名前の通り、word2vecの考え方を、料理の材料に当てはめたもの.

word2vecで、ある単語の持つ意味は前後の文章に出てくる単語のもつ意味と深い関係があるという前提のもとに、単語を表現する高次元のベクトルを推定するモデルを学習するのと同様に、同じレシピの中で使われているということを手掛かりに数千ある食べ物の材料を100次元のベクトルに次元削減 embeddingする.

下記のインタラクティブなデモは95896のレシピを用いて、2,087の材料を100次元のベクトルにembeddingしたもの (最終的にはT-SNEで2次元に落としている)

word2vecでは、$$(king) – (man) + (woman) = (queen) $$という式がそれぞれの単語を表すベクトル同士の関係として成立したというのが有名だが、今回のfood2vecでも同じような式が成り立ったという.

[latex](bacon) – (egg) + (orangejuice) = (coffee)[/latex]

[latex](butter) – (bread) + (roast beef) = (sage)[/latex]

(なんだかわかったようなわからないような…)

Machine intelligence has changed your life, from how you listen to music through Discover Weekly playlists, consume news through Facebook, or talk to your hand computer’s friendly digital assistant. But why hasn’t it changed how we eat? Can we modify the ingredients of language processing algorithms to get insights about food? If you tell me what you want to eat, can I recommend complementary foods, much like Spotify recommends complementary songs?