数字副厨——面向食谱生成的语言模型微调对比研究
计算与语言
2025-08-21 v1
摘要
我们为基于文本的食谱生成这一自然语言生成的基础任务建立了一个严格的基准。我们提出了一项全面的对比研究，在 RecipeDB 的 5 种菜系语料库上，将微调的 GPT-2 large（774M）模型与 GPT-2 small（124M）模型以及传统的 LSTM/RNN 基线模型进行对比。我们的关键贡献是一种针对性的分词策略，该策略用 23 个常用分数标记和自定义结构标记扩充了词汇表。这种方法通过保留基本的食谱结构和精确的数值量，解决了通用分词器的一个关键限制，从而增强了领域特异性。我们使用一套包含七项自动指标的全面评估体系来评估性能，这些指标涵盖流畅度（BLEU-4, METEOR）、连贯性（ROUGE-L）、语义相关性（BERTScore）和多样性。我们的实验表明，基于大型 Transformer 的方法在 BERTScore (F1) 上比最佳循环基线模型相对提升了超过 20%（0.92 对比 0.72），同时将困惑度降低了 69.8%。最后，我们讨论了剩余的挑战，特别是在事实准确性方面，并概述了这项基础研究如何为在高级食谱生成研究中整合现实世界约束和多模态输入铺平道路。
引用
@article{arxiv.2508.14718,
title = {The Digital Sous Chef -- A Comparative Study on Fine-Tuning Language Models for Recipe Generation},
author = {Shubham Pundhir and Ganesh Bagler},
journal= {arXiv preprint arXiv:2508.14718},
year = {2025}
}
备注
8 pages, 4 figures. Code is available at: https://github.com/shubh-iiit/RecipeGPT2-Your-Own-AI-Chef