Computational approaches for food recipe generation and completion

Abstract

The modern food industry is confronted with the rise of food allergies and obesity, requiring personalization, and the global struggle against hunger, demanding innovative, waste-reducing solutions. This study explores AI-enhanced recipes, with the potential to address these challenges. Three computational methods: a non-Markovian chain, a Restricted Boltzmann Machine (RBM), and Nonnegative Matrix Factorization (NMF) were employed to generate and complete recipes. These methods were evaluated using two distinct databases: a smaller one exclusively containing soups, and a larger, more diverse database, featuring recipes from around the world. Regarding the performance of the methods, the Markov algorithm exhibited repetitive recipes, while the RBM and NMF generated diverse and unique recipes, which happened due to the tendency of the Markov algorithm to mainly suggest the most common ingredients. Furthermore, the Markov method offers the advantage of requiring no tuning. On the other hand, the NMF necessitates the tuning of a single parameter, and the RBM incurs in the disadvantage of requiring the fine-tuning of four parameters. The RBM also preserved the original Pearson correlation coefficient and mutual information between ingredient pairs better than both the Markov and NMF methods. This was demonstrated through tests involving the calculation of Euclidean distances between the values calculated from the databases and those obtained from the recipes generated by the methods, as well as performing hierarchical clustering and comparing the correlation matrices of the 50 most common ingredients. Notably, the Markov and RBM successfully avoided prohibited ingredient pairs, while the RBM and NMF effectively avoided rare combinations of popular ingredients. Moreover, when completing a test recipe, all three methods provided sound suggestions. Looking forward, evaluating the methods by looking at more intricate ingredient relationships, such as correlations involving 3 or 4 ingredients, and incorporating user feedback, stand promising for future work. Moreover, in the long term, integrating ingredient quantities and cooking steps could significantly enhance the depth and applicability of these AI-enhanced recipes.

A indústria alimentar moderna depara-se com o aumento das alergias alimentares e da obesidade, havendo necessidade de personalização, e com a luta global contra a fome, sendo necessárias soluções inovadoras e que reduzam o desperdício. Este estudo explora receitas melhoradas por inteligência artificial, com o potencial para atender a estes desafios. Três métodos computacionais: uma cadeia não- Markoviana, uma máquina de Boltzmann restrita (RBM) e uma factorização de matriz não-negativa (NMF) foram utilizados para gerar e completar receitas. Estes métodos foram avaliados usando duas bases de dados distintas: uma mais pequena, que contém exclusivamente sopas, e uma maior e mais diversa, com receitas de várias partes do mundo. Em relação ao desempenho dos métodos, o algorítmo de Markov criou muitas receitas repetidas, enquanto o RBM e o NMF geraram receitas diversas e únicas, o que se deve à tendência do algorítmo de Markov de sugerir principalmente os ingredientes mais comuns. Adicionalmente, o método de Markov oferece a vantagem de não requerer afinação. Por outro lado, o NMF exige o ajuste de um único parâmetro, e o RBM tem a desvantagem de necessitar o ajuste de quatro parâmetros. O RBM também preservou melhor o coeficiente de correlação de Pearson e a informação mútua originais entre pares de ingredientes que os métodos Markov e NMF. Isto foi demonstrado através de testes que envolveram o cálculo das distâncias euclidianas entre os valores calculados diretamente das bases de dados e aqueles obtidos a partir das receitas geradas pelos métodos, assim como a agregação hierárquica de ingredientes e a comparação entre as matrizes de correlação dos 50 ingredientes mais comuns. É de salientar que os métodos Markov e RBM evitaram com sucesso pares proibidos de ingredientes, enquanto o RBM e o NMF evitaram eficazmente combinações raras de ingredientes populares. Além disso, ao completar uma receita de teste, os três métodos forneceram sugestões com sentido. A exploração de relações mais complexas entre os ingredientes, incluindo correlações que envolvam 3 ou 4 ingredientes, e a consideração de retorno dos utilizadores, anteveem-se como trabalho futuro promissor. Além do mais, a longo prazo, a integração das quantidades dos ingredientes e dos passos de preparação das receitas poderia aumentar significativamente a profundidade e a aplicabilidade destas receitas melhoradas por inteligência artificial.