RECIPTOR：用于食谱表征学习的有效预训练模型

基于摘要分析。该研究针对食品计算中高质量标注数据不足、食谱预训练表征难以学习的问题，提出联合利用食材与烹饪说明的 RECIPTOR，为感知、识别和推荐等应用学习食谱嵌入。 机制上，RECIPTOR 是基于 Set Transformer 的联合模型，保留食材集合的置换不变性；同时利用知识图谱（KG）衍生的三元组采样，使相关食谱在潜在语义空间中更加接近。模型进一步结合烹饪说明之间的相似性与基于 KG 的三元组损失联合优化嵌入。摘要未提供具体损失公式、知识图谱构建方式或预训练配置。 作者报告，RECIPTOR 在两个新设计的下游分类任务上明显优于所比较的先进基线，但摘要未给出任务名称、数据集、划分方式、指标或数值，因此不能量化优势或判断比较条件；实验协议、消融及统计信息尚未验证。预训练权重与代码是否可用也尚未验证。 平台推测（待验证）：可迁移的机制是假设以集合编码处理通道排列、以图关系约束表征，但食材集合并不等同于 EEG 通道集合，通道位置与空间关系通常不可丢弃。若评估该假设，可保留通道位置标识，并在固定数据划分下比较有无图引导三元组采样的跨被试表征；主要风险是 EEG 低信噪比、被试差异及小数据条件下图关系不可靠。原领域结果不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。