特征存储解决了机器学习模型训练与推理之间特征不一致的关键问题。Feast 是一个开源解决方案，旨在通过管理特征注册表、特征物化以及在线检索来弥合这一差距，从而确保模型在生产环境中能够与训练期间一致地访问相同的数据。虽然该方案常与关系型数据库或云数据仓库配合演示，但本文探讨了一种替代方案：利用 Neo4j Desktop 作为特征计算引擎。其中五个特征涉及简单的聚合操作，可通过 Cypher 查询轻松实现；第六个特征为“客户社区 ID"，是通过图算法推导得出的。这些算法利用图数据科学（Graph Data Science）中的节点相似度识别具有相似购买模式的客户，随后通过 Louvain 社区检测将这些相似客户分组。Feast 随后摄入全部六个特征，并将其物化到 SQLite 在线存储中，以实现推理阶段的高效服务。该过程同时也确保了训练数据的时点正确性（point-in-time correctness）。