Suggesting Cooking Recipes Through Simulation and Bayesian Optimization

Abstract

Cocinar generalmente implica una gran cantidad de decisiones sobre los ingredientes y las herramientas que deben elegirse para escribir una buena receta de cocina. La cocción se puede modelar en un marco de optimización, ya que implica un espacio de búsqueda de ingredientes, herramientas de cocina, tiempos de cocción o temperaturas. Si modelamos como función objetivo la calidad de la receta surgen varios problemas. Ninguna expresión analítica puede modelar todas las recetas, por lo que no hay gradientes disponibles. La función objetivo es subjetiva, es decir, contiene ruido. Además, las evaluaciones son caras tanto en tiempo como en recursos humanos. La Optimización Bayesiana (BO) surge como una metodología idónea para abordar problemas de estas características. En este artículo, proponemos una metodología para sugerir recomendaciones de recetas basadas en un modelo de Machine Learning (ML) que se ajusta a datos reales y simulados y BO. Aportamos evidencia empírica con dos experimentos que avalan la adecuación de la metodología.

Cooking typically involves a plethora of decisions about ingredients and tools that need to be chosen in order to write a good cooking recipe. Cooking can be modelled in an optimization framework, as it involves a search space of ingredients, kitchen tools, cooking times or temperatures. If we model as an objective function the quality of the recipe, several problems arise. No analytical expression can model all the recipes, so no gradients are available. The objective function is subjective, in other words, it contains noise. Moreover, evaluations are expensive both in time and human resources. Bayesian Optimization (BO) emerges as an ideal methodology to tackle problems with these characteristics. In this paper, we propose a methodology to suggest recipe recommendations based on a Machine Learning (ML) model that fits real and simulated data and BO. We provide empirical evidence with two experiments that support the adequacy of the methodology.