aicanyin
你有没有这种经历——在一家AI餐厅里，还没打开菜单，手机App已经推送了3道你可能爱吃的菜。你会好奇，这套菜品推荐算法到底是怎么被训练出来的？答案不复杂，核心就三步：喂数据、调模型、做验证。
菜品推荐算法要解决什么问题？
菜品推荐算法的本质，是建立一个用户口味和菜品特征之间的匹配函数。简单说，算法要把”谁在什么时候想吃什么东西”这个模糊需求，转化成可计算的排序分数。美团到店餐饮研究院2023年公布过一组数据——接入智能推荐的餐厅，平均客单价提升12%到18%，这说明算法确确实实在帮餐厅赚钱。
算法眼中没有”好吃”这个概念
计算机不理解”好吃”，算法只能处理结构化标签。菜品特征包括辣度、甜度、温度、烹饪方式、价格区间、热量值这6个基础维度。另外还要加上场景标签，比如”适合加班后吃””适合约会””适合带娃家庭”，这些标签由人工标注团队预先打好，一份菜品平均会贴上15到20个标签。
用户画像同样得变成数字
用户的年龄、性别、历史订单、浏览时长、点击序列，全部会被编码成向量。深圳AI餐厅”极客餐厅”的做法值得参考——他们给每个注册用户建立了一个128维的特征向量，里面不仅有口味偏好，还包含了对新品的好奇度评分和价格敏感度。
训练数据从哪里来？如何保证质量？
训练数据是菜品推荐算法的燃料，来源主要有三个：历史订单记录、用户实时行为日志、人工评测数据。这三个来源缺一不可，只靠订单记录训练出来的模型，很容易陷入”推荐的都是老菜”的循环。
行为日志比订单更重要
用户的滑动、停留、反复查看某道菜但最终没下单，这些行为日志比最终订单更能反映真实兴趣。海底捞的智慧餐厅项目在2022年做了一次数据对比——加入行为日志后，推荐菜品被点击的概率提升了23%，而只靠订单数据训练的对照组，点击率几乎原地踏步。
数据清洗决定模型上限
原始数据必须经过清洗才能进入训练管道。需要过滤掉三类垃圾数据：测试订单、员工内部订单、异常大额订单。另外还要处理”用户帮别人点菜”的场景——一个人点了大量自己不吃的菜品，这类数据不剔除，会让模型学错方向。清洗规则一般由业务方和算法工程师共同制定，每个月更新一次。
模型训练具体分几步走？
菜品推荐模型的训练不是一步到位的，业内通常走四步：召回、粗排、精排、重排。每一步解决不同层面的问题，组合起来才形成完整的推荐链路。
召回层：从一万道菜里选出两百道
召回层用双塔模型或向量检索，把菜品的特征向量和用户的特征向量做内积计算，快速筛掉明显不匹配的菜品。这步的核心要求是快，单次请求的召回耗时必须控制在30毫秒以内。阿里旗下本地生活团队在2023年技术博客里透露，召回层通常采用FAISS向量检索库完成这个过程。
精排层：用深度学习模型打分
精排阶段，深度学习模型会给召回回来的每道菜打一个0到1之间的分数。目前行业用的比较多的是DeepFM和DIN这两种模型结构，它们能同时捕捉用户的长线偏好和短期兴趣漂移。比如用户平时爱吃辣，但最近一周连续点了三次粥，模型会提高清淡菜品的权重——这就是DIN模型里注意力机制起的作用。
重排层：业务规则最后把关
分数最高的菜不能直接推给用户，还得过一遍业务规则。餐厅的库存、出餐速度、毛利目标、季节因素全都在这一层生效。北京一家连锁川菜馆的案例很有意思——夏天时算法推荐的毛血旺评分最高，但运营团队把冰粉的权重上调了30%，因为冰粉毛利更高、备餐更快，最终整单利润率提升了5个百分点。
算法落地时有哪些常见坑？
菜品推荐算法从实验室到真实餐厅，中间至少隔着四个坑。了解这些坑，能帮你在规划AI餐厅项目时少走弯路。
坑一：冷启动阶段没有数据
新餐厅、新用户没有历史数据，算法完全失灵。解决办法有两个：用同商圈、同类目餐厅的数据做迁移学习；或者在用户首次点餐时主动询问口味偏好，用答案构造初始特征。西贝莜面村的会员系统就用第二种方案，首次注册时让用户选3个口味标签，冷启动推荐的准确率直接提高了40%。
坑二：AB测试周期太短
很多餐厅只跑一周AB测试就决定是否上线新模型，但餐饮受工作日和周末的波动影响很大。麦当劳中国在2023年做算法升级时，完整跑完了一个28天的测试周期，覆盖了两个完整的周末高峰，才确认新版模型比旧版人均客单价高出4.6元。
坑三：过度追求个性化
推荐算法如果太激进，用户会困在”信息茧房”里，永远只看到同一类菜品。合理的做法是在推荐列表中固定加入20%的探索位，这些位置放用户偏好以外但可能感兴趣的菜品。Google的搜索团队有个观点值得参考——好的推荐系统不只满足用户，还要帮助用户发现新选择。
训练菜品推荐算法的核心要点
回看整个训练流程，最核心的认知是：菜品推荐算法不是一个纯技术问题，而是技术、业务数据、餐厅运营三者反复磨合的过程。数据决定了模型的天花板，业务规则决定了最终落地效果。如果你正在规划AI餐厅项目，建议从数据采集和标注体系开始搭建，不要一上来就追求复杂的深度学习架构——先把基础标签体系建好，后续的模型迭代才有可靠地基。
