推荐系统：实时性【特征实时性：客户端实时特征（秒级，实时）、流处理平台（分钟级，近实时）、分布式批处理平台（小时/天级，非实时）】【模型实时性：在线学习、增量更新、全量更新】

模型的实时性与模型的训练方式紧密相关，模型的实时性由弱到强的训练方式分别是全量更新，增量更新和在线学习。

推荐系统的实时性，包括

1. 特征实时性：更快捕获/更新用户特征
2. 模型实时性：更快发现数据趋势

一、特征实时性（实时性由强到弱）

1、客户端实时特征（秒级，实时）

发生在客户端session，实时计算用户特征，可达秒级

2、流处理平台（分钟级，近实时）

典型的流处理平台像Flink、Spark Streaming，均具备处理某个时间窗口内的数据流的能力，能够统计用户点击行为等特征，并写入Redis，可达分钟级。

3、分布式批处理平台（小时/天级，非实时）

分布式批处理平台（spark, hadoop等）一般处理全量的数据，这个过程中，可能需要准备好并且join多张表，耗费几个小时到天不等。计算得到的特征一般有两个用途：1. 模型训练和离线评估 2. 特征保存到特征数据库，供模型在线推理

二、模型实时性（实时性由强到弱）

1、在线学习（FTRL）

获得一个样本的同时，更新模型。经典的方案：FTRL。

绝大多数产品对“在线学习”都没有需求；

一般用于电商做“大促”的时候；“大促”的时候用户的喜欢很可能与平时有很大的区别，而且实时变化；

2、增量更新

将新加入的样本喂给模型，进行训练，往往无法找到全局最优点，所以通常的做法是 n轮增量更新+1轮全量更新

3、全量更新

在某个时间段，使用落盘的全量样本对模型进行训练。最常用的模型训练方式

4、局部更新

将模型分为两部分，以较快频率更新需要快速迭代的部分，反之则以较慢频率更新。常见的方案为：预训练Embedding+神经网络，其中，预训练Embedding部分无需快速迭代，而上层神经网络部分更新需要较高的实时性。

---

---

---

参考资料：
推荐系统之实时性
实时推荐系统如何做到实时？
推荐系统模型的实时性