外卖推荐系统：协同过滤算法优化与工程实践

1. 项目背景与核心价值

每次打开外卖软件面对上百家餐厅时，选择困难症就会发作。这个推荐系统要解决的就是这个痛点——通过分析用户历史订单和相似用户的选择，自动推荐最可能符合口味的美食。不同于简单按销量或评分排序，协同过滤算法能捕捉到"喜欢川菜的人通常也爱湘菜"这类隐藏关联。

我在开发这套系统时发现，餐饮推荐有三大特殊性：1)用户口味差异极大（有人无辣不欢，有人一点辣不沾）2)消费频次高（每周可能点5-10次外卖）3)存在明显时段特征（早餐爱豆浆油条，夜宵偏好烧烤）。这些特点让传统推荐策略效果大打折扣。

2. 系统架构设计

2.1 数据层处理

原始订单数据需要转化为用户-菜品评分矩阵。这里有个关键技巧：不能简单用点餐次数作为评分。我们设计了加权公式：

code复制评分 = 点餐次数 × 0.6 + 重复点餐间隔系数 × 0.4

间隔系数=1/(最近两次点餐间隔天数)，这样上周连续点3次的酸菜鱼会比半年前点过5次的水煮鱼权重更高。

2.2 相似度计算优化

余弦相似度计算时遇到稀疏矩阵问题——用户平均只尝试过0.3%的菜品。我们采用SVD矩阵分解降维，把5000维的菜品空间压缩到150维，不仅提升计算效率，还发现了"早餐党"、"健身餐族"等潜在用户群体。

实际测试发现，当用户历史订单少于15单时推荐准确率会骤降。我们的解决方案是：新用户先用基于内容的推荐（菜品标签匹配），积累足够数据后再切换协同过滤。

3. 核心算法实现

3.1 用户相似度计算

核心代码片段（Python）：

python复制from scipy.spatial.distance import cosine

def user_similarity(user1, user2):
    # 获取共同评分菜品索引
    common_items = np.intersect1d(
        np.where(~np.isnan(user1)), 
        np.where(~np.isnan(user2))
    )
    
    if len(common_items) < 5:  # 共同评价过至少5道菜
        return 0
    
    vec1 = user1[common_items