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

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