第 97 题：实时兴趣的在线更新，增量学习与全量刷新的权衡？
题目
实时兴趣的在线更新，增量学习与全量刷新的权衡？
完整讲解
一、实时兴趣的两种更新方式
增量学习：每来新行为（点击、加购等），在已有用户表征/序列嵌入基础上做增量更新（如用新行为向量与旧状态做 attention 或 GRU 一步），不重算全量历史。全量刷新：按固定周期（如小时/天）用完整行为序列重新跑模型，得到全新用户表征或序列嵌入。
二、增量学习的优劣
- 优点：延迟低（毫秒级）、存储与计算省（只存紧凑状态、只算一步或少量步），适合实时排序与实时召回。
- 缺点：长期依赖易衰减、误差会累积；状态维度有限，信息压缩有损；对「概念漂移」的适应依赖设计（如衰减、门控）。
三、全量刷新的优劣
- 优点：表达完整、无累积误差，可充分利用长序列与复杂模型；适合离线训练、T+1 更新。
- 缺点：延迟高、资源消耗大，无法做到「当前行为立刻影响下一刷」。
四、工程权衡
- 混合：实时层用增量（如 DIN 的 attention 更新、GRU 状态），离线层定期全量重算，两者融合（如实时分 + 离线分加权）。
- 触发策略：关键行为（如下单）触发即时增量；普通浏览可异步批量增量或等全量。
- 一致性：增量与全量若用不同模型或特征，需注意 A/B 与线上一致性。
面试要点
- 能说清增量学习（单步/小步更新、低延迟）与全量刷新（完整重算、高表达）的差异。
- 能分析各自优缺点：增量省资源但易累积误差；全量准但慢且贵。
- 能给出混合方案、触发策略与一致性注意点。
记忆要点
- 增量：新行为驱动、低延迟、省资源；缺点为误差累积、长期依赖有限。
- 全量：完整序列重算、表达完整；缺点为延迟高、资源大。
- 工程上常混合：实时增量 + 定期全量；关键行为触发即时更新。