Bestehende Ansätze zur Rezeptgenerierung sind nicht in der Lage, Rezepte für Nutzer zu erstellen, die kulinarische Vorlieben haben, aber unvollständiges Wissen über Zutaten in bestimmten Gerichten besitzen. Wir schlagen eine neue Aufgabe der personalisierten Rezeptgenerierung vor, um diesen Nutzern zu helfen: das Erweitern eines Namens und unvollständiger Zutatendetails zu vollständigen natürlichsprachlichen Anweisungen, die den historischen Vorlieben des Nutzers entsprechen. Unser Modell berücksichtigt technische und rezeptbezogene Darstellungen der zuvor von dem Nutzer konsumierten Rezepte und fusioniert diese „nutzerbewussten“ Darstellungen in einer Aufmerksamkeitsfusionschicht, um die Textgenerierung von Rezepten zu steuern. Experimente mit einem neuen Datensatz von 180.000 Rezepten und 700.000 Interaktionen zeigen die Fähigkeit unseres Modells, im Vergleich zu nicht-personalisierten Baseline-Modellen plausibel und personalisierte Rezepte zu generieren.