# 推荐系统数据流

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第6章 工程实现
- 页码线索：177-181
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：data-architecture, streaming, batch

## 面试问题

推荐系统的数据架构为什么要区分批处理和流计算？

## 30 秒回答

批处理适合大规模离线统计和训练，流计算适合实时行为反馈和状态更新。工业推荐常通过 Lambda 或 Kappa 架构整合离线与实时数据。

## 展开要点

- 批处理吞吐高，适合全量特征、样本生成、离线训练。
- 流计算延迟低，适合实时特征、实时反馈和在线监控。
- Lambda 同时维护批处理和流处理路径，复杂但稳健。
- Kappa 更强调统一流式架构，降低双路径一致性问题。

## 高频追问

- Lambda 和 Kappa 架构有什么区别？
- 实时特征如何保证一致性？
- 数据延迟会如何影响推荐效果？

## 项目映射

- 用户刚点击某主题后即时更新推荐候选。
- LLM 产品日志回流用于 prompt、知识库和评估集更新。

## AI PM 迁移

AI PM 不一定设计数据架构，但要知道个性化和评估都依赖高质量日志和反馈流。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。