近日，Journal of Future Foods发表了江南大学未来食品科学中心崔晓晖教授团队研究成果“Advancing Authentic Recipe Ideation across Culinary Styles using a Mathematical Model: RecipeMT”（Zhou et al.，Journal of Future Foods，2025）。江南大学2022级博士生周洁为论文第一作者，辛星副教授为论文第一通讯作者。
不同地域有独特的饮食文化与风味搭配习惯：西方菜系常把风味相近的食材搭配在一起，而东亚菜系则倾向于避免此类组合。理解并量化这种“食材亲和力”，是生成地道、美味食谱的关键。近年来，越来越多的计算方法被用于辅助食谱创作，从基于深度学习的KitcheNette，到考虑食材化学成分的FlavorGraph，再到尝试生成完整食谱的RecipeBowl、Reciptor、RecipeMind等模型，都推动了智能食谱设计的发展。然而，这些方法或局限于一对一食材搭配，或在建模多食材间关系与烹饪风格适配方面存在不足。
研究团队提出了RecipeMT模型，致力于生成符合多种菜系风格的地道食谱。该模型通过风味共享分数加权模块（Flavor-sharing score weight, FSW）和级联Transformer模块，不仅能捕捉每种菜系内部的食材亲和力，还能理解“局部食材”与“整体菜肴”的相互依赖关系，从而生成新颖且地道的菜谱。首先，构建了三个大规模数据集（RecipeMT_Chinese、RecipeMT_Meat以及重构后的RecipeMind），其中包含了食材名称、亲和力分数和风味共享分数，为后续建模奠定了坚实的数据基础。其次，提出了融合风味共享分数与级联Transformer的新方法，不仅能够学习每种菜系的整体风味搭配规律，还能深入理解个体食材与整道菜肴之间的关系。最后，通过在多个数据集上的实验表明，RecipeMT展现出较强的鲁棒性与泛化能力，为地道菜谱的智能生成提供了参考。
在对RecipeMT的定性分析实验中，以牛肉和盐作为原始食材，在三种代表不同饮食风格的数据集上进行食谱创意测试。通过提取RecipeMT在不同饮食风格下的注意力权重，可以看到模型能够准确捕捉食材的关键特征和相互关系，从而生成有效的菜谱。实验结果揭示了不同饮食风格的特点：在RecipeMT_Chines数据集中，更强调多种香料和鲜味叠加；在RecipeMind数据集，甜味和坚果类食材的加入丰富了口感；而在RecipeMT_Meat数据集中，果汁和酒的运用则增加了风味层次。这些结果表明，RecipeMT不仅能够理解不同的饮食风格，还能设计出符合风格特色的地道菜谱，为智能菜谱创作提供了支持。
上述研究工作得到了国家重点研发计划（2022YFF1101100）、中央高校基本科研业务费专项资金（JUSRP124032）和江苏省特聘教授计划（5966010241250010）等项目的资助。
图1 RecipeMT模型结构
图2 RecipeMT中以牛肉和盐为原始食材的不同饮食风格的注意力权重比较
（编辑：潘梦妍）
当前位置:
