1.一种基于局部敏感哈希的并行矩阵分解计算实现方法,其特征在于,包括如下步骤:S1、根据评分矩阵计算评分平均值u,随机初始化用户偏执项bu、项目偏执项bi、用户因子pu、项目因子qi及邻域模型因子w和隐式反馈因子c,并分配CPU和GPU的内存空间;
S2、将CPU内存数据转移到GPU的全局内存;
S3、通过GPU编程语言CUDA分别实现对每个项目的评分多次计算其哈希值、对哈希值都相等的项目两两计算相似度值,计算每个项目的最相似的TOP-K个相似项目及对bu、bi、pu、qi、w和c进行更新,其中当对每个项目计算多次其哈希值时,LSH(Locality-Sensitive Hashing)计算公式为:
其中 为高维向量, 为服从高斯分布的随机向量,w为桶的大小,b为服从0到w的均匀分布的随机变量,其中当对哈希值都相等的项目两两计算时,相似度计算为:其中ρij为Pearson相关系数,nij为项目i和项目j都有评分的用户数目,当对参数更新时,稀疏矩阵分解更新公式为:
bu←bu+γ1(eu,i-λ1bu)bi←bi+γ2(eu,i-λ2bi)pu←pu+γ3(eu,i·qi-λ3pu)qi←qi+γ4(eu,i·pu-λ4qi)其中:λ为防止过拟合的正则化参数,γ为每个参数的学习速率(每个参数的学习速率不同),
Sk(i)为与项目i最相似的k个项目,R(u)为用户u有评分的项目,N(u)为用户u未评分的项目;
S4、根据所需精度要求确定学习速率γ以及迭代次数;
S5、迭代结束后,将GPU全局内存数据转移到CPU内存;
S6、处理结果展示。
2.根据权利要求1所述的基于局部敏感哈希的并行矩阵分解计算实现方法,其特征在于,所述步骤S1中为利用Malloc函数以及cudaMalloc函数分别进行分配CPU与GPU内存空间。
3.根据权利要求2所述的基于局部敏感哈希的并行矩阵分解计算实现方法,其特征在于,所述步骤S2中为通过cudaMemcpyHostToDevice函数将CPU内存数据转移到GPU的全局内存。
4.根据权利要求3所述的基于局部敏感哈希的并行矩阵分解计算实现方法,其特征在于,所述步骤S5中为通过cudaMemcpyDeviceToHost函数将GPU全局内存数据转移到CPU内存。
5.根据权利要求4所述的基于局部敏感哈希的并行矩阵分解计算实现方法,其特征在于,所述步骤S5中将GPU全局内存数据转移到CPU内存后,还包括通过cudaFree函数释放GPU内存空间。
6.根据权利要求5所述的基于局部敏感哈希的并行矩阵分解计算实现方法,其特征在于,所述步骤S6中处理结果展示后,还包括通过free函数释放CPU内存空间。