摘要

本文介绍了一种名为WineGraph的创新方法，它是FlavorGraph的扩展版本，专门用于解决食物与葡萄酒搭配的问题。通过整合葡萄酒数据到一个异构图中，WineGraph能够基于口味和侍酒师定义的规则进行食物与葡萄酒的搭配。研究利用了包含50万条食物评论和超过13万条葡萄酒评论的数据集，计算了食物和葡萄酒的口味描述符，并将这些信息用于增强FlavorGraph。实验结果表明，异构图在获取额外信息方面具有潜力，对葡萄酒搭配特别有益。

原理

WineGraph的工作原理基于异构图和神经符号学习与推理。异构图是一种包含多种类型节点和边的图结构，能够捕捉复杂的语义和结构关系。通过使用metapath2vec算法，WineGraph能够生成食物和葡萄酒的概念表示，这些表示基于食物成分和化学化合物之间的关系。此外，WineGraph还引入了侍酒师定义的规则，这些规则定义了食物和葡萄酒搭配的约束和决策规则，从而确保搭配的准确性和合理性。

流程

WineGraph的工作流程包括四个主要步骤：数据预处理、计算香气描述符、创建食物-葡萄酒搭配列表以及将结果数据整合到FlavorGraph中。首先，使用Amazon Fine Food Reviews和Wine Reviews数据集进行文本预处理和标准化，提取常见的口味描述符。然后，通过UC Davis葡萄酒轮将这些描述符映射到香气描述符。接下来，使用预训练的word2vec模型计算香气和非香气描述符，并根据预定义的规则生成食物-葡萄酒搭配。最后，将这些搭配信息整合到FlavorGraph中，通过定义新的metapaths和训练模型，生成包含葡萄酒信息的增强图。

应用

WineGraph的应用前景广泛，特别是在餐饮和零售行业。它可以帮助餐厅和葡萄酒商店提供个性化的食物与葡萄酒搭配建议，提升顾客体验。此外，WineGraph还可以用于在线食品和葡萄酒推荐系统，帮助消费者在家中轻松选择合适的葡萄酒搭配。随着更多食物和葡萄酒特性的整合，以及专门针对此类数据的嵌入方法的发展，WineGraph的潜力将进一步扩大。