【技术实现步骤摘要】
【国外来华专利技术】生成食品配方的潜在空间方法
[0001]本公开的一个
是应用于食品的人工智能和机器学习。另一
是食品科学。本公开具体地涉及使用机器学习来为食品生成食品配方以模拟目标食品项。
技术介绍
[0002]本章节中描述的方法是可以采用的方法，但不一定是先前已经设想或采用的方法。因此，除非另有说明，否则不应假定本章节中描述的任何方法仅仅因为它们包含在本章节中就能够作为现有技术。
[0003]今天，在食品工业中使用动物的许多负面后果是已知的，例如森林砍伐、污染、人类健康状况、和过敏等等。相比之下，植物性饮食与改善健康和福祉相关联，并降低患病风险。植物性饮食不仅有益于我们的健康，也有益于地球的健康。研究表明，与动物性食品项的生产相比，植物性食品项的生产产生的温室气体排放量更少，需要的能源、水和土地也更少。动物性食品项有植物替代品。例如，肉类的植物替代品包括素食汉堡和其他素肉类食品项。然而，这些替代品与肉的味道和质地不匹配。
[0004]因此，需要改进的技术以通过尽可能多地匹配营养和感官属性来模拟目标食品项，例如动...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法，用于使用配料的集合生成植物性食品项的候选配方来模拟非植物性的目标食品项，该方法包括：收集第一数字数据，所述第一数字数据表示来自配料数据库的多种配料；将所述多种配料中的每种配料表示为以数字方式存储的输入向量；创建第一训练集以用于训练第一神经网络，该第一训练集包括与所述多种配料相关联的多个输入向量；在第一阶段中使用所述第一训练集训练所述第一神经网络，以生成配料词汇嵌入矩阵，该配料词汇嵌入矩阵被存储在数字存储器中；收集第二数字数据，所述第二数字数据表示来自食谱数据库的食谱的集合；提取第三数字数据，所述第三数字数据表示来自所述食谱的集合中的每个食谱的食谱配料；将所述食谱的集合中的每个食谱的每种食谱配料表示为以数字方式存储的向量，以产生与所述食谱的集合相关联的向量组；创建第二训练集以用于训练第二神经网络，该第二训练集包括与所述食谱的集合相关联的所述向量组；在第二阶段中使用所述第二训练集训练所述第二神经网络，以获得具有所述第二训练集的概率分布的潜在空间，所述潜在空间被存储在数字存储器中；对所述第二神经网络的所述潜在空间进行采样以生成第一配料候选集合，其中，所述第一配料候选集合是基于所述第一神经网络的配料词汇嵌入矩阵生成的。2.如权利要求1所述的方法，其中，所述多个输入向量中每一者包括针对相应配料的USDA配料向量。3.如权利要求2所述的方法，其中，所述USDA配料向量表示描述符的集合，所述描述符的集合包括至少一个化学描述符、营养描述符和分子描述符。4.如权利要求1所述的方法，其中，所述多个输入向量中每一者是针对相应配料的USDA配料向量和BERT嵌入的串接。5.如权利要求1所述的方法，其中，所述第一神经网络是自动编码器，且所述第二神经网络是变分自动编码器。6.如权利要求5所述的方法，其中，所述变分自动编码器包括堆叠式递归神经网络(RNN)。7.如权利要求1所述的方法，还包括：在生成所述第一配料候选集合之前，掩蔽掉所述配料词汇嵌入矩阵中的特定配料。8.如权利要求1所述的方法，还包括：使用数量求解器并且基于所述目标食品项，来确定所述第一配料候选集合中每种配料的比例并且确定所述第一配料候选集合的得分。9.如权利要求8所述的方法，还包括：在使用所述数量求解器之前，使用优化器生成所述第一配料候选集合中每种配料的新表示，其中，每种配料的所述新表示取决于所述第一配料候选集合中的其余配料。10.如权利要求8所述的方法，还包括：基于所述第一配料候选集合的得分，对所述第二神经网络的潜在空间重新采样以生成第二配料候选集合；
确定所述第二配料候选集合中每种配料的比例，并且确定所述第二配料候选集合的得分。11.如权利要求1所述的方法，还包括：基于从所述第二神经网络的潜在空间中采样的配料的特定候选集合和所述配料的特定候选集合中每种配料的相应比例，来生成所述候选配方；其中，所述植物性食品项是使用所述候选配方制备的。12.一种或多种非暂态计算机可读存储介质，存储有一个或多个指令，所述指令被编程以使用配料的集合生成植物性食品项的候选配方来模拟非植物性的目标食品项，所述指令当被一个或多个计算设备执行时，使得执行以下操作：收集第一数字数据，所述第一数字数据表示来自配料数据库的多种配料；将所述多种配料中的每种配料表示为以数字方式存储的输入向量；创建第一训练集以用于训练第一神经网络，该第一训练集包括与所述多种配料相关...
【专利技术属性】
技术研发人员：阿迪特，
申请(专利权)人：诺特可特拉华州有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。