计算机科学 ›› 2019, Vol. 46 ›› Issue (8): 106-110.doi: 10.11896/j.issn.1002-137X.2019.08.017

• 2018 全国高性能计算学术年会 • 上一篇    下一篇

基于GPU加速和非负矩阵分解的并行协同过滤推荐算法

康林瑶, 唐兵, 夏艳敏, 张黎   

  1. (湖南科技大学计算机科学与工程学院 湖南 湘潭411201)
  • 收稿日期:2018-09-15 出版日期:2019-08-15 发布日期:2019-08-15
  • 通讯作者: 唐兵(1982-),男,博士,副教授,主要研究方向为分布式计算与大数据,E-mail:btang@hnust.edu.cn
  • 作者简介:康林瑶(1995-),女,硕士生,主要研究方向为大数据,E-mail:kanglinyao@qq.com;夏艳敏(1995-),女,硕士生,主要研究方向为服务计算与大数据;张黎(1981-),女,硕士,讲师,主要研究方向为大数据
  • 基金资助:
    国家自然科学基金项目(61602169),湖南省自然科学基金项目(2018JJ2135),湖南省教育厅科研项目(18A186)

GPU-accelerated Non-negative Matrix Factorization-based Parallel Collaborative Filtering Recommendation Algorithm

KANG Lin-yao, TANG Bing, XIA Yan-min, ZHANG Li   

  1. (School of Computer Science and Engineering,Hunan University of Science and Technology,Xiangtan,Hunan 411201,China)
  • Received:2018-09-15 Online:2019-08-15 Published:2019-08-15

摘要: 协同过滤(CF)已经在推荐系统中得到了广泛的应用。但是随着用户和项目规模的增大,协同过滤算法的运行效率以及结果的正确性会大大降低。针对这一问题,文中提出了一种基于GPU的非负矩阵分解(NMF)的并行协同过滤方法,充分利用NMF数据降维和特征提取的优势以及CUDA的多核并行计算模式,进行维数简化和用户的相似性计算。该算法在提高精确性的同时降低了计算耗费,可以较好地解决协同过滤推荐系统所存在的稀疏性和扩展性等问题,快速产生精确的个性化推荐结果。基于NVIDIA CUDA设备和真实的MovieLens用户评分数据集,将所设计的并行NMF协同过滤算法与传统的基于用户的和基于物品的协同过滤算法进行了比较,实验结果表明,所设计的并行NMF协同过滤算法达到了较快的处理速度以及较高的推荐准确率。

关键词: 协同过滤, 非负矩阵分解, GPU, 推荐算法

Abstract: Collaborative filtering (CF) is widely used in recommendation systems.However,with the increase of user and item number,the efficiency of collaborative filtering algorithm and the correctness of the result will be greatly reduced.To solve this problem,this paper proposed a GPU-accelerated non-negative matrix factorization(NMF)-based parallel collaborative filtering algorithm.By utilizing the advantages of data dimensionality reduction and feature extraction of NMF,as well as the multi-core parallel computing mode of CUDA,dimension reduction and user similarity are realized.The proposed algorithm improves the recommendation accuracy and also reduces the computational cost,which can better solve the sparseness and scalability of CF-based recommendation system,and generate accurate and persona-lized recommendations quickly.The new algorithm was evaluated on a NVIDIA CUDA device using real MovieLens datasets.Experimental results show that,NMF-based collaborative filtering outperforms traditional User-based and Item-based CF with higher processing speed and higher accuracy recommendations

Key words: Collaborative filtering, Non-negative matrix factorization, GPU, Recommendation algorithm

中图分类号: 

  • TP391
[1] DENG A L,ZHU Y Y,SHI B L.Collaborative filtering Recommendation algorithm based on project score prediction [J].Journal of Software,2003,14(9):1621-1628.(in Chinese) 邓爱林,朱扬勇,施伯乐.基于项目评分预测的协同过滤推荐算法[J].软件学报,2003,14(9):1621-1628.
[2] LEE D D H,SEUNG S.Learning the parts of objects by nonnegative matrix factorization [J].Nature,1999,401(6755):788-791.
[3] LIU J F,GUO L.Comparison and analysis of several matrix multiplications on CPU and GPU [J].Computer Engineering and Applications,2011,47(19):9-11,23.(in Chinese) 刘进锋,郭雷.CPU与GPU上几种矩阵乘法的比较与分析[J].计算机工程与应用,2011,47(19):9-11,23.
[4] CHENG H,ZHANG Y Q,ZHANG X Y,et al.Implementation and performance analysis of CPU-GPU parallel matrix multiplication [J].Computer Engineering,2010,36(13):24-26,29.(in Chinese) 程豪,张云泉,张先轶,等.CPU-GPU 并行矩阵乘法的实现与性能分析[J].计算机工程,2010,36(13):24-26,29.
[5] LIU W X,ZHENG N N,YOU Q B.Non-negative matrix factorization and its application in pattern recognition [J].Chinese Science Bulletin,2006,51(3):241-250.(in Chinese) 刘维湘,郑南宁,游屈波.非负矩阵分解及其在模式识别中的应用[J].科学通报,2006,51(3):241-250.
[6] WANG K J,ZUO C T.Research progress of feature extraction techniques for nonnegative matrix factorization [J].Application Research of Computers,2014,31(4):970-975.(in Chinese) 王科俊,左春婷.非负矩阵分解特征提取技术的研究进展[J].计算机应用研究,2014,31(4):970-975.
[7] CHEN Y H,REGE M,DONG M,et al.Non-negative matrix factorization for semi-supervised data clustering [J].Knowledge and Information Systems,2008,17(3):355-379.
[8] KOREN Y,BELL R,VOLINSKY C.Matrix factorization techniques for recommender systems [J].IEEE Computer,August 2009,42(8):40-49.
[9] YANG Y,XIANG Y,XIONG L.Collaborative filtering recommendation algorithm based on matrix decomposition and user neighbor model[J].Computer Application,2012,32(2):395-398.(in Chinese) 杨阳,向阳,熊磊.基于矩阵分解与用户近邻模型的协同过滤推荐算法[J].计算机应用,2012,32(2):395-398.
[10] LI G,LI L.Collaborative filtering algorithm based on matrix decomposition[J].Computer Engineering and Applications,2011,47(30):4-7.(in Chinese) 李改,李磊.基于矩阵分解的协同过滤算法[J].计算机工程与应用,2011,47(30):4-7.
[1] 马理博, 秦小麟. 话题-位置-类别感知的兴趣点推荐[J]. 计算机科学, 2020, 47(9): 81-87.
[2] 李雨蓉, 刘杰, 刘亚林, 龚春叶, 王勇. 面向语音分离的深层转导式非负矩阵分解并行算法[J]. 计算机科学, 2020, 47(8): 49-55.
[3] 刘君良, 李晓光. 个性化推荐系统技术进展[J]. 计算机科学, 2020, 47(7): 47-55.
[4] 李向利, 贾梦雪. 基于预处理的超图非负矩阵分解算法[J]. 计算机科学, 2020, 47(7): 71-77.
[5] 骆佳磊, 孟利民. 基于路口相似度的信号配时方案推荐算法[J]. 计算机科学, 2020, 47(6A): 66-69.
[6] 马海江. 基于卷积神经网络与约束概率矩阵分解的推荐算法[J]. 计算机科学, 2020, 47(6A): 540-545.
[7] 刘世芳, 赵永华, 于天禹, 黄荣锋. 广义稠密对称特征问题标准化算法在GPU集群上的有效实现[J]. 计算机科学, 2020, 47(4): 6-12.
[8] 左宪禹, 张哲, 苏岳瀚, 刘扬, 葛强, 田军锋. 基于GPU多流并发并行模型的NDVI提取算法[J]. 计算机科学, 2020, 47(4): 25-29.
[9] 朱磊, 胡沁涵, 赵雷, 杨季文. 基于评分偏好和项目属性的协同过滤算法[J]. 计算机科学, 2020, 47(4): 67-73.
[10] 赵楠, 皮文超, 许长桥. 一种面向多维特征分析过滤的视频推荐算法[J]. 计算机科学, 2020, 47(4): 103-107.
[11] 冯晨娇,梁吉业,宋鹏,王智强. 基于极端评分行为的相似度计算[J]. 计算机科学, 2020, 47(2): 31-36.
[12] 吴磊,岳峰,王含茹,王刚. 一种融合科研人员标签的学术论文推荐方法[J]. 计算机科学, 2020, 47(2): 51-57.
[13] 黄超然. 基于显式反馈协同过滤算法的偏好与共性平衡[J]. 计算机科学, 2020, 47(11A): 471-473.
[14] 周波. 融合语义模型的二分网络推荐算法[J]. 计算机科学, 2020, 47(11A): 482-485.
[15] 王丽星, 曹付元. 基于Huber损失的非负矩阵分解算法[J]. 计算机科学, 2020, 47(11): 80-87.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 雷丽晖,王静. 可能性测度下的LTL模型检测并行化研究[J]. 计算机科学, 2018, 45(4): 71 -75, 88 .
[2] 孙启,金燕,何琨,徐凌轩. 用于求解混合车辆路径问题的混合进化算法[J]. 计算机科学, 2018, 45(4): 76 -82 .
[3] 张佳男,肖鸣宇. 带权混合支配问题的近似算法研究[J]. 计算机科学, 2018, 45(4): 83 -88 .
[4] 伍建辉,黄中祥,李武,吴健辉,彭鑫,张生. 城市道路建设时序决策的鲁棒优化[J]. 计算机科学, 2018, 45(4): 89 -93 .
[5] 史雯隽,武继刚,罗裕春. 针对移动云计算任务迁移的快速高效调度算法[J]. 计算机科学, 2018, 45(4): 94 -99, 116 .
[6] 周燕萍,业巧林. 基于L1-范数距离的最小二乘对支持向量机[J]. 计算机科学, 2018, 45(4): 100 -105, 130 .
[7] 刘博艺,唐湘滟,程杰仁. 基于多生长时期模板匹配的玉米螟识别方法[J]. 计算机科学, 2018, 45(4): 106 -111, 142 .
[8] 耿海军,施新刚,王之梁,尹霞,尹少平. 基于有向无环图的互联网域内节能路由算法[J]. 计算机科学, 2018, 45(4): 112 -116 .
[9] 崔琼,李建华,王宏,南明莉. 基于节点修复的网络化指挥信息系统弹性分析模型[J]. 计算机科学, 2018, 45(4): 117 -121, 136 .
[10] 王振朝,侯欢欢,连蕊. 抑制CMT中乱序程度的路径优化方案[J]. 计算机科学, 2018, 45(4): 122 -125 .