要实现实时推荐系统架构，会用到一些什么样的系统？

如图所示，消息队列用的是 Kafka，离线的存储假设用的是 HDFS。不管是实时特征计算还是离线特征计算，现在都可以用 Flink 来进行计算，利用 Flink 流批一体的能力，能够保证实时和离线的特征计算所产生的结果是一致的。

Hologres 在这里的作用是特征存储，Hologres 特征存储的好处是可以提供非常高效的点查，另一个就是在做实时特征计算的时候，经常会产生一些不准确的特征，需要在后期对这些特征进行一些修正。可以通过 Flink 加 Hologres 的机制进行很好的特征的修正。

在推理服务这一侧，通过保留用来做推理的特征，放到后面的样本拼接里面,这里的消息队列也会使用 Kafka。样本拼接这个事情会用 Flink 来做，Flink 一个非常经典的应用场景做双流 Join。把样本给拼接出来后，在把特征给加上，接着把算好的样本同样也放进 Hologres。

在样本存储的情况下，Hologres 里面的样本既可以拿来做实时的模型训练，通过读取Hologres 的 Binlog 来做实时的模型训练，也可以通过 Hologres 批量的 Scan 去做离线的模型训练。

不管是在线还是离线的模型训练，都可以用 Flink 或者是 FlinkML，也就是 Alink 来做。如果是传统机器学习的话，也可以用 TensorFlow 来做深度学习的模型训练，这样的模型还是可能会存到 HDFS，然后通过 Flink 和 TensorFlow 做模型的验证，最后做线上的推理服务。

线上推理服务很多用户会有自己的推理引擎，如果有可以用，如果想用 Flink 和TensorFlow 的话也可以直接使用.

资料来源：《实时数仓“王炸组合”-实时计算 Flink 版+Hologre》链接：https://developer.aliyun.com/topic/download?id=7944