18万+条评价！250款啤酒到底有啥不同？

摘要

食品风味的感知与喜好受多种化合物互作及外部因素调控，难以解析和预测。本研究对250款啤酒开展全面化学检测与感官分析，训练机器学习模型以预测风味特征与消费者喜好。针对每款啤酒，检测200余项化学指标，由专业品鉴组完成定量描述性感官分析，并整合18万余条消费者评价，训练10种机器学习模型。表现最优的梯度提升算法模型显著优于传统统计预测方法，可通过化学图谱精准预测啤酒复杂风味与消费者喜好。模型解析筛选出调控啤酒风味与喜好的特异性、非预期化合物，外源添加这些化合物可显著提升市售含酒精/无酒精啤酒的消费者接受度。本研究揭示了大数据与机器学习可挖掘食品化学、风味与消费者感知间的复杂关联，为开发风味更优的定制化食品提供理论基础。

kevin.verstrepen@kuleuven.be

#机器学习 #啤酒风味 #感官预测 #消费者喜好 #化学组学 #风味改良

结果

化学参数间的关联分析

图1选定化学参数（右上）与品鉴组感官描述词（左下）的相关性

展示斯皮尔曼秩相关系数；描述词按化合物来源（麦芽：蓝色，酒花：绿色，酵母：红色，野生菌群：黄色，其他：黑色）与感官维度（香气、滋味、口感、整体喜好）分组；为清晰展示，仅呈现关键化合物的相关性。

特定风味的品鉴评价与化学成分相关

图2化学数据与专业品鉴组感官数据的成对斯皮尔曼秩相关

热图颜色代表斯皮尔曼相关系数；坐标轴按感官类别（香气、滋味、口感、整体）、化学类别与化合物来源分组。

消费者评价补充专业品鉴数据

图3在线消费者评价与专业品鉴组评分的相关性

展示斯皮尔曼相关系数，*代表显著相关（p<0.05，双侧检验）；除酯香、酯味、香蕉酯香、香菜、双乙酰外，其余p值均<0.001。

基于化学数据预测啤酒感官图谱

表1各模型预测专业品鉴组描述词与RateBeer评价的性能

性能指标为测试集预测决定系数（R²），基于多输出模型计算；平均排名为各描述词单属性模型排名的均值，数值越低代表模型越优；各指标最高值加粗显示；部分模型R²为负值，表明均值预测效果优于模型。

模型解析锁定影响消费者喜好的关键化合物

图4影响消费者喜好的核心化学参数

A 基于梯度提升回归（GBR）模型的不纯度特征重要性（MDI），展示排名前15的化学参数；

B GBR模型前15大贡献参数的SHAP汇总图，每个点代表1个样本，颜色代表参数浓度（蓝色=低浓度，红色=高浓度），横轴绝对值越大对预测影响越大；

C 前15大关键化学参数与消费者整体喜好的斯皮尔曼相关性，数值为相关系数与排名。

模型验证：风味改良实验

图5基于核心预测化合物外源添加的模型验证

A 将金色艾尔、无醇/低醇啤酒的核心化合物添加至风格内95%分位乙醇归一化浓度，列出对照组与添加组的化合物浓度；

B 感官测试结果，品鉴者判定风味强度更高的样本并选择偏好样本，柱上数值为双侧2项检验p值（α=0.05），证实添加组风味与喜好度显著提升。

数据和代码

Zenodo平台，登录号10653704

详细总结

思维导图

10种模型预测性能对比（决定系数R²）

参考

Nat Commun. 2024 Mar 26;15(1):2368. doi: 10.1038/s41467-024-46346-0.

Predicting and improving complex beer flavor through machine learning

240326beer.pdf

注：AI辅助创作，如有错误欢迎指出。内容仅供参考，不构成任何建议。