Part1:算法概述
菜品推荐是集成在火小二扫码点餐的一个功能，客户扫码后，算法基于用户的历史行为和当次点菜行为数据，通过智能算法计算，最终为用户推荐适合其口味，喜好，消费能力等的满意的菜单。目前推荐菜单的菜肴的个数为12个。目前上线的有三套算法，分别为a、b、d桶。
A桶为热门排行榜：主要是基于本店的最近1个月的最热点菜的Top12，推荐给用户，个性化比较差，不会根据用户自己的点菜行为进行调整。
B桶是item_cf：是基于物品的协同过滤算法，通过分析用户喜欢的菜的相似菜来为用户推荐适合他的菜肴。
D桶是改进的item_cf:主要是考察用户历史行为和当前点菜信息的融合型算法。
三个算法，从转化率来看，A桶转化率最低平均为2.9%，主要是作为参照桶；B桶次之，平均为3.4%，比A桶高18.1%左右；D桶转化率最高，平均为3.5%，比A桶高19.5%左右。
Part2:算法流程
Item_cf:
ALS2：
Item_cf+Als2:
Part3:online任务说明
Als2:
1198->1286->1259
1198和1286是计算用户对菜品兴趣值得核心任务；
1259是把计算的结果导入到前端mysql表中，*品调用；
Item_cf:
444->(565,447)->440->1285->1290
444是过滤最第价格菜和最高价格菜，以及过滤掉菜品名称不符合条件的菜，如：打包、米饭等；
565计算每个店内每个菜的回头率值，作为加强因子存在；
447计算每两个菜的相似性，作为减弱因子存在；
440综合565和447的结果计算最终每两个菜的相似度分值；
1285是把计算的结果导入到前端mysql表中；
1290是把数据存入到缓存表中，*品调用；
Part4:item_cf算法介绍
线下部分计算物品之间计算两两之间的相似度 
wij表示物品i和物品j的相似度，|N(i)nN(j)|表示用户在最近俩月点菜N(i)的时候有点菜N(j)的次数，|N(i)|表示用户最近俩月点菜N（i）的次数。
同时考虑N（i）菜的回头点击率ai，ai的计算方法如下： 
其中ai表示最近俩月中用户点菜N（i）的回头率，其中O（i）表示所有订单中出现菜N(i)的个数，O（di）表示所有订单中经过customerregister_id去重后的个数。
接着，我们对wij通过回头率ai进行强化，强化后的wij为：
w’ij=wij(1+ai)（公式3）
线上部分通过用户已经点的菜的集合N(u),来计算和N（u）最相近的K个菜作为菜单推荐给用户： 
其中表示puj用户u对物品N(i)的兴趣值，N(u）是用户u当前已经点的菜的集合，
S(i,k)是和物品N(i)最相似的K个物品的集合，wij表示物品i和物品j的相似度，r（ui）是用户u对物品i的相似度。
Part5:基于营养搭配模型菜品重排序：
1）首先根据每个菜品的菜名和荤菜关键词库进行模糊匹配，如果匹配成功则该菜标志为荤菜，否则为素菜。
荤菜关键词库如下：鸡、鸭、鱼、羊、牛、蛙、肠、虾、肝等。
2）对于推荐的菜单的每一个菜，进行荤菜总个数统计，使之大于3小于9。
3）如果不满足上述条件，则重排序菜单，直到满足为止。
