Epicure: Navigating the Emergent Geometry of Food Ingredient Embeddings
本文提出了 Epicure，这是一组多语言食材嵌入，基于 414 万份食谱训练而成，其利用不同的随机游走模式在食材共现与化学风味化合物的混合图谱上进行导航，从而将模型定位在食谱上下文与化学结构之间的不同光谱点上。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你有一座巨大而无形的图书馆，世界上的每一种食材都是一本书。本文的目标是绘制这座图书馆的地图，以便计算机能够理解食材之间的相互关系。
来自 KAIKAKU.AI 公司的作者们创建了一个名为 Epicure 的新地图家族。他们构建了三个略有不同的地图版本，以探究哪种组织图书馆的方式效果最佳。
以下是他们所做工作及发现成果的简明概述：
1. 旧地图的问题
在此之前，有一张名为"FlavorGraph"的著名地图。它非常出色，但也存在一些缺陷：
- 它主要以英语编写，遗漏了许多全球食谱。
- 它以固定的方式混合了两种信息（化学气味和食谱习惯），无法进行调整。
- 它的食材名称杂乱无章（例如“酸种面包卷”与单纯的“面包”）。
2. 构建新图书馆（数据）
作者们从 11 个不同的来源收集了 414 万份食谱，涵盖七种语言（包括英语、中文、俄语、西班牙语等）。
- 清理工作：他们利用人工智能清理了杂乱的食材列表。他们将书写"onion"（洋葱）或"garlic"（大蒜）的 20 万种不同方式，整理成一份包含 1,790 种食材 的干净、标准化清单。
- 化学链接：他们还将这些食材与一个化学化合物数据库（即赋予食物甜味、辛辣味或柑橘味的分子）进行了关联。
3. 三张“兄弟”地图
作者们使用完全相同的数据和计算机设置训练了三个不同的模型（地图）。唯一的区别在于它们如何遍历图书馆以学习连接关系。可以将它们想象成三位不同的导游：
- 导游 A（Cooc）：这位导游只查看食谱。如果“番茄”和“罗勒”在同一份食谱中出现，它们就是朋友。这位导游基于烹饪习惯进行学习。
- 导游 B（Chem）：这位导游只查看化学。如果“番茄”和“罗勒”共享相同的化学分子，它们就是朋友。这位导游基于风味特征进行学习。
- 导游 C（Core）：这位导游是混合体。它既查看食谱也查看化学，但它更频繁地穿梭于食谱区域。它试图融合这两个世界。
4. 地图能做什么
地图构建完成后，作者们测试了它们是否能回答烹饪问题。
A. 寻找邻居（“什么与这个搭配？”测试）
如果你问地图：“什么与鸡肉搭配？”
- 导游 A（Cooc） 会说：“大蒜、洋葱和胡萝卜。”（与鸡肉一起烹饪的东西）。
- 导游 B（Chem） 会说：“牛肉和猪肉。”（在化学上与鸡肉味道相似的东西）。
- 导游 C（Core） 会说：“猪肉和牛肉，但也包括鸡汤。”（两者的混合）。
B. “魔法指南针”（SLERP）
最令人兴奋的部分是一个名为 SLERP 的工具。想象你有一根指南针指针指向“鸡肉”。你可以将这根指针旋转到一个新的方向，比如“南亚”或“甜点”。
- 如果你将“鸡肉”旋转到 南亚 方向，地图会立即建议：咖喱叶、葫芦巴和扁豆。
- 如果你将“巧克力”旋转到 甜烘焙 方向，它会建议：香草、可可粉和咖啡。
- 用户可以控制旋转的幅度。微小的转动让你保持在原始食材附近；大幅转动则带你深入全新的风味世界。
5. 重大发现
作者们发现，“化学”导游（导游 B）实际上在寻找“辛辣”、“油腻”或“意大利风味”等清晰、独特的方向方面表现最佳。
- 类比：想象图书馆是一个房间。
- 导游 A（食谱）将书籍均匀地散布在整个房间。
- 导游 B（化学）将书籍紧密地聚类到特定的角落。
- 令人惊讶的是，这种紧密聚类的地图（导游 B）使得在概念之间（如“意大利”与“中国”）绘制直线变得更容易。事实证明，理解食物的化学特性，实际上比仅查看食谱更能帮助计算机理解食物的文化。
总结
本文介绍了 Epicure，这是一套帮助计算机理解食物的新工具。它证明，通过结合食谱习惯与化学科学，并赋予用户一个“旋钮”来控制两者所需的比重，我们可以构建一个数字厨房助手，它能够：
- 推荐搭配良好的食材。
- 通过旋转“风味旋钮”帮助你探索新的菜系。
- 理解“鸡肉”可以是“西式晚餐”也可以是“印度咖喱”，这取决于你如何转动旋钮。
作者们尚未发布代码，但他们表明，这种新的食物映射方法在发现清晰、有用的模式方面，优于以往的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。