fly12357 / ctr_xlearn Goto Github PK

您好，按照您给的方法，预测主要分成两部分，线性和非线性两块，上线后发现了一个问题，预测两百个条目，当压力上来时，较慢，如果超过100毫秒算超时的话，超时挺多的，我已将模型和预测的条目都缓存到本地了，想问问有没有，更好的办法，提升预测的速度，谢谢！（60个field， 8w向量，模型500w行）。

首先很荣幸能看到你的代码，
目前有问题想咨询您：
用你提供的预测方式，跟xlearn 自带的预测结果不同：
ffm_model.setTest("./single_predict_data") # 测试数据
ffm_model.predict("./model.out", "./output1.txt")

我用的是xlearn0.44， 甚至xlearn新开发的api也不行
string = "0,1:22166:1,2:22169:1,3:22175:1,4:22302:1,5:0:1,6:6:1,7:16:1,8:18:1,9:39:1,10:1062:1,11:1079:1,12:1089:1,13:1092:1,14:1094:1,15:1096:1,16:1098:1,17:1100:1,18:1102:1,19:1104:1,20:1107:1,21:1108:1,22:1110:1,23:1114:1,24:1564:1,25:20787:1,26:20804:1,27:20914:1,28:22161:1,29:181:1,30:20804:1,31:20993:1,32:1117:1,33:1062:1,34:1474:1,35:1095:1,36:1096:1,37:1104:1,38:1101:1,39:1080:1,29:181:1,30:20804:1,31:20993:1,32:1117:1,33:1062:1,34:1474:1,35:1095:1,36:1096:1,37:1104:1,38:1101:1,39:1080:1"
r = string.split(',')
X = [0]*22320
field_map = [0]*22320
for index, i in enumerate(r):
if index == 0:
continue
field_value = int(i.split(':')[0])
feature_index = int(i.split(':')[1])
feature_value = int(i.split(':')[2])
X[feature_index] = feature_value
field_map[feature_index] = field_value

X = np.array(X)
X = X.reshape((1, -1))
X = check_array(X, accept_sparse=['csr'])
test_set = xl.DMatrix(X, None, field_map=field_map)
fm_model = xl.create_ffm() # Use factorization machine
fm_model.setTest(test_set)
fm_model.disableNorm()
pred = fm_model.predict('./model.out')
print(pred)

想问您遇到过此问题吗。是否xlearn有了一些额外的逻辑？

非常感谢您的回答。