序
前面发表了一系列文章介绍如何使用Python进行Alink在线学习(Online Learning)，有读者反馈需要Java版本的，虽然这两个版本在算法原理上是一样的，但是在使用的过程中还有很多差异，为了便于读者快速使用Java上手Alink在线学习，我将从Java的角度重写这一系列文章。
正文
在线学习(Online Learning)是机器学习的一种模型训练方法，可以根据线上数据的变化，实时调整模型，是模型能够反映线上的变化，从而提高线上预测的准确率。
为了更好的理解在线学习(Online Learning)的概念，我们先介绍与之相对应的概念：批量训练(Batch Learning)，先确定一个样本训练集，针对训练集的全体数据进行训练，一般需要使用迭代过程，重复使用数据集，不断调整参数。在线学习不需要要事先确定训练数据集，训练数据在训练过程中逐条到达的，每来一个训练样本，就会根据该样本产生的损失函数值、目标函数值及梯度，对模型进行一次迭代。
我们先关注FTRL在线预测组件及FTRL流式预测组件，如下图所示，它们之间通过模型数据流链接，即FtrlTrain不断产生新的模型，流式的传给FtrlPredict组件，每次当FtrlPredict组件接收到一个完整的模型，便会替换其旧的模型，切换成新的模型。对于在线学习FtrlTrain，需要两个输入，一个是初始的模型，避免系统冷启动；另一个便是流式的训练数据。FtrlTrain输出就是模型数据流。FtrlPredict组件同样需要初始模型，可以在FtrlTrain输出模型前，对已来到的数据进行预测。
介绍完核心的两个组件，我们再看看所需的初始模型、训练数据流和预测数据流是如何准备的。如下图所示，初始模型，是采用传统的离线训练方式，对批式的训练数据进行训练得到的。
FTRL算法是线性算法，其输入的数据必须都是数值型的，而原始的数据既有数值型的，也有离散型的，我们需要进行相应的特征工程操作，将原始特征数据变换为向量形式。
我们这里需要使用特征工程的组件，将批式原始训练数据转化为批式向量训练数据；将流式原始训练数据转化为流式向量训练数据；将流式原始预测数据转化为流式向量预测数据。
