme trucs, die je kunt vergelijken met een ervaren chef-kok die een team leidt:

De Vertaler (Query Rewriting):
Soms heet een ingrediënt in Mexico iets anders dan in Spanje. De robot zoekt vaak op de exacte naam en mist dan de juiste recepten. CARRIAGE herschrijft de zoekopdracht slim, zodat de robot ook zoekt naar "wat lijkt hierop?" in plaats van alleen "wat heet dit?".
- Analogie: In plaats van alleen te zoeken naar "Nopales", vraagt de robot ook: "Welke groenten gebruiken ze in Spanje die op cactus lijken?"
De Diversiteits-Manager (Diversity-aware Re-ranking):
Normaal gesproken pakt de robot de 5 beste resultaten die hij vindt. Maar die 5 resultaten lijken vaak op elkaar (allemaal dezelfde kaas, allemaal dezelfde saus). CARRIAGE zegt: "Wacht even, pak niet alleen de beste, maar zorg dat de 5 recepten ook verschillend zijn."
- Analogie: Als je een playlist maakt, wil je niet 5 nummers van dezelfde artiest. Je wilt een mix van rock, jazz en pop. CARRIAGE zorgt voor die mix.
De Wisselende Context (Dynamic Context Organization):
Dit is de magische truc. De robot krijgt een stapel van 5 recepten. Normaal leest hij ze allemaal op dezelfde manier. CARRIAGE zegt: "Voor het eerste recept, lees alleen de eerste twee. Voor het tweede recept, lees de middelste twee. Voor het derde, lees de laatste twee."
- Analogie: Het is alsof je een groep vrienden vraagt om een verhaal te schrijven. Je geeft de eerste persoon alleen de eerste zin, de tweede persoon alleen de tweede zin. Zo krijg je verschillende verhalen, in plaats van dat iedereen hetzelfde verhaal herschrijft.
De "Niet-Dit-Maal" Check (Contrastive Context Injection):
Als de robot al een paar keer een recept heeft bedacht, zegt CARRIAGE: "Oké, we hebben al een variant met zachte kaas. Probeer nu iets met een harde kaas, want dat hebben we nog niet gedaan."
- Analogie: Het is alsof een chef-kok zegt: "We hebben al een salade met komkommer. Laten we de volgende keer eens met avocado proberen, zodat het niet saai wordt."

3. Het Resultaat: Meer Variatie, Zonder Kwaliteitsverlies

De onderzoekers testten dit systeem en het werkte fantastisch.

Vroeger: De robot gaf je 5 recepten die bijna identiek waren.
Nu: De robot geeft je 5 recepten die allemaal anders zijn (verschillende ingrediënten, verschillende smaken), maar die allemaal nog steeds goed smaken en cultureel correct zijn.

Ze noemen dit Pareto-efficiëntie. In het kort: ze kregen het beste van twee werelden. Ze kregen meer variatie zonder dat de kwaliteit van het eten daalde.

Waarom is dit belangrijk?

Voedsel is cultuur. Als we AI gebruiken om gerechten aan te passen, willen we niet dat iedereen over de hele wereld exact hetzelfde eet. We willen dat de AI creatief is, rekening houdt met persoonlijke voorkeuren (ik hou niet van kaas, jij wel) en culturele nuances respecteert.

CARRIAGE is dus de robotkok die eindelijk leert: "Oké, ik heb veel ideeën gezien. Laten we er niet één kopiëren, maar laten we er vijf verschillende versies van maken, zodat iedereen iets lekkers kan eten."

Kortom: Ze hebben de robot leren om niet alleen een kopieur te zijn, maar een echte creatieve kok.

Probleemstelling

Het paper adresseert het probleem van kruis-culturele receptaanpassing (cross-cultural recipe adaptation). Het doel is om een recept uit een broncultuur (bijv. Latijns-Amerika) te transformeren naar een versie die past bij de culinaire normen en voorkeuren van een doelcultuur (bijv. Spanje), terwijl de essentie van het origineel behouden blijft.

Hoewel Retrieval-Augmented Generation (RAG) veelbelovend lijkt door het combineren van externe kennis (reële recepten) met de generatiemogelijkheden van Large Language Models (LLMs), bleek uit de analyse van de auteurs dat standaard RAG-frameworks falen in het genereren van diverse resultaten.

De Kernproblemen: Zelfs wanneer RAG wordt voorzien van diverse contextuele inputs (verschillende bronrecepten), neigt het model om zich te focussen op een beperkt deel van die context. Dit resulteert in uniforme outputs, zelfs als er meerdere geldige oplossingen bestaan.
De Trade-off: Bestaande methoden focussen vaak op kwaliteit of culturele geschiktheid, maar negeren de noodzaak van diversiteit om verschillende gebruikersvoorkeuren te bedienen. Er is een gebrek aan frameworks die expliciet streven naar zowel hoge kwaliteit als hoge diversiteit in creatieve taken.

Methodologie: CARRIAGE

Om deze uitdagingen aan te pakken, stellen de auteurs CARRIAGE (Cultural-Aware Recipe Retrieval Augmented Generation) voor. Dit is een plug-and-play framework dat diversiteit verbetert in zowel de zoek- (retrieval) als de generatiefase. Het framework bestaat uit vier hoofdcomponenten:

Query Rewriting (Herformulering van de Zoekopdracht):
- Om culturele verschillen in benamingen te overbruggen (bijv. verschillende namen voor hetzelfde ingrediënt), wordt de originele recepttitel herschreven.
- Dit gebeurt door de titel te regeneren op basis van de inhoud en door prompts te gebruiken die de titel cultureel aanpassen aan de doelgroep. Dit zorgt voor een bredere zoekopdracht en diverse resultaten.
Diversity-aware Re-ranking (Diversiteitsbewust Herordenen):
- Standaard retrieval rangschikt op basis van relevantie alleen, wat leidt tot zeer vergelijkbare recepten.
- CARRIAGE gebruikt een uitgebreide versie van de MMR (Maximal Marginal Relevance) methode. De rangschikkingsscore balanceert relevantie met diversiteit, waarbij rekening wordt gehouden met de gelijkenis tussen kandidaten én de gelijkenis met reeds gegenereerde recepten. Dit voorkomt dat het systeem steeds dezelfde varianten teruggeeft.
Dynamic Context Organization (Dynamische Contextorganisatie):
- Om te voorkomen dat het LLM zich vastzet op één specifiek deel van de retrieved context, wordt een schuifvenster (sliding window) toegepast.
- In plaats van alle $k$ gevonden recepten in één keer te gebruiken, worden bij elke generatie-subsequentie verschillende subsets van de context gebruikt. Dit dwingt het model om te variëren op basis van verschillende informatiesets.
Contrastive Context Injection (Contrastieve Contextinjectie):
- Om herhaling van eerdere outputs te voorkomen, worden eerdere gegenereerde recepten van dezelfde bron expliciet aan het LLM gepresenteerd als "contrast".
- Het model krijgt de instructie om resultaten te genereren die niet lijken op deze eerdere outputs, wat de algehele diversiteit van de serie verhoogt.

Belangrijkste Bijdragen

Eerste RAG-framework voor Diversiteit: Dit is het eerste RAG-framework dat expliciet is ontworpen om hoge diversiteit in outputs te genereren voor kruis-culturele taken, in plaats van alleen te focussen op nauwkeurigheid of één "beste" antwoord.
Nieuwe Evaluatiemetrics: De auteurs introduceren de Recipe Cultural Appropriateness Score (CultureScore), een automatische metric gebaseerd op een BERT-classificator om de culturele geschiktheid van een recept te beoordelen. Daarnaast worden bestaande metrics voor lexische, semantische en ingrediënt-diversiteit toegepast.
Pareto-efficiëntie: Het framework bereikt een betere balans (Pareto-efficiëntie) tussen diversiteit en kwaliteit in vergelijking met bestaande methoden.

Resultaten

De experimenten zijn uitgevoerd op het RecetasDeLaAbuel@ dataset, met recepten uit zeven Latijns-Amerikaanse landen die worden aangepast aan Spaanse voorkeuren.

Prestaties: CARRIAGE (gebaseerd op LLaMA 3.1 en Qwen 2.5) presteert significant beter dan gesloten-boek LLMs en standaard RAG-methoden.
Diversiteit vs. Kwaliteit: Terwijl standaard RAG vaak minder divers is dan gesloten-boek LLMs (ondanks diverse inputs), slaagt CARRIAGE erin om zowel de diversiteit (lexicaal, semantisch, ingrediënten) als de culturele geschiktheid te maximaliseren zonder de kwaliteit (behoud van het origineel) te veel te laten dalen.
Contextgebruik: Analyse toont aan dat standaard RAG in ~76% van de gevallen slechts op 1 of 2 contextrecepten leunt. CARRIAGE verhoogt dit naar een gemiddeld gebruik van meer contextbronnen (een toename van >40% in de diversiteit van het contextgebruik).
Correlaties: Er is een sterke positieve correlatie gevonden tussen diversiteit en culturele geschiktheid, terwijl behoud van het origineel een negatieve correlatie heeft met diversiteit (een onvermijdelijke trade-off).

Betekenis en Impact

Dit onderzoek is significant omdat het een fundamentele beperking van RAG in creatieve taken blootlegt: het vermogen om contextuele diversiteit te benutten voor diverse outputs is niet inherent aanwezig.

Vooruitgang in Generatieve AI: Het paper biedt een blauwdruk voor het verbeteren van diversiteit in generatieve modellen door de pipeline (retrieval, ranking, context-organizing) te optimaliseren, niet alleen door de generatieparameters (zoals temperatuur) aan te passen.
Toepassing: De methode is toepasbaar op elk domein waar meerdere geldige antwoorden mogelijk zijn en waar culturele of persoonlijke nuance belangrijk is (bijv. creatief schrijven, personalisatie van diensten).
Toekomstperspectief: Het werk legt de basis voor verder onderzoek naar "cultuurbewuste" en creativiteitsgedreven tekstgeneratie, hoewel de auteurs erkennen dat uitbreiding naar meer talen en culturen en menselijke evaluaties noodzakelijk zijn voor toekomstige studies.