基于多GPU的協(xié)同過濾推薦算法研究及應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)信息的爆炸式增長，信息超載導(dǎo)致人們很難在短時間內(nèi)從海量信息中獲取自己感興趣的信息，個性化推薦系統(tǒng)作為信息過濾的一種重要手段應(yīng)運而生。協(xié)同過濾推薦算法是目前使用最廣泛且最成功的算法。然而隨著大數(shù)據(jù)時代的來臨，當(dāng)推薦系統(tǒng)規(guī)模巨大時，算法計算密度迅速增大而變得十分耗時，從而導(dǎo)致推薦滯后，用戶體驗性差，因此傳統(tǒng)的算法面臨可擴展性問題。當(dāng)前人們主要運用分布式集群技術(shù)來提高算法效率，但由于其成本過高導(dǎo)致很多研究者及中小企業(yè)都無法承受。與C

2、PU相比，GPU(Graphic Processing Unit)具有更大的內(nèi)存帶寬，更多的執(zhí)行單元，更低的成本等優(yōu)勢，十分適合解決海量數(shù)據(jù)并行計算問題。然而單個GPU的計算能力還是有限，多GPU則能夠提供更加強大的計算能力。因此本文提出了一種基于多GPU的協(xié)同過濾推薦算法。實驗結(jié)果表明多GPU并行計算能顯著提升算法運行速度，與CPU上的串行算法相比，最大加速比達到了260倍，而且問題規(guī)模越大加速比越大。與集群相比，具有更高的性價比。此

3、外，還將本文提出的基于多GPU的并行算法應(yīng)用到網(wǎng)絡(luò)機頂盒個性化視頻推薦中并實現(xiàn)了一個簡單高效的推薦系統(tǒng)，為中小企業(yè)節(jié)約成本提供了一種可行方案。本文的多GPU并行推薦算法具有可擴展性，實際應(yīng)用時可以添加更多的GPU以滿足更高的性能要求。
　　本文有以下兩個創(chuàng)新點:
　　(1)為了解決可擴展性問題，設(shè)計并實現(xiàn)了一種基于多GPU的協(xié)同過濾推薦算法。針對大數(shù)據(jù)時代，推薦系統(tǒng)計算密度強大和GPU顯存有限問題，設(shè)計了多GPU并行算法并使

4、用CUDA（Compute Unified Device Architecture）實現(xiàn)了該算法。解決了一系列問題包括:多GPU并行任務(wù)劃分問題，多GPU動態(tài)數(shù)據(jù)加載及存儲問題，相似度計算、尋找K最近鄰、預(yù)測評分并產(chǎn)生Top-N推薦在多GPU中的并行實現(xiàn)問題。通過對比不同平臺上的算法運行時間證明了多GPU并行計算可以顯著提高算法效率。
　　(2)將本文研究的基于多GPU的協(xié)同過濾推薦算法應(yīng)用到網(wǎng)絡(luò)機頂盒個性化視頻推薦系統(tǒng)中。系統(tǒng)首