综述：数据挖掘在食品风味分析中的进展：技术、应用与未来方向的全面评述

这篇综述系统梳理了数据挖掘技术在食品风味研究中的应用，涵盖风味组学（flavoromics）、多变量数据处理策略及人工智能（AI）和大型语言模型（LLMs）的创新方法。文章重点探讨了从风味分子预测到食谱开发的前沿技术，并分析了当前挑战与机遇，为食品科学领域提供了标准化研究框架。

　　

摘要

食品风味领域存在大量来自风味组学、数据库和社交媒体的结构化与非结构化数据。为高效提取信息并促进应用，数据挖掘技术被广泛采用。本文系统综述了食品风味数据挖掘的多元数据处理策略，探讨了针对小数据集和复杂人工数据准备的预处理方法，并总结了基于人工智能（AI）和大型语言模型（LLMs）的创新方法在风味分子预测和食谱开发中的前景。

1. 引言

现代社会中，食品风味数据通过在线数据库、社交媒体和化学实验不断生成，但其复杂性限制了有效利用。风味组学通过化学方法探索化合物与风味的关联，通常依赖仪器分析和统计方法，但实验流程复杂且数据稀缺。数据挖掘技术通过整合多源数据（如仪器数据库和在线评论）提升分析效率，而大型语言模型（LLMs）和多模态技术进一步推动了大规模数据处理。

2. 方法论

文献检索聚焦2013年至2024年间的食品风味数据挖掘研究，筛选自Web of Science、IEEE和Google Scholar的497篇文献，最终纳入274篇。关键词共现网络分析揭示了研究热点。

3. 数据挖掘在风味研究中的概述

数据挖掘流程分为数据收集、预处理、分析和可视化。数据源包括风味组学实验、在线数据库和社交媒体。常用技术包括偏最小二乘法（PLS）、主成分分析（PCA）和随机森林（RF），而自然语言处理（NLP）和LLMs多用于食谱开发任务。

4. 数据收集

4.1 风味组学数据

通过气相色谱-质谱联用（GC-MS）、电子鼻（E-Nose）等技术获取挥发性有机物（VOCs）和非挥发性化合物数据，结合感官评价建立风味特征关联。

4.2 在线数据库

分为风味数据库（如FlavorDB）、化学数据库（如PubChem）和食谱数据库（如Recipe1M），用于分子特性分析和跨模态数据集构建。

4.3 社交媒体

通过爬虫系统收集消费者评论，应用长短期记忆网络（LSTM）等模型分析，替代传统感官评估。

5. 数据预处理

5.1 风味组学数据

质谱（MS）数据需基线校正、噪声过滤和特征提取；光谱数据采用多元散射校正（MSC）等方法；电子鼻信号通过快速傅里叶变换（FFT）降维。

5.2 数据库数据

SMILES字符串通过RDKit工具包转换为分子指纹或结构图；食谱文本需分词和向量化处理。

5.3 社交媒体数据

清洗后应用词频-逆文档频率（TF-IDF）或BERT模型提取特征，结合情感分析提升客观性。

6. 数据分析

6.1 风味预测

PLS和SVM用于风味组学数据的非线性建模；定量构效关系（QSAR）和深度学习预测分子风味属性。

6.2 风味鉴定

PCA可视化关键化合物，深度学习模型（如psCNN）分离核磁共振（NMR）谱中的组分。

6.3 食品分类

SVM和RF鉴别食品真伪；NLP分析社交媒体文本差异。

6.4 食谱开发

基于食物配对原则，FlavorGraph等图谱嵌入技术优化推荐系统，LLMs实现多模态食谱生成。

7. 数据可视化

R语言和Cytoscape生成热图与网络图，知识图谱整合风味成分与消费者偏好，支持个性化膳食设计。

8. 挑战与机遇

当前感官数据难以被社交媒体完全替代，且传统统计方法在深度学习模型中表现有限。未来需探索AI在分子风味识别和多模态数据融合中的应用，如生成模型扩充数据集。

9. 结论与展望

数据挖掘技术正从传统机器学习向LLMs和多模态系统拓展，但分子风味研究仍存空白。数据库的完善为AI模型训练提供支持，有望推动食品科学的革新。