我正在进行一个PHP项目，同时使用Python和Flask作为API，该项目根据用户对其他帖子的之前互动来预测用户对帖子的喜好，这完全是基于用户的。

我的需求是，假设我们的系统中有数千名用户，他们之前已经对旧帖子进行了点赞。当有新帖子到来时，我需要某种方式来识别用户是否喜欢它，这通过定时任务来完成。

方法1

我使用逻辑回归作为模型，因此可能需要为每个用户创建动态的pkl文件。因为不同用户对同一帖子的互动不同，所以我需要保存类似于model_{user_id}.pkl的文件，其中user_id是用户的ID。

方法2

使用基于内容的推荐系统。但据我所知，它在生产环境中无法像pkl文件那样存储。因此，对于数千名用户中的每一个，我都需要运行推荐函数。

方法1的缺点

为每个用户创建动态的pkl文件意味着会有更多的文件。我从未在网上见过这种方法。

方法2的缺点

我认为为每个用户调用推荐函数可能不是一个好主意。这可能会严重影响CPU使用率等。

请问有人能帮我正确解决这个问题吗？我在机器学习方面是新手。请考虑我的问题。提前感谢。

回答：

我建议这样做：

• 将用户模型创建为模型的数组（或数据框架）
• 将这个数组保存为pkl文件
• 在加载应用程序时（而不是每次API调用时），将模型数组加载到内存中
• 当调用API时，模型已经在内存中 – 使用它来预测结果

类似这样（未经测试 – 只是一个想法）：

#for saving the modelmodel_data = pd.DataFrame(columns=['user','model'])temp_model = RandomForestClassifier().fit(X,y)new = pd.DataFrame({'user':[user_id],'model':[temp_model]})model_data = model_data.append(new)packed_model = jsonpickle.pickler.Pickler.flatten(model_data)#for loading the modelunpacked_model = jsonpickle.unpickler.Unpickler.restore(packed_model) #this should be in the begining of your flask file - loaded into the memoryuser_model=unpacked_model.at(user_id,'model') #this should be inside every api call