我可以在我的机器上使用SciPy对文本进行分类，但我想对HTTP POST请求中的字符串对象进行分类，要求接近实时处理。我的目标是高并发、接近实时的输出和小内存占用，我应该研究哪些算法？我考虑使用Go语言中的支持向量机（SVM）实现，但这是否是我用例的最佳算法？

回答：

是的，SVM（使用线性核）应该是一个很好的起点。你可以使用scikit-learn（我认为它封装了liblinear）来训练你的模型。模型学习完成后，模型只是一个你想要分类的每个类别的feature:weight列表。假设你只有3个类别，可能会像这样：

class1[feature1] = weight11class1[feature2] = weight12...class1[featurek] = weight1k    ------- 对于类别1... 不同的<feature, weight> ------ 对于类别2... 不同的<feature, weight> ------ 对于类别3，等等

在预测时，你完全不需要scikit-learn，你可以使用服务器后端的任何语言来进行线性计算。假设一个特定的POST请求包含特征（feature3, feature5），你需要做的是这样：

linear_score[class1] = 0linear_score[class1] += 查找class1中feature3的权重linear_score[class1] += 查找class1中feature5的权重linear_score[class2] = 0linear_score[class2] += 查找class2中feature3的权重linear_score[class2] += 查找class2中feature5的权重..... 对class3做同样的事情选择linear_score最高的class1, class2或class3

更进一步：如果你能以某种方式定义特征权重（例如，使用标记的tf-idf分数），那么你的预测可以变成：

linear_score[class1] += class1[feature3] x feature_weight[feature3]依此类推。

注意feature_weight[feature k]通常对于每个请求都是不同的。由于对于每个请求，活跃特征的总数必须远小于考虑的特征总数（考虑50个标记或特征与你整个100万个标记的词汇量相比），预测应该非常快。我可以想象，一旦你的模型准备好，预测的实现可以基于一个键值存储（例如，redis）来编写。