推荐系统的实时性关乎用户体验和模型对最新趋势的捕捉。实时特征包括客户端实时收集的行为，流处理平台的准实时计算，以及分布式批处理平台的全量处理。实时特征能够快速响应用户变化的兴趣，提升推荐的时效性和准确性。
目录
为什么说推荐系统的实时性是重要的？
为了证明推荐系统实时性和推荐系统效果的关系，Facebook曾利用GBDT+LR模型和单纯的树模型进行过实时性的实验。
上图中横轴代表的是模型训练结束到模型测试的时间间隔（天数），纵轴是损失函数Normalized Entropy。从图中可以看到，无论是GBDT+LR模型，还是单纯的树模型，损失函数都跟模型更新延迟有着正相关的关系。
直观一点，在用户使用个性化新闻应用时，用户的期望是更快找到与自己兴趣相符的文章；在使用短视频服务时，期待更快地“刷”到自己感兴趣的内容；在进行在线购物时，同样希望更快找到自己喜欢的商品。所有的推荐都突出一个“快”字，这就是推荐系统“实时性”作用的直观体现。
从专业的角度来说，推荐系统的实时性同样是至关重要的，主要体现在下面两个方面：
- 推荐系统的更新速度越快，越能够反应用户最近的用户习惯，
最低0.47元/天 解锁文章
扫一扫
2628
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
