食物概念与食谱的预定义领域特定嵌入：异构食谱数据集上的案例研究

尽管如今食谱数据极易获取，但要找到一个完整的食谱数据集——包含配料列表、每配料的营养值、每食谱的营养值、过敏原等——却十分困难。食谱数据集通常采集自用户发布食谱的社交媒体网站，往往结构甚少乃至全无，且同时使用标准化与非标准化计量单位。我们收集了六个不同的公开食谱数据集，格式各异，部分含不同语言数据。将所有这些数据集转换为应用机器学习（ML）流水线进行营养预测 [1]、[2] 所需格式，包括利用基于词典的命名实体识别（NER）、基于规则的 NER 以及使用外部领域特定资源进行转换的数据规范化。由配料列表出发，利用所有食谱相同的嵌入空间创建领域特定嵌入——生成一个配料数据集。该规范化过程的结果是两个语料库：一个含预定义配料嵌入，一个含预定义食谱嵌入。在所有六个食谱数据集上评估了 ML 流水线。该用例结果亦证实，使用领域启发式合并的嵌入优于基线。