人工智能进军餐饮：AI 调酒，越喝越有

原创

超神经 2020-09-18 13:08:40 ©著作权

文章标签 java 文章分类 Java 后端开发

©著作权归作者所有：来自51CTO博客作者超神经的原创作品，请联系作者获取转载授权，否则将追究法律责任

https://mp.weixin.qq.com/s/RcDc-vo75WWnhA3LSuXOjg

By 超神经

场景描述：「吃」，现在已经成了一种文化，对食物的不懈追求，可以说是人类历史的一种推动力。从烹饪的进化，到现在花样百出的美食，食物搭配又会出现哪些新意，对于食物相克的盲从，也预示着新的方法和技艺要大显身手了。

关键词：食物搭配  孪生神经网络

人类文明的发展，食物和烹饪的意义重大。从食用熟食、耕作农作物，到加入调料、丰富烹饪方式、发明冷藏等，一些列的饮食工具和手段的发明，都是为了提高生活水平。

饮食文化的书籍《食物的历史》中，就讨论到食物的第一次革命，才带动了人类一次大的进化。其中一个重要节点是烹饪的出现，书里描写了这样一个吃的场景：先把柠檬汁挤在牡蛎上，在小火烘烤下，它的质地、口感和味道都发生了奇妙的变化...

有观点认为：烹饪是人类进化的特别利器

从火的利用，到烹饪的出现，食物的制作过程逐渐变成了一种魔法，吃的花样也越来越多，食物早已不是生存和生活的充饥之物，而是在各色搭配制作中，成为了一种艺术和追求。

美食的进阶之路，从搭配开始

随着「吃」的内容越来越精致，吃饱了的人类，就开始思考这类问题：哪些食物可以放在一起吃？哪些东西搭配在一起更好吃？

知名段子手「毕导」研究过，香蕉与冬枣的体积比在 2:1 左右，同时吃的口感达到了恶心的巅峰

要解决这个问题，一般的吃货靠的是传承下来的厨房规则，资深一点的吃货，则是借鉴美食家或者高级菜谱的做法。但这类方法对于种类繁多的食物来说，覆盖面窄，而且都是经验为主，主观性偏强。

一个好消息是，我们现在有了新的选择：可以用神经网络的方法作出搭配，告诉你怎样才最好吃。

在近段时间，一篇叫做《KitcheNette: Predicting and Recommending Food Ingredient Pairings using Siamese Neural Networks》（https://arxiv.org/abs/1905.07261）的论文，就叙述了高丽大学实验团队的食材智能搭配系统，以及在食物搭配上的硬核研究。

KitchenNette ：用算法解开食物搭配的奥秘

这个系统是基于孪生神经网络（Siamese Neural Networks）的一个模型框架。

孪生神经网络用于衡量两个输入的相似程度。它有两个输入，分别传输进两个神经网络，以此将输入映射到新的空间，形成新的空间中的表示。然后通过对 Loss 的计算，评价两个 Input 的相似度。

而这个研究中，研究人员来开发了的食物搭配模型 KitchenNette ，将两种食材作为输入，能计算出它们搭配在一起的合适度。最终的表现成从 -1 到 1 之间的分数，分数越高表示这两种食物的搭配越好吃。

为了训练 KitchenNette ，他们制作了一个美食数据集 Recipe1M，通过采集了大量的食谱信息，收录了多种食物的文本和图片，包含了了成分列表和配方说明。依据数百万个菜谱和配对统计

从这些食谱中，经过词向量提取等手法，过滤得到了食物，并进行了配对操作，最终共获得了 356,451 个有效的已知搭配，剩下的 6,003,500 个食物对，则是非常见或者未出现过的，作为测试集使用。

他们还使用 Im2Recipe 算法，从图片中提取出食材名称。

而 KitchenNette 模型的架构由两个主要组件构成。

KitchenNette 模型用Gin酒和汤力水进行评分测试

第一个是使用孪生神经网络的「成分表示组件」（Ingredient Representation Component ），其中有权重相同的两个多层感知器（MLP），各自接收食材的输入。每个 MLP 有两个完全连接层，用于处理输入的成分向量。

第二个组件是「配对分数预测组件」（Pairing Score Prediction Component），采用 Deep& Wide Layers，进行评分流程。在 Deep Layer，两层学习表示向量被连接，并传递给另一个计算两种成分联合代表的 MLP，用来提取语义特征，而 Wide Layer 用来抓取稀疏特征。

搭建好模型后，先让模型学习已标注的食物搭配，从 30 万个已经评好分数的配对中，分析和找出「好搭配」的规律，然后用剩下的 95% 的食物组合，进行最后的测试。

不同搭配的组合评定分数：左侧为常见搭配的评分，右侧为不常见搭配