人工智能進軍餐飲業了！AI調酒，越喝越有_風聞

中国人工智能学会-中国人工智能学会官方账号-CAAI2019-07-04 07:34

2019-07-04

【作者 | 神經小姐姐】

人類文明的發展，食物和烹飪的意義重大。從食用熟食、耕作農作物，到加入調料、豐富烹飪方式、發明冷藏等，一些列的飲食工具和手段的發明，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，才帶動了人類一次大的進化。其中一個重要節點是烹飪的出現，書裏描寫了這樣一個吃的場景：先把檸檬汁擠在牡蠣上，在小火烘烤下，它的質地、口感和味道都發生了奇妙的變化…

有觀點認為：烹飪是人類進化的特別利器

從火的利用，到烹飪的出現，食物的製作過程逐漸變成了一種魔法，吃的花樣也越來越多，食物早已不是生存和生活的充飢之物，而是在各色搭配製作中，成為了一種藝術和追求。

美食的進階之路，從搭配開始

隨着「吃」的內容越來越精緻，吃飽了的人類，就開始思考這類問題：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」研究過，香蕉與冬棗的體積比在 2:1 左右，同時吃的口感達到了噁心的巔峯

要解決這個問題，一般的吃貨靠的是傳承下來的廚房規則，資深一點的吃貨，則是借鑑美食家或者高級菜譜的做法。但這類方法對於種類繁多的食物來説，覆蓋面窄，而且都是經驗為主，主觀性偏強。

一個好消息是，我們現在有了新的選擇：可以用神經網絡的方法作出搭配，告訴你怎樣才最好吃。

在近段時間，一篇叫做《KitcheNette: Predicting and Recommending Food Ingredient Pairings using Siamese Neural Networks》（https://arxiv.org/abs/1905.07261）的論文，就敍述了高麗大學實驗團隊的食材智能搭配系統，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

這個系統是基於孿生神經網絡（Siamese Neural Networks）的一個模型框架。

孿生神經網絡用於衡量兩個輸入的相似程度。它有兩個輸入，分別傳輸進兩個神經網絡，以此將輸入映射到新的空間，形成新的空間中的表示。然後通過對 Loss 的計算，評價兩個 Input 的相似度。

而這個研究中，研究人員來開發了的食物搭配模型KitchenNette ，將兩種食材作為輸入，能計算出它們搭配在一起的合適度。最終的表現成從 -1 到 1 之間的分數，分數越高表示這兩種食物的搭配越好吃。

為了訓練 KitchenNette ，他們製作了一個美食數據集 Recipe1M，通過採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説明。

依據數百萬個菜譜和配對統計

從這些食譜中，經過詞向量提取等手法，過濾得到了食物，並進行了配對操作，最終共獲得了 356,451 個有效的已知搭配，剩下的 6,003,500 個食物對，則是非常見或者未出現過的，作為測試集使用。

他們還使用 Im2Recipe 算法，從圖片中提取出食材名稱。

而 KitchenNette 模型的架構由兩個主要組件構成。

KitchenNette 模型用Gin酒和湯力水進行評分測試

第一個是使用孿生神經網絡的「成分表示組件」（Ingredient Representation Component ），其中有權重相同的兩個多層感知器（MLP），各自接收食材的輸入。每個 MLP 有兩個完全連接層，用於處理輸入的成分向量。

第二個組件是「配對分數預測組件」（Pairing Score Prediction Component），採用 Deep& Wide Layers，進行評分流程。在 Deep Layer，兩層學習表示向量被連接，並傳遞給另一個計算兩種成分聯合代表的 MLP，用來提取語義特徵，而 Wide Layer 用來抓取稀疏特徵。

搭建好模型後，先讓模型學習已標註的食物搭配，從 30 萬個已經評好分數的配對中，分析和找出「好搭配」的規律，然後用剩下的 95% 的食物組合，進行最後的測試。