超级会员免费看
本文介绍了Flink如何通过批流一体处理提升推荐系统的实时性，详细阐述了实时性对推荐系统的重要性，以及Flink如何处理数据流，包括数据流和窗口的概念。此外，还讨论了Flink在SparrowRecsys项目中的实时特征更新实践。
学习总结
（1）Flink 是最具代表性的批流一体的大数据平台。特点：让批处理和流处理共用一套代码，从而既能批量处理已落盘的数据，又能直接处理实时数据流。
（2）Flink 提高推荐系统实时性：用户数据进入数据流，即进入数据消息队列后，会被分割成一定时长的时间窗口，之后 Flink 会按照顺序来依次处理每个时间窗口内的数据，计算出推荐系统需要的特征。这个处理是直接在实时数据流上进行的，所以相比原来基于 Spark 的批处理过程，实时性有了大幅提高。
（3）Flink的实时性实践：利用 Flink 我们可以实时地获取到用户刚刚评价过的电影，然后通过实时更新用户 Embedding，就可以实现 SparrowRecsys 的实时推荐了。
（4）实时推荐系统的适用场景（快消产品）：
- 新闻咨询类
- 短视频
- 婚恋类、陌生人社交类
- 直播类
- 电商类
- 音乐、电台类
订阅专栏 解锁全文
1144
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
