Deep Belief Networks Used to Generate Meaningful Patterns

Abstract

This thesis investigates quality-guided Deep Belief Networks for recipe generation. We collect 18,255 recipes from major cooking websites and de- velop three representation schemes: one-hot encoding, FastText embeddings, and BERT embeddings. To address survivorship bias in published recipes, we generate synthetic negative examples using culinary anti-patterns. Quality prediction models are trained to distinguish between good and poor ingredi- ent combinations. One-hot encoding emerges as the optimal choice, balancing architectural compatibility with direct interpretability. We integrate quality predictors into Deep Belief Network training through supervised ne-tuning, adding a regression head to predict recipe quality scores. Systematic evalua- tion of nine architectures reveals that uniform con gurations with moderate capacity achieve the best balance between representation learning and gen- eralization. Manual evaluation of 100 generated recipes con rms the system produces plausible combinations, while also revealing gaps between statistical optimization and culinary coherence.

Tato práce zkoumá Deep Belief Networks řízené kvalitou pro generování receptů. Shromáždili jsme 18 255 receptů z předních kulinářských webů a vyvinuli tři reprezentační schémata: one-hot encoding, FastText embeddings a BERT embeddings. Pro řešení survivorship bias v publikovaných receptech generujeme syntetické negativní příklady pomocí kulinářských anti-patterns. Modely predikce kvality jsou trénovány k rozlišování mezi dobrými a špat- nými kombinacemi ingrediencí. One-hot encoding se ukazuje jako optimální volba, která vyvažuje kompatibilitu s architekturou a přímou interpretova- telnost. Prediktory kvality integrujeme do trénování Deep Belief Networks prostřednictvím supervised ne-tuningu s regresní hlavou pro predikci skóre kvality receptů. Systematické vyhodnocení devíti architektur ukazuje, že uni- formní kon gurace se střední kapacitou dosahují nejlepší rovnováhy mezi uče- ním reprezentací a generalizací. Manuální vyhodnocení 100 vygenerovaných receptů potvrzuje, že systém produkuje věrohodné kombinace, zároveň však odhaluje rozdíly mezi statistickou optimalizací a kulinářskou koherencí.