我正在寻找为每个用户检索最相关结果的最佳解决方案。
我简化了我的模型，如下所示的UserProfile和Groups
-模型名称: UserProfilestyles: ['a', 'b', 'f', 'r'] <- ('styles'是字段名称)-Group 1styles: ['a', 'f']-Group 2['g', 'a', 'h'] ...-Group 1,000,000styles: ['s', 'w', 'x']（假设我们有数百万个Groups）我想根据用户的样式对组进行排序和检索。因此，在这种情况下，’Group 1’因为样式’a’和’f’得分为2，而’Group 2’因为样式’a’得分为1。
我们不能在主数据库中存储分数，因为每个用户的样式都不同。
- 我的方法1：每次用户请求时对所有数据库进行排名（我写了一个概念性的代码）
views.py
for group in Group.objects.all(): # 将分数存储到组的新字段中 group.style_count = group.styles.join_count(user.styles)list_view_output = Group.objects.order_by(style_count)- 方法2：在数据库中存储排名执行查询并将输出（当然包括排名和用户ID）存储在Redis内存缓存数据库中。并在特定用户需要时检索结果
考虑中的问题：
- 查询似乎成本很高。对于迭代为O(n)，对于连接为O( min( user.style.count(), group.style.count() ) )。我怎样才能做得更好？也许我可以在模型中做些什么？
- 不幸的是，如果我们有一百万个组和一千个用户，我需要在缓存内存（Redis）中存储十亿行数据。我肯定负担不起（我想我最多可以有8GB，或者可能更多）
- 也许我不需要将每个用户的排名数据存储在缓存中，因为一些用户有相同的样式。你知道有什么AI方法可以解决这个问题吗？
你能提供一些建议来更好地构建这个系统吗？
谢谢…！！！！
回答：
底线是，对于数百万规模的问题，保存所有数据并进行排序可能不是一个好主意。
使用当前的数据结构，- 时间复杂度：O(n)；几乎不可能降低 – 空间复杂度：我们可以大大改善。例如，只需要前10名，成本可以是O(1)。我们只需以排序的方式保存前10名。在线性扫描中，我们只将新组的分数与最小的那个进行比较，如果新分数更大，则替换它
但一个可能的问题是，如果有太多分数相同的组，那么这可能会成为一个问题。你需要小心处理它。
如果你以“排序”的方式组织样式和组，可能会更快。例如，按字母顺序，Group 2将是[‘a’, ‘g’, ‘h’]。我们跟踪第一个或几个字母的索引。例如，以’a’开头的组将是第一批；然后是以’b’开头的组，依此类推。在你的情况下，你可以按以下方式进行搜索：1. 首先搜索以’a’开头的组；2. 然后搜索以’b’开头的组；3. 然后是’f’；4. 然后是’r’。这样，不含[a, b, f, r]中任何样式的组就不会被触及。这样可以节省你很多时间。
