利用大语言模型优化食材替换以提升食谱中植物化学物质含量
计算与语言
2024-09-16 v1
摘要
在计算美食学这一新兴领域，将烹饪实践与有科学依据的营养目标相结合变得日益重要。本研究探讨了如何应用大型语言模型（LLMs）来优化食谱中的食材替换，特别是为了提升膳食的植物化学物质含量。植物化学物质是植物中发现的生物活性化合物，根据临床前研究，它们可能提供潜在的健康益处。我们使用一个食材替换数据集对模型进行了微调，包括OpenAI的GPT-3.5、DaVinci和Meta的TinyLlama。这些模型被用于预测能提升植物化学物质含量的替换，并创建一个相应的富集食谱数据集。我们的方法在食材替换任务上的Hit@1准确率，从原始GISMo数据集上的基线34.53 ± 0.10%提高到38.03 ± 0.28%，并在同一数据集的精炼版本上从40.24 ± 0.36%提高到54.46 ± 0.29%。这些替换促成了1,951对富含植物化学物质的食材搭配和1,639个独特食谱的创建。虽然此方法展示了优化食材替换的潜力，但在得出关于健康益处的结论时必须谨慎，因为这些声称基于临床前证据。未来的工作应包括临床验证和更广泛的数据集，以进一步评估这些替换的营养影响。这项研究代表了利用人工智能促进更健康饮食习惯的一步，为整合计算方法与营养科学提供了潜在途径。
引用
@article{arxiv.2409.08792,
title = {Optimizing Ingredient Substitution Using Large Language Models to Enhance Phytochemical Content in Recipes},
author = {Luis Rita and Josh Southern and Ivan Laponogov and Kyle Higgins and Kirill Veselkov},
journal= {arXiv preprint arXiv:2409.08792},
year = {2024}
}
备注
15 pages