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

1. Problema e Motivação

O artigo aborda o desafio da adaptação de receitas interculturais, uma tarefa que visa transformar uma receita de uma cultura fonte (ex: México) para uma cultura alvo (ex: Espanha), preservando a essência do prato original, mas alinhando-se às normas culinárias e preferências dietéticas da cultura alvo.

O Problema Central:
Embora a adaptação cultural seja crucial, as escolhas alimentares também são moldadas por preferências pessoais, exigindo diversidade nas saídas (múltiplas variações válidas para o mesmo prato). O trabalho identifica uma limitação crítica nos sistemas atuais de Geração Aumentada por Recuperação (RAG):

• Mesmo quando fornecidos com contextos diversos (várias receitas recuperadas), os modelos RAG padrão tendem a depender excessivamente de uma pequena fração desses contextos.
• Consequentemente, eles falham em gerar saídas diversificadas, produzindo resultados menos variados do que modelos de linguagem (LLMs) que não utilizam recuperação (closed-book), mesmo com entradas contextuais variadas.
• Existe um trade-off difícil entre qualidade (preservação da receita original e adequação cultural) e diversidade (variedade de opções).

2. Metodologia: CARRIAGE

Para resolver essas limitações, os autores propõem o CARRIAGE (Cultural-Aware Recipe Retrieval Augmented Generation), um framework RAG "plug-and-play" e sem treinamento (training-free) projetado especificamente para maximizar a diversidade sem sacrificar a qualidade.

O framework opera em quatro etapas principais para combater quatro desafios identificados (C1 a C4):

1. Reescrita de Consulta (Query Rewriting) - Combate C1:

   • Para lidar com lacunas semânticas causadas por diferenças culturais (ex: nomes de ingredientes diferentes), o sistema reescreve o título da receita fonte.
   • Utiliza duas abordagens: regeneração baseada no conteúdo e adaptação cultural do título para o público-alvo. Isso recupera receitas culturalmente relevantes que seriam ignoradas por uma busca literal.

2. Reclassificação Consciente da Diversidade (Diversity-aware Re-ranking) - Combate C2:

   • Estende o algoritmo clássico MMR (Maximal Marginal Relevance).
   • A função de pontuação equilibra a relevância da receita recuperada em relação à consulta e a dissimilaridade em relação às receitas já selecionadas e às receitas geradas anteriormente pelo modelo.
   • Isso garante que o contexto recuperado seja diversificado e não apenas relevante.

3. Organização Dinâmica de Contexto - Combate C3:

   • Reconhece que LLMs tendem a focar nas mesmas partes do contexto.
   • Utiliza uma janela deslizante sobre o conjunto de receitas recuperadas. Em cada geração subsequente, o modelo recebe um subconjunto diferente das receitas recuperadas, forçando-o a utilizar informações contextuais variadas para gerar respostas distintas.

4. Injeção de Contexto Contrastivo - Combate C4:

   • Para evitar que o modelo repita saídas anteriores durante múltiplas tentativas de geração, o sistema injeta explicitamente as receitas já geradas como contexto negativo.
   • Isso sinaliza ao LLM para evitar padrões já utilizados, promovendo maior diversidade global nas respostas.

3. Métricas de Avaliação

Os autores propõem uma avaliação abrangente focada em dois eixos: Diversidade e Qualidade.

• Diversidade (por entrada):
  • Lexical: Medida via Unique-n (proporção de n-gramas únicos).
  • Semântica: Medida pela distância de cosseno entre embeddings (Sentence-BERT) das receitas geradas.
  • De Ingredientes: Razão entre ingredientes padronizados únicos e o total de ingredientes, capturando variações reais nos componentes do prato.
• Qualidade:
  • Preservação da Receita Fonte: Medida via BERTScore (similaridade com a receita original).
  • Adequação Cultural (Novidade): Introdução do CultureScore, um classificador baseado em BERT treinado para prever a origem cultural de uma receita (ex: diferenciar culinária Latina da Espanhola) com base em ingredientes e estilo, servindo como métrica automática de adequação cultural.

4. Resultados Principais

Os experimentos foram conduzidos no dataset RecetasDeLaAbuel@, adaptando receitas de 7 países latino-americanos para a culinária espanhola.

• Eficiência de Pareto: O CARRIAGE demonstrou superioridade ao alcançar uma eficiência de Pareto em relação aos LLMs fechados (closed-book). Isso significa que ele consegue melhorar a diversidade sem degradar a qualidade (ou vice-versa), enquanto outros métodos geralmente sacrificam um aspecto pelo outro.
• Desempenho do RAG Padrão: O estudo revelou que o RAG padrão, mesmo com contextos diversos e alta temperatura, gera menos diversidade semântica do que LLMs sem recuperação, confirmando a hipótese de que o RAG não aproveita bem a diversidade contextual.
• Comparação com Baselines:
  • Métodos de Information Retrieval (IR) puro preservam mal a receita original.
  • LLMs fechados têm baixa adequação cultural e diversidade.
  • O CARRIAGE superou todas as abordagens, equilibrando a preservação da receita, a adequação cultural e a diversidade de ingredientes.
• Análise de Utilização de Contexto: A análise mostrou que o RAG padrão depende de apenas 1 ou 2 receitas do contexto em ~76% das gerações. O CARRIAGE, graças à organização dinâmica, aumentou a utilização diversificada do contexto em mais de 40%.

5. Contribuições e Significância

• Primeiro Framework RAG para Diversidade: É o primeiro trabalho a propor explicitamente um framework RAG para gerar saídas altamente diversificadas em tarefas criativas com múltiplas respostas válidas.
• Novas Métricas: Introdução do CultureScore como uma métrica automática robusta para avaliar a adequação cultural em tarefas de adaptação de receitas.
• Insight sobre Limitações do RAG: O trabalho expõe uma falha fundamental nos sistemas RAG atuais: a incapacidade de traduzir a diversidade de entrada (contexto) em diversidade de saída (geração), um problema que vai além da culinária e afeta qualquer tarefa criativa baseada em RAG.
• Impacto Prático: O framework oferece uma solução escalável e sem treinamento para sistemas de recomendação culinária e assistentes de IA que precisam respeitar nuances culturais e preferências pessoais diversas.

Em resumo, o CARRIAGE demonstra que, ao reestruturar ativamente como o contexto é recuperado, organizado e injetado no modelo, é possível superar as limitações de "alucinação" e falta de variedade dos RAGs tradicionais, criando sistemas mais criativos e culturalmente sensíveis.