Epicure 소개
요리를 하다 보면 누구나 한 번쯤 "이 재료에 뭘 곁들이지?" 하는 순간을 마주합니다. 셰프가 미소(miso) 를 손에 들면 자연스럽게 미림, 다시, 참기름으로 손이 가고, 올리브유(olive oil) 를 들면 바질, 토마토, 프로슈토를 떠올립니다. 이런 직관은 수많은 레시피 속에 녹아 있는 지식이자, 오랜 시간 요리하며 몸에 밴 감각입니다. 만약 이 지식을 컴퓨터가 다룰 수 있는 형태로 표현할 수 있다면, 재료 궁합 추천부터 문화권을 넘나드는 재료 치환까지 다양한 도구를 만들 수 있을 것입니다.
이 논문은 바로 그 식재료 임베딩(food ingredient embedding) 을 다룹니다. 구체적으로는 화학 성분 신호와 레시피 맥락 신호를 어떤 비율로 섞을지를 고정된 설계가 아니라 조절 가능한 설계 축(controllable design axis) 으로 다루는 방법을 제안합니다. 연구진은 다국어 레시피 말뭉치로 처음부터 다시 학습시킨 세 개의 형제 임베딩 Epicure-Cooc, Epicure-Core, Epicure-Chem을 제시하고, 이들이 같은 300 차원 공간 위에서 어떻게 다른 기하학을 형성하는지, 그리고 그 위에서 어떤 탐색 연산을 수행할 수 있는지를 정밀하게 분석합니다.
계산 미식학의 두 갈래와 기존 접근의 한계
계산 미식학(computational gastronomy) 분야는 크게 두 방향에서 이 문제에 접근해 왔습니다. 한쪽은 화학에서 출발합니다. Ahn et al. (2011) 은 재료들이 공유하는 향미 분자(flavor compound)를 연결한 향미 네트워크(flavour network) 를 제시하며, 문화권마다 화합물 공유 양상이 다르다는 사실을 실증했습니다. 이어 FlavorDB (Garg et al., 2017) 는 936 개 식품의 향미 분자를 목록화했고, FooDB 는 약 70{,}000 개 화합물까지 화학적 범위를 넓혔습니다.
다른 한쪽은 레시피 자체의 동시 출현(co-occurrence) 통계에서 출발합니다. 그리고 이 두 갈래를 하나로 합친 것이 바로 FlavorGraph (Park et al., 2021) 입니다. FlavorGraph는 FlavorDB의 화학 정보와 Recipe1M+의 동시 출현 정보를 하나의 이질 그래프(heterogeneous graph)로 묶어 Metapath2Vec으로 학습시킨, 현재까지 가장 포괄적인 공개 식품 임베딩입니다. 한편 FoodKG (Haussmann et al., 2019) 같은 기호주의(symbolic) 대안은 레시피, 영양, 온톨로지를 RDF 지식 그래프로 통합하지만, 추천에 특화되어 있어 임베딩이 제공하는 연속적인 기하 연산과는 결이 다른 접근입니다.
이 연구가 직접 기대고 있는 또 하나의 흐름은 "밀집 임베딩이 실제로 어떤 연산을 지원하는가"에 대한 연구입니다. Mikolov et al. (2013) 은 word2vec에서 의미 관계가 선형 방향(linear direction)으로 떠오른다는 것을 보였습니다(king - man + woman = queen). 이 "방향으로서의 의미"라는 관점이 이 논문의 핵심 도구가 됩니다. 또한 Mu et al. (2017) 은 임베딩의 등방성(isotropy) 이 안정적인 방향 연산의 전제 조건이라고 주장했는데, 이 논문은 세 형제 모델이 등방성 스펙트럼 위에서 서로 크게 다른 지점에 놓인다는 점을 직접 측정해 보여줍니다.
기존 FlavorGraph의 문제는 명확했습니다. 연구진 스스로 이전 연구(Radzikowski and Chen, 2026)에서 FlavorGraph의 임베딩이 맛, 식감, 영양, 지리, 문화 등 최소 15 개의 해석 가능한 미식 차원을 담고 있음을 밝혔지만, 그 분석은 세 가지 한계에 묶여 있었습니다. 첫째, 영어 중심의 단일 말뭉치 로만 학습되었습니다. 둘째, 화학과 레시피 맥락 신호가 고정된 귀납 편향(fixed inductive bias) 으로 한 번에 융합되어 있어 그 비율을 조절할 수 없었습니다. 셋째, 재료 어휘에 조리법 표현이나 비식품 항목이 뒤섞여 어휘가 산만했습니다.
이 연구의 발상 전환: 걷기 스키마를 설계 변수로
Epicure의 핵심 발상은 이 세 한계를 동시에 걷어내는 것입니다. 연구진은 4.14\text{M} 개의 다국어 레시피를 모으고, 이를 1{,}790 개의 표준 재료 어휘로 정규화한 뒤, 무엇보다 화학 대 레시피 맥락의 혼합 비율을 그래프 위의 '걷기 스키마(walk schema)'라는 설계 변수로 노출 시켰습니다.
세 형제 모델은 아키텍처, 하이퍼파라미터, 어휘, 그래프 노드 집합, 그리고 203{,}508 개에 달하는 동시 출현 엣지까지 모든 것을 공유합니다. 오직 한 가지, skip-gram 목적 함수가 어떤 무작위 걷기(random walk)를 보는가 만 다릅니다. 마치 똑같은 악보를 똑같은 악기로 연주하되 박자만 다르게 한 세 명의 연주자처럼, 세 모델은 화학에서 레시피 맥락에 이르는 스펙트럼 위에 서로 다른 점으로 자리 잡습니다.
이 통제된 비교(controlled comparison) 덕분에, 임베딩 기하학의 차이가 입력 데이터가 아니라 순전히 설계 선택에서 비롯된 것임을 깔끔하게 분리해 낼 수 있습니다.
방법론: 말뭉치에서 세 임베딩까지
전체 파이프라인은 다섯 단계로 진행됩니다. (i) 다국어 레시피 말뭉치 수집, (ii) 원시 재료 표현을 표준 어휘로 정규화, (iii) 동시 출현 그래프와 타입 부여 화합물 그래프 구성, (iv) 세 Metapath2Vec 변형(Cooc, Core, Chem) 학습, (v) 지도 방향 탐침과 비지도 요인/모드 발견으로 임베딩 분석.
다국어 레시피 말뭉치
연구진은 7 개 언어에 걸친 11 개의 공개 데이터셋에서 총 4{,}135{,}189 개의 레시피를 모았습니다. 영어 RecipeNLG (Bień et al., 2020) 가 53.9\%, 중국어 XiaChuFang (Liu et al., 2022) 가 37.4\% 로 대부분을 차지하고, 러시아어 Povarenok가 3.5\%, 그리고 베트남어, 스페인어, 터키어, 인도네시아어, 독일어, 인도식 영어 등 여덟 개의 소규모 말뭉치가 나머지를 채웁니다.
비영어권 재료 표현은 Claude Opus 계열 모델(내부 배포 ID 4.6) 이 온도 0 의 결정론적 디코딩으로 영어로 기계 번역합니다. 병합, 중복 제거, 최종 1{,}790 개 표준 어휘와의 교집합을 거친 뒤, 4{,}103{,}118 개(99.2\% )의 레시피가 적어도 하나의 일치 재료를 포함하게 됩니다.
표준 재료 어휘 만들기
원시 개체명 인식(NER)으로 11 개 소스에서 추출한 재료 문자열은 철자 변형, 브랜드명, 비식품 항목, 조리 수식어까지 뒤섞여 약 \sim200{,}000 개에 이릅니다. 이것이 그대로는 쓸모가 없으므로, 연구진은 LLM 기반 정규화 파이프라인을 구축했습니다. Claude Opus 계열 이 용어 분류를 맡고, Gemini Embedding (gemini-embedding-001)이 의미 기반 군집화를 수행한 뒤, 마지막에 사람이 직접 큐레이션을 거쳐 1{,}790 개의 표준 재료로 압축됩니다.
이렇게 정리한 재료를 FlavorDB 에 매칭할 때는 개체 유일성(entity-unique) 정책을 적용합니다. 각 FlavorDB 개체는 최대 하나의 표준 재료에만 매칭되며, 후보가 경합하면 이름 유사도로 동점을 처리합니다. 그래프 구성 후 min_compound_degree=2 필터를 적용하면 523 개 재료만이 활성 화합물 엣지를 유지하고, 나머지 1{,}267 개는 화합물과 직접 연결되지 않는 비허브(non-hub) 가 됩니다. 이 허브/비허브 구분은 뒤에서 중요한 역할을 합니다.
요리 평가를 위해서는 말뭉치 출처에 근거한 8 개의 광역 요리권(cuisine macro-region) 을 정의합니다. 여기서도 Claude Opus가 distinctive-marker 프롬프트로 모든 표준 재료에 지역 라벨을 붙입니다. 흥미롭게도 소금, 양파, 달걀, 밀가루, 쌀처럼 어디에나 쓰이는 보편 재료는 라벨을 받지 않고, 특정 요리 전통을 즉각 떠올리게 하는 재료만 지역 라벨을 받습니다. 그 결과 태그된 1{,}816 개 재료 중 808 개(44.5\% )가 보편 재료, 1{,}008 개(55.5\% )가 요리권 특화 재료로 분류됩니다.
두 가지 그래프 구성
세 Epicure 모델은 같은 1{,}790 개 재료 노드 집합과 같은 203{,}508 개 NPMI 동시 출현 엣지를 공유합니다. 그 위에 두 가지 그래프 변형이 만들어집니다.
Cooc 그래프(동시 출현만) 는 재료-재료 엣지를 정규화 점별 상호정보량(NPMI, Normalized Pointwise Mutual Information) 으로 가중합니다. 20 개 미만의 레시피에 등장하는 재료는 NPMI 계산 전에 제거하고, 양의 NPMI 쌍만 남기면 203{,}508 개 엣지가 됩니다.
Core/Chem 그래프(동시 출현 + 타입 부여 화합물 엣지) 는 여기에 2{,}247 개의 타입 부여 FlavorDB 화합물 노드를 더하고, 이들을 재료 노드와 80{,}019 개의 타입 부여 재료-화합물(I-C) 엣지로 연결합니다. 각 화합물은 발사믹, 시트러스, 흙내음, 지방, 꽃향, 과일향, 풀향, 고기향, 민트향, 견과류, 매운맛, 채소, 와인향, 나무향 등 15 개 향미 카테고리 중 하나 이상의 태그를 가집니다. 여기서 중요한 설계 결정이 있습니다. 연구진은 한 화합물이 속한 카테고리 수만큼 그 화합물 노드를 복제 합니다. 이렇게 하면 Metapath2Vec의 타입 부여 걷기가 "시트러스-시트러스 화합물 중첩"과 "시트러스-흙내음 가교"를 구분할 수 있습니다. 이는 모든 화합물을 하나의 단일 타입 노드로 뭉뚱그렸던 FlavorGraph와 결정적으로 다른 지점입니다.
세 형제 모델
세 모델은 모두 동일한 Metapath2Vec (Dong et al., 2017) 아키텍처와 하이퍼파라미터로 학습됩니다(300 차원 임베딩, 노드당 걷기 100 회, 걷기 길이 50, 문맥 크기 7, 음성 샘플 5 개, 배치 크기 32{,}768, 학습률 0.0025, 20 에폭). 목적 함수는 음성 샘플링을 사용하는 skip-gram이며, 구현은 PyTorch (Paszke et al., 2019) 로 이루어졌습니다.
세 형제의 차이는 오직 skip-gram이 보는 걷기 종류뿐입니다.
- Epicure-Cooc 는 Cooc 그래프를 걷습니다. NPMI로 가중된 순수 재료-재료(I-I) 걷기만 있고, 화합물 노드는 보지 않습니다. 레시피 맥락의 극단 입니다.
- Epicure-Core 는 타입 부여 화합물 그래프를 걷되,
--ii_repeat=10으로 순수 I-I 걷기를 화합물 메타패스 옆에 주입합니다. I-C 홉이 더 작은 I-I 엣지 집합 대비 과다 표집되지 않도록 엣지 전이를 가중합니다. 그 결과 화학과 레시피 맥락 신호가 혼합 됩니다. - Epicure-Chem 은 타입 부여 화합물 그래프를 걷되
--ii_repeat=0입니다. I-I 템플릿이 아예 없고, skip-gram이 보는 걷기는 모두 화합물을 매개로 합니다. 화학의 극단 입니다.
조금 더 들여다보면, 화합물은 활성 I-C 엣지를 가진 523 개의 화학 허브(chemical-hub, H) 재료에만 붙고, 나머지 1{,}267 개는 비허브(non-hub, N) 입니다. Core와 Chem은 세 종류의 화합물 매개 걷기를 생성합니다. 같은 계열 화합물을 공유하는 재료 쌍을 묶는 동일 타입 H-C-H 걷기, 비허브 재료가 화합물 맥락을 받는 유일한 경로인 화합물 경유 N-H-C-H-N 걷기, 그리고 두 화합물 계열을 허브-비허브 사슬로 잇는 교차 타입 C-H-N-H-C[y] 걷기입니다. 비허브 재료가 오직 경유 경로로만 화학 신호에 닿는다는 점은 나중에 한계점에서 다시 짚습니다.
기하학: 세 임베딩은 어떻게 다른가
방법론으로 세 임베딩을 만들었다면, 이제 "이들이 실제로 어떤 기하학을 형성하는가?" 가 궁금해집니다. 연구진은 이를 등방성과 식품군 구조, 지도 방향 품질, 창발적 요인과 모드의 세 단계로 분석합니다.
등방성과 식품군 구조
선형 연산을 시험하기 전에, 먼저 각 임베딩이 변량을 얼마나 넓게 펼치는지를 두 가지 지표로 측정합니다. 참여 비율(participation ratio, PR) 과 평균 쌍별 코사인입니다.
결과는 두 개의 등방적 기하학과 하나의 집중된 기하학 이었습니다. Cooc는 가능한 300 차원 중 \mathrm{PR}=173.6, Chem은 \mathrm{PR}=183.1 에 이르며 둘 다 평균 쌍별 코사인이 0.10 ~ 0.12 대로 넓게 퍼져 있습니다. 반면 Core는 \mathrm{PR}=94.2, 평균 쌍별 코사인 0.35 로 뚜렷하게 집중되어 있습니다. 주목할 점은 이 집중이 입력 데이터가 아니라 걷기 스키마의 산물이라는 것입니다. Core는 각 재료-재료 엣지를 길이 2 걷기로 주입하고 그것을 라운드당 10 회 반복하므로, 강력한 레시피 맥락 인력점(attractor)이 만들어집니다. Cooc는 타입 부여 I-C 메타패스가 없고 Chem은 주입된 I-I 반복이 없어, 둘 다 비슷하게 퍼지게 됩니다.
또한 세 임베딩 모두 라벨을 학습에 쓰지 않았는데도 영양적, 문화적 라벨을 중심으로 자기 조직화(self-organisation)했습니다. 같은 USDA 식품군 재료들이 우연보다 가깝게 모여 정규화 상호정보량(NMI) 에서 0.20 ~ 0.25 를 기록했고, 8 개 요리권에 대한 소프트 NMI는 0.43 ~ 0.46 으로 식품군 수준의 약 두 배에 달했습니다. 이는 문화적 전통이 영양 범주보다 재료 동시 출현을 더 깔끔하게 형성한다 는 흥미로운 사실을 시사합니다. 위 그림(Figure 1)의 UMAP 투영에서 세 모델 모두 동아시아, 남아시아, 라틴아메리카, 지중해 군집이 시각적으로 뚜렷하게 분리되는 것을 볼 수 있습니다.
방향 품질: 개념은 선형으로 복원되는가
다음 질문은 "라벨이 붙은 미식 개념이 각 임베딩에서 선형으로 복원되는가, 그리고 그 복원력이 탐침이 학습 신호에서 멀어질수록 어떻게 변하는가?" 입니다. 연구진은 27 개의 연속 탐침과 8 개의 요리권을 5겹 교차 검증으로 평가합니다. 연속 탐침은 학습 신호와의 거리에 따라 세 층위로 나뉩니다. 스키마가 직접 보는 14 개의 내장 화합물 특징(CF) 감각 카테고리, 스키마가 보지 못하는 5 개의 보류된 기본 맛 CF 탐침, 그리고 외부 영양 데이터에서 가져온 8 개의 USDA 다량영양소 탐침입니다. 여기에 LLM이 붙인 distinctive-marker 태그에서 온 8 개의 요리권은 학습 신호에서 가장 멀리 떨어진 네 번째 층위를 이룹니다.
결과는 세 모델 모두 모든 층위를 선형으로 복원하며, 매 층위에서 Cooc < Core < Chem 의 동일한 순서 를 보였습니다. 내장 CF는 \bar{\rho}=0.28/0.40/0.46, 보류된 기본 맛 CF는 0.32/0.42/0.47, USDA 다량영양소는 0.41/0.45/0.49, 요리권 분리도는 코헨의 d 로 \bar{d}=2.43/2.70/3.07 입니다. 27 개 연속 탐침 전체에서 Chem이 Core를 26 개, Cooc를 27 개에서 앞섰고, 8 개 요리권 전부에서 선두였습니다.
이 결과의 함의는 깊습니다. 화학 중심의 걷기 스키마(Chem)가 스키마가 직접 이름 붙이지 않은 기본 맛, 영양소, 요리권 탐침에서까지 가장 선명한 선형 방향을 만들어 낸다는 것은, 화학 매개 걷기가 라벨이 직접 부호화한 범위를 넘어서는 구조적 사전 정보(structural prior)로 작동 한다는 뜻입니다. 공유 향미 화합물을 통해 맥락을 우회시키는 것만으로, 스키마가 명시한 것보다 더 넓은 미식 개념군이 선형적으로 복원 가능해집니다.
창발적 요인과 모드
지도 방향이 "라벨이 붙은 개념이 어디 사는가"를 답한다면, "임베딩 자신의 자연스러운 축은 무엇인가?" 는 별개의 질문입니다. 임베딩 고유의 축이 반드시 어떤 라벨과 일치할 이유는 없기 때문입니다. 연구진은 라벨을 전혀 쓰지 않고 이 자연스러운 축을 찾기 위해, 식품군으로 잔차화(residualised)한 임베딩 위에서 FastICA 독립성분분석을 돌립니다. 식품군 변량과 직교하도록 잔차화하므로, 복원되는 축은 식품군이라는 지배적 변량 너머의 구조를 드러냅니다.
요인의 식별 가능성은 10 개의 무작위 시드에 걸친 헝가리안 매칭(Hungarian matching)으로 보장하고, 분할 반분(split-half) 코사인 안정성이 0.6 을 넘는 요인만 남깁니다. 그 결과 모델마다 20 개의 안정적인 요인 이 나옵니다. 각 요인의 상위 사분위 재료를 PCA 축소 공간에서 가우시안 혼합 모델(GMM) 로 분할하면, 모델당 150 ~ 200 개의 이름 붙은 미식 모드(culinary mode) 가 떨어집니다(Cooc 150 개, Core 193 개, Chem 200 개). 각 모드는 "달콤한 베이킹과 디저트 재료", "남아시아 통 향신료 블렌드", "멕시코 및 라틴아메리카 식료품" 처럼 하나의 이름 붙은 미식 이웃으로 읽힙니다.
이 모드들이 단지 한 시드의 우연한 산물이 아니라는 점도 확인됩니다. 창발적 모드는 모든 모델에서 무작위 쌍 응집도 기준선보다 5 ~ 6 배 높은 응집도를 보였습니다. 극(pole)까지의 평균 코사인이 Cooc/Core/Chem 각각 0.611/0.833/0.703 인 반면, 무작위 쌍 기준선은 0.097/0.348/0.115 입니다. 응집도와 기준선의 차이(tightness margin)는 세 모델에서 약 0.5 로 비슷하지만, 절대 응집도는 각 모델의 집중도를 따라갑니다. 집중된 Core(\mathrm{PR}=94 )가 극의 응집도와 전체 쌍 바닥값을 모두 위로 끌어올리는 반면, 등방적인 Cooc와 Chem(\mathrm{PR}\approx174, 183 )은 같은 차이를 유지하면서 절대값은 낮은 식입니다.
변환: 임베딩 위에서 무엇을 할 수 있는가
선형으로 복원되는 지도 방향과 모델당 150 ~ 200 개의 이름 붙은 창발적 모드. 이 기하학적 어휘 위에서 연구진은 두 가지 상보적인 연산 가족을 제시합니다. 최근접 이웃 기반의 궁합(pairing) 과 SLERP 기반의 방향 산술(direction arithmetic) 입니다.
궁합: 무엇이 X와 어울리는가
가장 단순한 미식 질문인 "X와 무엇이 어울리는가?" 에 답하기 위해, 각 임베딩에서 상위 5 개의 코사인 최근접 이웃과 가장 가까운 창발적 모드를 계산합니다. 외부 비교 대상으로 FlavorGraph를 함께 둡니다.
먼저 세 Epicure 모델은 일관된 입도(granularity)로 미식적으로 일관된 이웃을 반환한 반면, FlavorGraph는 동시 출현 신호를 산만한 어휘로 파편화하는 긴 조리법 수준 문자열을 반환했습니다. 정규화된 어휘가 만든 차이입니다.
더 흥미로운 것은 세 모델이 같은 씨앗에 대해 서로 다른 종류의 이웃 을 반환한다는 점입니다. 닭고기(chicken) 의 경우, Cooc의 최상위는 마늘 (레시피 동반자)이고 상위 5 개는 대부분 향미 채소(마늘, 양파, 후추, 칠면조, 당근)입니다. Core의 최상위는 돼지고기 (화학적 동료), Chem은 소고기 입니다. 바질(basil) 의 경우, Cooc는 파슬리 (동시 출현 동료)를 가져오지만, Core의 오레가노 와 Chem의 타라곤 은 모두 이탈리아 허브 화학 군집에 자리하며 상위 5 개 중 넷(오레가노, 타라곤, 로즈메리, 파스타)을 공유합니다.
이것이 의미하는 바는, 세 형제가 셰프가 재료를 치환할 때 택하는 두 갈래 길을 노출한다는 것입니다. "이것과 또 무엇을 함께 요리하는가" (Cooc) 대 "무엇이 그 향미 프로파일을 공유하는가" (Core와 Chem)입니다.
단순한 최근접 이웃 조회와는 별개로 모드 멤버십 조회(mode-membership lookup) 도 가능합니다. 씨앗과 가장 가까운 창발적 모드를 찾고 그 모드의 다른 구성원들을 함께 보여주는 방식인데, 이는 "씨앗에 무엇이 가장 가까운가" 와 "씨앗이 지도(atlas) 위 어디에 사는가" 를 분리해 줍니다. 셰프용 도구는 보통 이 둘을 모두 원합니다. 덕분에 FoodKG 같은 지식 그래프가 제공하던 '이 재료는 어느 명명된 군집에 속하는가'라는 질의와, FlavorGraph 같은 임베딩이 제공하던 연속 기하 질의를, 별도의 두 시스템이 아니라 하나의 300 차원 모델 위에서 동시에 누릴 수 있게 됩니다.
방향 산술: 셰프의 의도대로 회전시키기
최근접 이웃은 씨앗이 이미 어디 앉아 있는지를 보여줍니다. 하지만 씨앗을 원하는 방향으로 조종 하려면 명시적 연산자가 필요합니다. 연구진은 단위 구(unit sphere) 위에서 씨앗을 목표 방향으로 각도 \theta 만큼 회전시키는 SLERP(구면 선형 보간) 를 사용합니다. 0^\circ 에서는 회전된 질의가 원본 씨앗 그대로이고, 60^\circ 에서는 씨앗과의 코사인 유사도가 0.5 로 떨어져 목표의 이웃이 지배하게 됩니다.
지도 방향으로의 SLERP 는 라벨에 정렬된 예측 가능한 조종을 제공합니다. 쌀(rice) 을 남아시아 방향으로 30^\circ 회전시키면 Cooc에서 카레잎, 마수르 달, 우라드 달, 차나 달, 호로파 씨 가 나오고, 옥수수(corn) 를 라틴아메리카로 30^\circ 회전시키면 살사 베르데, 토마티요, 케소 프레스코, 파히타 시즈닝, 옥수수 토르티야 가 나옵니다. 다중 제약 질의도 가능해서, 닭고기 를 가공식품 + 서양 대서양 방향으로 60^\circ 회전시키면 세 모델 모두 20세기 중반 미국 가정 요리 재료로 수렴합니다. 구체적인 상위 5 개 재료는 모델마다 다르지만(Cooc는 스위스 치즈, 스테이크 소스, 칠면조, 사워크림, 랜치 드레싱, Core는 체더 치즈, 크림 오브 치킨 수프, 크레센트 롤, 알프레도 소스, 랜치 드레싱), 도착 지점은 모두 같은 미국 가정식 영역입니다.
창발적 모드 극으로의 SLERP 는 같은 연산자가 라벨 없는 목표에서도 작동함을 보여주며, 각 모델의 학습 편향을 숨기지 않고 항해 가능한 손잡이로 노출 합니다. 초콜릿 을 달콤한 베이킹 방향으로 회전시키면 세 모델 모두 제과 군집에 도착하지만 문화적 색채가 다릅니다. Cooc(코코아 파우더, 바닐라, 커피)와 Core(베이킹 파우더, 치아씨, 통밀가루)는 둘 다 서양 베이킹 이웃에 닿는 반면, Chem은 팥앙금, 말차 가루, 자색 고구마 가 닻을 내린 동아시아 디저트 모드에 도착합니다.
각도는 연속적인 손잡이다
회전 각도 자체가 연속적인 다이얼이라는 점도 강조됩니다. 닭고기 와 소고기 라는 두 씨앗을 단일한 셰프 의도, 즉 멕시코/텍스멕스 식료품 모드(치킨 파히타, 비프 바바코아 영역)로 세 각도(0^\circ, 30^\circ, 60^\circ )에서 회전시키는 실험이 이를 잘 보여줍니다. 0^\circ 에서는 씨앗 고유의 이웃(Cooc 소고기: 양파, 돼지고기, 후추, 마늘, 감자)이 나오고, 30^\circ 에서는 텍스멕스 중간 재료가 지배하며, 60^\circ 에서는 두 씨앗 모두 거의 동일한 멕시코 특산 이웃으로 붕괴합니다. Core에서는 둘 다 동일한 텍스멕스 상위 5 개(옥수수 토르티야, 살사, 몬터레이 잭 치즈, 밀가루 토르티야, 토르티야)를 반환합니다.
특히 60^\circ 의 목적지(코티하 치즈, 안초 칠레, 포블라노 고추, 살사 베르데)는 씨앗 스스로는 직접 가져오지 못하는 특산 재료들입니다. 회전이 일반적인 고기 씨앗에서 이들을 끌어올린 것입니다. 셰프 도구는 이 각도를 노출시켜, 사용자가 다듬을 때는 씨앗 가까이 머물고 탐색할 때는 멀리 여행할 수 있게 해야 한다고 저자들은 제안합니다.
통제된 비교가 보여주는 것과 한계
이 연구의 가장 큰 미덕은 통제된 비교 그 자체에 있습니다. Cooc, Core, Chem은 아키텍처, 하이퍼파라미터, 어휘, 그래프 노드 집합, 203{,}508 개 동시 출현 백본까지 모두 공유하고 오직 걷기 스키마만 다릅니다. 여기서 두 가지 발견이 따라옵니다. 첫째, Cooc < Core < Chem의 순서가 스키마가 보지 못하는 탐침을 포함한 모든 층위에서 성립한다는 점에서, 화학 매개 걷기는 자신이 부호화한 라벨 너머로 도달하는 구조적 사전 정보 입니다. 둘째, Core의 집중된 기하학은 Mu et al. (2017) 이 다룬 말뭉치 유발 붕괴가 아니라 10\times I-I 걷기 주입의 의도된 결과이며, 구조해야 할 결함이 아니라 설계 지렛대 입니다.
사용자 관점에서 보면 이 모든 것이 같은 300 차원 임베딩 위에서 표현되는 세 가지 독립적인 선택으로 정리됩니다. 어느 형제를 질의할 것인가(동시 출현 동반자를 원하는가, 향미 프로파일 동료를 원하는가), 어느 방향으로 회전할 것인가(라벨 기반 지도 극인가, 창발적 요인 모드 극인가), 그리고 얼마나 멀리 갈 것인가(SLERP 각도)입니다. 즉 단순 추천을 넘어 임베딩 공간을 항해(navigation) 하는 셈입니다.
저자들은 한계도 솔직하게 밝힙니다. 첫째는 말뭉치 불균형 입니다. 4.14\text{M} 레시피의 약 절반이 동아시아, 십분의 일이 지중해이고 남아시아, 동유럽, 라틴아메리카는 한 자릿수 비중에 그칩니다. 작은 요리권일수록 코헨의 d 신뢰 구간이 넓어지지만, 세 형제의 교차 요리권 순위 는 안정적이므로 불균형은 종합 결론보다 지역 내 해상도를 더 제약합니다.
둘째는 허브 커버리지 입니다. 1{,}790 개 표준 재료 중 FlavorDB에 닻을 내리는 것은 525 개뿐이고, 나머지 1{,}267 개 비허브는 N-H-C-H-N 경유 메타패스를 통해서만 간접적으로 화합물 맥락에 닿습니다. 이들의 화학 신호는 허브보다 한 걷기 홉만큼 더 멀리 떨어져 있으며, FooDB나 USDA 같은 더 넓은 화합물 커버리지가 이 사슬을 줄여 줄 것입니다.
셋째는 파이프라인의 LLM 의존성 입니다. 정규화, 요리 태깅, 요인/모드 라벨 생성 모두 Claude를 사용합니다. 다만 임베딩 자체는 LLM과 무관합니다. skip-gram 목적 함수는 표준 재료와 화합물 토큰에 대한 걷기 시퀀스만 보기 때문에, 분석하는 기하학이 LLM 판단에 직접 조건화되지는 않습니다. 단, 노드 집합을 정의하는 표준 어휘는 LLM이 만든 것입니다.
결론: 추천에서 항해로
계산 미식학은 Ahn et al. (2011) 의 서술적 향미 네트워크에서 출발해, 화합물 카탈로그(FlavorDB, FooDB)와 통합 지식 그래프(FoodKG)를 거쳐, FlavorGraph 로 대표되는 분산 표현 식품 임베딩에 이르렀습니다. Epicure가 제안하는 다음 걸음은 임베딩 위에서 작동하는 연산자들을 노출 하는 것입니다. 300 차원 벡터는 최근접 이웃 궁합, 가장 가까운 모드 조회, 연속 각도 SLERP 회전으로 감싸일 때, 그리고 그 안의 귀납 편향이 네트워크 선택 속에 숨겨지는 대신 이름 붙은 조절 가능한 축 으로 노출될 때 비로소 셰프에게 유용해집니다.
저자들은 세 가지 직접적인 확장을 제시합니다. 걷기에서의 연속 혼합 파라미터로 세 형제를 매개변수화된 가족으로 바꾸는 것, 단일 모드 점프를 넘어 모드 내 보간과 다중 방향 혼합 및 제약 항해("지중해 방향으로 회전하되 유제품 모드에 머물러라") 같은 더 풍부한 연산자, 그리고 공유 표준 어휘를 통해 SLERP 연산자가 재료 공간에서 레시피 텍스트, 이미지, 감각 기술자 공간으로 건너가게 하는 교차 모달 접지입니다. 더 넓게 보면, 걷기 스키마를 실험 변수로 다룬다 는 방법론적 발상은 앞으로 화학, 영양, 감각, 이미지, 레시피 텍스트 신호를 융합하는 모든 시도에 적용될 수 있습니다.
한 가지 짚어둘 점은 공개 여부입니다. 논문 본문(v1)에는 코드와 학습된 모델 산출물이 공개되지 않았다 고 적혀 있습니다("Code and trained artefacts are not released at this time."). 그러나 논문 공개 이후 저자 그룹(KAIKAKU.AI)은 세 개의 학습된 임베딩 epicure-cooc, epicure-core, epicure-chem 과, 이를 불러와 최근접 이웃 및 SLERP 연산을 수행하는 epicure.py 로더, 그리고 모드 아틀라스와 평가 결과를 담은 동반 데이터셋을 Hugging Face에 CC BY 4.0 라이선스로 공개했습니다. 다만 4.14\text{M} 레시피 원문과 동시 출현 및 화합물 그래프 원본은 재배포 제약으로 포함되지 않아, 원본 그래프부터 처음 학습을 재현하려면 별도로 데이터를 확보해야 합니다.
설치 및 사용 방법
공개된 임베딩은 huggingface_hub, safetensors, numpy 만 있으면 바로 불러와 궁합 조회와 방향 회전을 수행할 수 있습니다.
from epicure import Epicure
m = Epicure.from_pretrained("Kaikaku/epicure-cooc")
m.neighbors("chicken", k=5)
m.slerp("corn", "cuisine:Latin_American", theta_deg=30, k=5)
Epicure: Navigating the Emergent Geometry of Food Ingredient Embeddings 논문
화학 성분과 레시피 맥락의 혼합 비율을 걷기 스키마라는 설계 변수로 노출한 세 형제 식재료 임베딩(Cooc, Core, Chem)을 제시하고, 같은 300차원 공간 위에서 지도 방향과 창발적 모드를 항해하는 연산자들을 분석합니다.
Epicure: multidimensional flavor structure in food ingredient embeddings (선행 연구)
FlavorGraph: a large-scale food-chemical graph for generating food representations and recommending food pairings
https://www.nature.com/articles/s41598-020-79422-8
Epicure 임베딩 모델 (Hugging Face)
Epicure 동반 데이터셋 (Hugging Face)
더 읽어보기
-
FlavorDB (향미 분자 데이터베이스): FlavorDB
-
FooDB (식품 화합물 데이터베이스): https://foodb.ca/
-
Metapath2Vec 원 논문: https://dl.acm.org/doi/10.1145/3097983.3098036
이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.
파이토치 한국 사용자 모임
이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일
로 보내드립니다!
텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다. 
아래
쪽에 좋아요
를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ 