PulseAugur
中
实时 11:25:49
English(EN) A scalable online machine learning approach for Stock Recommendation

可扩展的在线机器学习股票推荐系统发布

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种可扩展的在线机器学习系统用于股票推荐，解决了市场波动性和低延迟预测的挑战。该系统利用了带有Kubernetes、Docker和RabbitMQ的分布式微服务架构，采用领导者-跟随者模型对流式金融数据进行持续训练，并并行提供推荐。使用TensorFlow Recommenders实现，它生成基于内容的推荐，并通过持久化的模型权重和消息持久性确保高可用性。该架构展示了高效的性能，每秒请求可提供23秒的推荐，每个跟随者每秒可处理多达500个投资组合添加，尽管由于API速率限制，它在数据陈旧性方面面临局限性。 AI

影响 为金融领域在线推荐系统提供了一个生产就绪的参考架构，平衡了可扩展性和可用性。

排序理由 该集群包含一篇详细介绍股票推荐新系统架构的研究论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

可扩展的在线机器学习股票推荐系统发布

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Harsh Nagarkar ·

    A scalable online machine learning approach for Stock Recommendation

    arXiv:2607.23120v1 Announce Type: cross Abstract: Stock recommendation systems face the dual challenge of adapting to rapidly changing market conditions while maintaining low-latency predictions for end users. Traditional batch-trained models fail to capture concept drift, and mo…

相关实体

相关话题