「吃」,現(xiàn)在已經(jīng)成了一種文化,對(duì)食物的不懈追求,可以說(shuō)是人類歷史的一種推動(dòng)力。從烹飪的進(jìn)化,到現(xiàn)在花樣百出的美食,食物搭配又會(huì)出現(xiàn)哪些新意,對(duì)于食物相克的盲從,也預(yù)示著新的方法和技藝要大顯身手了。
人類文明的發(fā)展,食物和烹飪的意義重大。從食用熟食、耕作農(nóng)作物,到加入調(diào)料、豐富烹飪方式、發(fā)明冷藏等,一些列的飲食工具和手段的發(fā)明,都是為了提高生活水平。
飲食文化的書籍《食物的歷史》中,就討論到食物的第一次革命,才帶動(dòng)了人類一次大的進(jìn)化。其中一個(gè)重要節(jié)點(diǎn)是烹飪的出現(xiàn),書里描寫了這樣一個(gè)吃的場(chǎng)景:先把檸檬汁擠在牡蠣上,在小火烘烤下,它的質(zhì)地、口感和味道都發(fā)生了奇妙的變化...
有觀點(diǎn)認(rèn)為:烹飪是人類進(jìn)化的特別利器
從火的利用,到烹飪的出現(xiàn),食物的制作過(guò)程逐漸變成了一種魔法,吃的花樣也越來(lái)越多,食物早已不是生存和生活的充饑之物,而是在各色搭配制作中,成為了一種藝術(shù)和追求。
美食的進(jìn)階之路,從搭配開始
隨著「吃」的內(nèi)容越來(lái)越精致,吃飽了的人類,就開始思考這類問(wèn)題:哪些食物可以放在一起吃?哪些東西搭配在一起更好吃?
知名段子手「畢導(dǎo)」研究過(guò),香蕉與冬棗的體積比在 2:1 左右,
同時(shí)吃的口感達(dá)到了惡心的巔峰
要解決這個(gè)問(wèn)題,一般的吃貨靠的是傳承下來(lái)的廚房規(guī)則,資深一點(diǎn)的吃貨,則是借鑒美食家或者高級(jí)菜譜的做法。但這類方法對(duì)于種類繁多的食物來(lái)說(shuō),覆蓋面窄,而且都是經(jīng)驗(yàn)為主,主觀性偏強(qiáng)。
一個(gè)好消息是,我們現(xiàn)在有了新的選擇:可以用神經(jīng)網(wǎng)絡(luò)的方法作出搭配,告訴你怎樣才最好吃。
在近段時(shí)間,一篇叫做《KitcheNette: Predicting and Recommending Food Ingredient Pairingsusing Siamese Neural Networks》(https://arxiv.org/abs/1905.07261)的論文,就敘述了高麗大學(xué)實(shí)驗(yàn)團(tuán)隊(duì)的食材智能搭配系統(tǒng),以及在食物搭配上的硬核研究。
KitchenNette :用算法解開食物搭配的奧秘
這個(gè)系統(tǒng)是基于孿生神經(jīng)網(wǎng)絡(luò)(Siamese Neural Networks)的一個(gè)模型框架。
孿生神經(jīng)網(wǎng)絡(luò)用于衡量?jī)蓚€(gè)輸入的相似程度。它有兩個(gè)輸入,分別傳輸進(jìn)兩個(gè)神經(jīng)網(wǎng)絡(luò),以此將輸入映射到新的空間,形成新的空間中的表示。然后通過(guò)對(duì) Loss 的計(jì)算,評(píng)價(jià)兩個(gè) Input 的相似度。
而這個(gè)研究中,研究人員來(lái)開發(fā)了的食物搭配模型KitchenNette,將兩種食材作為輸入,能計(jì)算出它們搭配在一起的合適度。最終的表現(xiàn)成從 -1 到 1 之間的分?jǐn)?shù),分?jǐn)?shù)越高表示這兩種食物的搭配越好吃。
為了訓(xùn)練KitchenNette,他們制作了一個(gè)美食數(shù)據(jù)集 Recipe1M,通過(guò)采集了大量的食譜信息,收錄了多種食物的文本和圖片,包含了了成分列表和配方說(shuō)明。
依據(jù)數(shù)百萬(wàn)個(gè)菜譜和配對(duì)統(tǒng)計(jì)
從這些食譜中,經(jīng)過(guò)詞向量提取等手法,過(guò)濾得到了食物,并進(jìn)行了配對(duì)操作,最終共獲得了 356,451 個(gè)有效的已知搭配,剩下的 6,003,500 個(gè)食物對(duì),則是非常見或者未出現(xiàn)過(guò)的,作為測(cè)試集使用。
他們還使用 Im2Recipe 算法,從圖片中提取出食材名稱。
而 KitchenNette 模型的架構(gòu)由兩個(gè)主要組件構(gòu)成。
KitchenNette模型用Gin酒和湯力水進(jìn)行評(píng)分測(cè)試
第一個(gè)是使用孿生神經(jīng)網(wǎng)絡(luò)的「成分表示組件」(Ingredient Representation Component ),其中有權(quán)重相同的兩個(gè)多層感知器(MLP),各自接收食材的輸入。每個(gè) MLP 有兩個(gè)完全連接層,用于處理輸入的成分向量。
第二個(gè)組件是「配對(duì)分?jǐn)?shù)預(yù)測(cè)組件」(Pairing Score Prediction Component),采用 Deep& Wide Layers,進(jìn)行評(píng)分流程。在 Deep Layer,兩層學(xué)習(xí)表示向量被連接,并傳遞給另一個(gè)計(jì)算兩種成分聯(lián)合代表的 MLP,用來(lái)提取語(yǔ)義特征,而 Wide Layer 用來(lái)抓取稀疏特征。
搭建好模型后,先讓模型學(xué)習(xí)已標(biāo)注的食物搭配,從 30 萬(wàn)個(gè)已經(jīng)評(píng)好分?jǐn)?shù)的配對(duì)中,分析和找出「好搭配」的規(guī)律,然后用剩下的 95% 的食物組合,進(jìn)行最后的測(cè)試。
不同搭配的組合評(píng)定分?jǐn)?shù):
左側(cè)為常見搭配的評(píng)分,右側(cè)為不常見搭配
根據(jù)他們的論文,只需對(duì)KitchenNette 輸入兩種食物,就給出是否合適配對(duì)的判定分?jǐn)?shù),而且這個(gè)結(jié)果好于其他的模型。
調(diào)酒和糕點(diǎn),最適合模型搭配
為了評(píng)估這個(gè)模型預(yù)測(cè)的準(zhǔn)確性,他們進(jìn)行了幾種定性分析。
通過(guò)將已知的經(jīng)典搭配輸入,檢測(cè)了模型能夠給出中肯的分?jǐn)?shù);同時(shí)和其他的經(jīng)典模型進(jìn)行對(duì)比,發(fā)現(xiàn)KitchenNette 的預(yù)測(cè)更要符合人們的飲食習(xí)慣,最后和美食家的推薦作比之后,發(fā)現(xiàn)判斷的結(jié)果十分接近。
尤其是酒精飲品和糕點(diǎn),他們都有標(biāo)準(zhǔn)化的配方成分,而能夠更加精準(zhǔn)的把控口味。
比如,「香檳+橙皮」以及「氣泡酒+橙皮」的搭配得分較高(0.33-0.42),而「氣泡酒+洋蔥」和「普羅賽克+洋蔥」這樣奇怪的組合,得到了很低的分?jǐn)?shù)。
紅酒、白酒、杜松子酒、清酒的最佳搭配建議,
以及和另一工具的推薦結(jié)果對(duì)比
在英國(guó)布里斯托,另一支創(chuàng)新團(tuán)隊(duì) TinyGiant 就專注于開發(fā)由 AI 制定的創(chuàng)新食物,這支團(tuán)隊(duì)截至目前為止,已經(jīng)制作出了幾款 AI 定制的雞尾酒和紙杯蛋糕。
TinyGiant制作出了四款 AI 的雞尾酒
而對(duì)于這項(xiàng)研究的后續(xù),研究者表示接下來(lái)會(huì)進(jìn)一步作出優(yōu)化,比如考慮食品成分的化學(xué)信息,使用百科全書食品成分的詳細(xì)信息,以及更多「新穎」和「真實(shí)」的食譜,對(duì)模型進(jìn)行訓(xùn)練,以推薦出更加多樣化的食品成分配對(duì)。
TinyGiant根據(jù) AI 得出的結(jié)果,還定制了四種口味的紙杯蛋糕
近幾年來(lái),《舌尖上的中國(guó)》、《人生一串》等美食節(jié)目的大火,讓我們看到了美食的驚人魅力,而現(xiàn)在看來(lái),AI 或許會(huì)比我們更快地,打開美食搭配的新天地。
-
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4726瀏覽量
100311 -
人工智能
+關(guān)注
關(guān)注
1789瀏覽量
236498
原文標(biāo)題:人工智能進(jìn)軍餐飲:AI 調(diào)酒,越喝越有
文章出處:【微信號(hào):smartman163,微信公眾號(hào):網(wǎng)易智能】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論