基于鄰域模型的協(xié)同過濾推薦算法的硬件加速系統(tǒng)設(shè)計與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩115頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、在推薦算法領(lǐng)域,基于鄰域模型的協(xié)同過濾(Collaborative Filtering,CF)推薦算法是一類較為經(jīng)典成熟的算法,廣泛的應用于當今各式各類的推薦系統(tǒng)中。隨著大數(shù)據(jù)時代的來臨,數(shù)據(jù)規(guī)模在飛速增長,基于鄰域模型的協(xié)同過濾推薦算法在處理越來越多的數(shù)據(jù)時需要花費的時間變的越來越長。因此,為了降低推薦系統(tǒng)的響應時間,及時為用戶生成推薦信息,需要加快推薦算法的執(zhí)行。
  目前主流的算法加速平臺有三種:多核處理器機群、云計算平臺和

2、通用計算圖形處理器(GPGPU)。目前有很多利用上述平臺加速推薦算法的研究工作,盡管這些工作的確獲得了不錯的效果,但它們同時也存在著一些不可忽視的問題:基于通用CPU的機群/云計算節(jié)點在處理推薦算法任務時的計算效率相對較低,并伴隨著較高的能耗開銷;GPGPU由于其數(shù)據(jù)級并行的優(yōu)勢在處理推薦算法任務時有著很高的計算效率,但其同樣存在著過大的能耗開銷問題。
  為了在提升計算效率的同時盡可能的降低能耗,人們開始利用專用集成電路(ASI

3、C)與現(xiàn)場可編程門陣列(FPGA)來研究算法的硬件加速結(jié)構(gòu)。目前,在機器學習尤其是深度學習領(lǐng)域,涌現(xiàn)出了很多出色的設(shè)計,而對于推薦算法,相關(guān)的研究工作不但較少,并且存在很多局限。因此,本文針對基于鄰域模型的協(xié)同過濾推薦算法開展硬件加速方面的研究,主要工作與貢獻包括以下三個方面:
  1.針對User-based CF、Item-based CF以及SlopeOne三種基于鄰域的算法的訓練階段與預測階段,分別設(shè)計出了訓練加速器和預測

4、加速器結(jié)構(gòu)與指令集。兩種加速器都作為協(xié)處理器在宿主CPU的控制下以指令的方式運行,訓練加速器支持User-based CF和Item-based CF在訓練階段所需的五種不同的相似度計算標準以及SlopeOne訓練階段所需的平均差異計算;預測加速器支持三種算法在預測階段所需的五種預測值計算標準。此外,本文還對宿主CPU、內(nèi)存、加速器以及DMA等外設(shè)之間的互聯(lián)進行了設(shè)計,確定了它們之間的組織結(jié)構(gòu)。
  2.針對訓練加速器、預測加速器

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論