Traditional wine and food pairing relies heavily on the expertise of sommeliers, who provide personalized pairing suggestions through multi- round interactions with users. However, professional sommelier services are typically limited to high-end restaurants or specific venues, making it challenging for users to access pairing advice conveniently, efficiently, and economically. To address this issue, machine learning was initially introduced into wine and food pairing recommendation systems, enabling fast and convenient recommendations based on historical pairing data. However, machine learning models depend on predefined training datasets, resulting in poor performance when handling new pairings and difficulty in dynamically adapting to users’ personalized needs. Against this backdrop, this study explores the potential of pre-trained language models in wine and food pairing applications and compares their recom- mendation effectiveness with that of machine learning models. To facilitate a comprehensive comparison, a prototype user interface was developed, allowing users to experience and evaluate the recommendations of both models. Users rated the recommendation quality across multiple dimensions, including satisfaction, accuracy, relevance, interface usability, and response speed, enabling quantitative analysis of the models’ performance. Qualitative insights were further supplemented through user interviews. The user study results revealed that pre-trained language models demonstrate significant adaptability when dealing with new pairing scenarios and excel at providing personalized recommendations based on user preferences, such as flavor profiles, dining occasions, and dietary restrictions. These findings suggest that pre-trained language models have immense potential in optimizing wine and food pairing recommendations, offering more flexible and accurate solutions to meet diverse user needs.

Traditionella vin- och matkombinationer bygger i stor utsträckning på sommelierers expertis, som genom flera rundor av interaktioner med användare tillhandahåller personliga rekommendationer. Men professionella sommeliertjänster är oftast begränsade till exklusiva restauranger eller specifika platser, vilket gör det svårt för användare att få tillgång till rekommendationer på ett bekvämt, effektivt och ekonomiskt sätt. För att lösa detta problem introducerades maskininlärning i rekommendationssystem för vin- och matkombinationer, vilket möjliggjorde snabba och smidiga rekommendationer baserade på historiska data. Maskininlärningsmodeller är dock beroende av fördefinierade träningsdatamängder, vilket leder till svag prestanda vid hantering av nya kombinationer och svårigheter att dynamiskt anpassa sig till användarens personliga behov. Mot denna bakgrund utforskar denna studie potentialen hos förtränade språkmodeller för vin- och matkombinationer och jämför deras rekom- mendationseffektivitet med maskininlärningsmodeller. För att möjliggöra en omfattande jämförelse utvecklades ett prototypsystem där användare kan testa och utvärdera rekommendationerna från båda modellerna. Användarna betyg- satte kvaliteten på rekommendationerna utifrån flera dimensioner, inklusive tillfredsställelse, noggrannhet, relevans, gränssnittets användarvänlighet och svarshastighet, vilket möjliggör kvantitativ analys av modellernas prestanda. Kvalitativa insikter kompletterades ytterligare genom användarintervjuer. Resultaten från användarstudien visade att förtränade språkmodeller uppvisar betydande anpassningsförmåga vid hantering av nya kombinationsscenarier och är särskilt bra på att ge personliga rekommendationer baserade på användarpreferenser, såsom smakprofiler, matstunder och kostbegränsningar. Dessa resultat visar att förtränade språkmodeller har stor potential att optimera rekommendationer för vin och mat, och erbjuder mer flexibla och exakta lösningar för att möta olika användarbehov.