电子商务平台已经深刻地影响了人们的日常生活。但随着网购用户对电子商务平台的依赖增加,用户开始不满足于购买书籍、服装等物品,而希望能购买生鲜、熟食、水果等易腐商品以及快速获得商品,而且由于互联网人口红利消失,传统电子商务企业需要寻找新的增长点,同时,传统零售企业也需要转型升级,新零售是一个重要的发力点,而食品杂货领域正是这些企业往新零售发展的重要方向之一。因为生鲜、蔬菜、水果等食品的易腐性,不适合快递运输,以及杂货如牙膏、抽纸、清洁剂这样日常消费品的必要性以及较强的目的性会使得用户偏向于就近购买,新零售的模式非常适合于食品杂货领域。在新零售食品杂货场景中,由于用户下单通常有目的性,可以挖掘用户当前的购物意愿,因此适合实时推荐。但由于实时推荐对时效性要求高,因此本文通过分阶段的方式极大地减少了计算量,同时围绕新零售食品杂货场景高重购率、商品间关联性较强、周期性较强的特征来设计本文两阶段推荐算法以保证推荐效果。最终提出了一个适用于新零售食品杂货实时推荐的基于深度学习的两阶段推荐算法,极大地减少了计算时间同时具有良好的推荐性能,用于解决新零售食品杂货实时推荐的时效性问题,主要的研究工作如下:（1）选择新零售食品杂货APP购物车页面的实时推荐为研究场景,对其进行描述分析,介绍该场景与传统电商APP的区别。通过文献、理论、新零售数据集以及传统电商数据集,对新零售食品杂货场景的特征进行分析总结,得到其主要特点为高重购率、商品间关联性较强、周期性较强的特点。（2）大部分推荐算法研究都是离线推荐,虽然推荐结果相对较好,但计算全量数据的计算量过于庞大,计算时间长,不适合实时推荐。为解决实时推荐的时效性问题同时要保证推荐效果,本文提出一个基于深度学习两阶段推荐算法极大地减少了计算时间,同时性能良好。召回阶段为每个用户计算候选商品集,排序阶段则从候选商品中选出最终的推荐列表。描述了召回阶段的流程、排序阶段的流程以及整个推荐算法的流程和架构。（3）Triple2vec是近年来效果较好的,通过embedding向量进行推荐的模型,能较好的挖掘用户与商品间的联系以及商品与商品间的联系。本文将triple2vec用于召回阶段,同时增加了重购召回。根据召回阶段的实验结果,重购召回的商品相较于triple2vec召回有更高的召回率,但数量有限,因此采用先通过重购召回,再用embedding向量召回作为补充的方式,较大地提升了召回率。Embedding向量通过triple2vec模型训练获得后,会通过局部敏感哈希算法以常数级的时间复杂度快速进行向量检索,得到候选商品。重购召回则通过用户的商品购买记录按一定规则选取候选商品。由于重购召回的候选商品质量较高,用户再次购买的可能性大,但数量有限,而通过向量召回的候选商品质量较差,但召回数量可以自定义,且可以增加候选商品集的多样性,挖掘用户潜在兴趣,因此采用先重购召回,向量召回作为补充的方式为每个用户计算一个候选商品集。通过向量召回和重购召回的方式比单纯的向量召回和重购召回有更好的性能。（4）在排序阶段,根据新零售食品杂货场景的特点进行了特征选择。特征选择从用户相关特征、商品相关特征、用户与商品相关特征以及周期性特征四个方面出发,围绕新零售食品杂货高重购率、周期性强等特点来进行。选择3个适合新零售食品杂货推荐得模型进行实验,实验结果表明,召回+排序的两阶段推荐算法能极大的减少计算时间且性能良好;周期性特征对推荐算法性能有正面影响,新零售食品杂货品类具有周期性特征;通过PCA进行降维有效地减少了计算时间同时对提升推荐算法性能有一定作用。