[论文解读] FEAST: Retrieval-Augmented Multi-Hierarchical Food Classification for the FoodEx2 System

Lorenzo Molfetta, Alessio Cocchieri+4 more|arXiv (Cornell University)|Mar 3, 2026

Nutritional Studies and Diet被引用 0

一句话总结

FEAST 引入一种检索增强的多阶段流水线，通过顺序识别基础术语、因素类别和因素描述，将自由文本食品描述映射到 FoodEx2 代码，使用密集检索、重新排序和可选的 LLM 来处理层次化和数据稀疏的问题。

ABSTRACT

Hierarchical text classification (HTC) and extreme multi-label classification (XML) tasks face compounded challenges from complex label interdependencies, data sparsity, and extreme output dimensions. These challenges are exemplified in the European Food Safety Authority's FoodEx2 system-a standardized food classification framework essential for food consumption monitoring and contaminant exposure assessment across Europe. FoodEx2 coding transforms natural language food descriptions into a set of codes from multiple standardized hierarchies, but faces implementation barriers due to its complex structure. Given a food description (e.g., "organic yogurt''), the system identifies its base term ("yogurt''), all the applicable facet categories (e.g., "production method''), and then, every relevant facet descriptors to each category (e.g., "organic production''). While existing models perform adequately on well-balanced and semantically dense hierarchies, no work has been applied on the practical constraints imposed by the FoodEx2 system. The limited literature addressing such real-world scenarios further compounds these challenges. We propose FEAST (Food Embedding And Semantic Taxonomy), a novel retrieval-augmented framework that decomposes FoodEx2 classification into a three-stage approach: (1) base term identification, (2) multi-label facet prediction, and (3) facet descriptor assignment. By leveraging the system's hierarchical structure to guide training and performing deep metric learning, FEASTlearns discriminative embeddings that mitigate data sparsity and improve generalization on rare and fine-grained labels. Evaluated on the multilingual FoodEx2 benchmark, FEAST outperforms the prior European's CNN baseline F1 scores by 12-38 % on rare classes.

研究动机与目标

• 在实际的 FoodEx2 分类体系中阐释分层文本分类和 XML 的挑战。
• 提出 FEAST 将 FoodEx2 编码分解为基础术语、因素类别和描述符的预测。
• 利用分层结构和深度度量学习来缓解数据稀疏并提升对稀有标签的泛化能力。
• 展示在各阶段中具有灵活再排名和基于 LLM 的选项的检索增强方法。

提出的方法

• 将 FoodEx2 表示为三阶段流水线：基础术语识别、因素类别分类与因素描述符分配。
• 使用带双编码器的嵌入和交叉编码器再排名的检索增强框架以精炼候选项。
• 利用从分类法中衍生的硬负样本挖掘来训练鲁棒嵌入。
• 在检索与再排名组件中加入可选的基于 LLM 的分类器，将自然语言描述映射到代码组件。
• 使用 LoRA 适配器对 LLM（LLaMA-3.1-8B）进行联合三任务多任务训练。
• 通过检索指标（Accuracy@K、Recall@K、NDCG、MRR、MAP）和分类指标（Precision、Recall、F1）在各任务上进行评估。

实验结果

研究问题

• RQ1 检索增强的方法如何提升 FoodEx2 中基础术语、因素类别和因素描述符的预测？
• RQ2 三阶段的 FEAST 流水线是否能在稀有和细粒度的 FoodEx2 代码上优于基于 CNN 的基线？
• RQ3 硬负样本挖掘和层次结构对对未见基础术语和因素的泛化有何影响？
• RQ4 在这个分层、多任务设置中，编码器基的再排名与基于 LLM 的分类之间有哪些权衡？

主要发现

• FEAST 在 FoodEx2 编码的稀有类别上相对于此前的欧洲 CNN 基线提升了 12–38% 。
• 检索组件在基础术语和描述符检索方面表现出色（例如 Base Term Acc@1 96.57%、Descriptor Acc@1 98.90%）。
• 再排序器将基础术语准确率提升至 91.01%、描述符准确率提升至 96.03% @1。
• 双编码器分类器在因素类别上表现强劲但存在不均衡，DeBERTa-v3-base 在任务 II 的指标在 @1 约 73%、在排名 3–10 时更高。
• 基于 LLM 的分类（LLaMA-3.1-8B 结合 LoRA）在任务 I 和任务 III 上表现出色，但对任务 II 的结果喜忧参半，提示类别层面多任务的获益需要仔细的提示设计和/或模型选择。
• 在整个任务中，FEAST 在验证集上几乎达到任务 I 和任务 III 的完美准确性，并在样本外评估中显示出鲁棒性。