FlavorDiffusion：基于扩散模型预测食物搭配与化学互动

食物搭配的研究已超越主观专家经验，迎来了机器学习时代。本文提出了 FlavorDiffusion，一种新型框架，利用扩散模型预测食物-化学互动和食材搭配，无需依赖色谱技术。通过整合图基嵌入、扩散过程和化学属性编码，FlavorDiffusion 解决了数据不平衡问题并提升了聚类质量。使用来自 Recipe1M 和 FlavorDB 等数据集的异构图，我们的模型在重建食材-食材关系方面表现优异。进一步引入化学结构预测（CSP）层，优化了嵌入空间，实现了领先的 NMI 分数，-enabled meaningful discovery of novel ingredient combinations. 该框架代表了计算烹饪学的重要进步，提供了可扩展、可解释且具有化学解释性的食品科学解决方案。