如何根据增量数据更新预测算法的结果？

采用决策树、神经网络、回归等算法时，包括集成学习，一般基于历史样本数据训练模型，如果加入增量数据后（不是时序模型问题）除了将算法在全量数据（历史样本数据＋增量数据）上重新运行一遍外，是否有其他的算法或机制对模型结果进行更新？在大数据应用的时候，如果一旦有增量数据就在全量数据上更新算法结果太费资源了。例如在推荐应用中，网易云音乐根据用户每天的行为数据更新推荐结果。

不用重跑全量数据啊，这些互联网公司用的都是online learning算法，比如stochastic gradient descent这种，每过来一个样本，更新一次参数，drop掉这个样本，甚至不需要储存历史样本数据，但可以达到和跑全量数据差不多的效果。