基于矩阵分解的并行协同过滤算法研究

摘要

随着 Web2.0和企业互联网化的快速发展，O2O模式的广泛应用，电子商务的物品数目和种类日益增多。客户在网上商城购买自己满意的商品时，却需要浏览很多物品从而浪费大量的时间。这种大量浏览无关信息和物品的过程，会导致消费者的不断流失。因此，如何准确而快速地为客户推荐其感兴趣的商品，已变成现有电子商务平台的一个重点研究问题。
　　目前，研究人员的重点主要在于提高算法的推荐精度，却忽略了算法的时间运行效率。并行化是提高推荐算法时间运行效率的主要方法，所以对其进行并行化研究显得迫在眉睫。本文主要对基于矩阵分解的协同过滤算法进行并行化研究，并且使用GPU来加速算法的运行。本文主要研究工作如下：
　　（1）研究了主流的协同过滤算法并分析出各种协同过滤算法的优缺点。研究了基于GPU的CUDA编程特点和优化方法，为之后在CUDA上实现并行矩阵分解协同过滤算法提供技术支持；
　　（2）提出了一个基于GPU的并行矩阵分解协同过滤算法GPUMF。本文着重分析了高推荐精度的基于矩阵分解的协同过滤算法，对其在模型演化，训练方法，理论分析和公式推导等方面做了深度分析，找出可以并行的步骤及影响并行的问题。然后对其从数据分组和更新操作两方面进行并行化改进，从而提高了算法的时间运行效率；
　　（3）基于高性能的GPU硬件及其编程框架CUDA，实现了GPUMF算法。通过在Movielens10M和百度电影等数据集上进行对比实验，实验结果表明在不损失预测精度的情况下，GPUMF算法明显地提高了程序的时间运行效率。本文对数据的分布是否影响 GPUMF算法的性能进行了实验分析，实验结果表明均匀分布的数据能更大程度地提高GPUMF算法的性能。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 研究背景和意义

1.2 国内外相关研究和综述

1.3 本文的主要研究内容

1.4 本文的组织结构

第2章 协同过滤算法及GPU基础知识

2.1 协同过滤算法基本定义

2.2 基于内存的协同过滤算法

2.3 基于模型的协同过滤算法

2.4 GPU基础知识

2.5 本章小结

第3章 并行矩阵分解协同过滤算法模型

3.1 矩阵分解协同过滤算法模型

3.2 矩阵分解协同过滤算法的训练

3.3 矩阵分解协同过滤算法的分析

3.4 并行矩阵分解协同过滤算法的设计

3.5 本章小结

第4章 基于GPU的并行矩阵分解协同过滤算法实现

4.1 并行矩阵分解协同过滤算法CPU-GPU协作框架的设计

4.2 并行矩阵分解协同过滤算法的数据结构和核函数设计

4.3 实验与结果分析

4.4 本章小结

结论

参考文献

声明

致谢