聚類算法的GPU實(shí)現(xiàn)及其應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)、云計(jì)算、移動計(jì)算的發(fā)展，高質(zhì)量高效率的自然語言處理應(yīng)用有力的促進(jìn)了智能人機(jī)交互的發(fā)展。然而，大多數(shù)的自然語言處理應(yīng)用需要大規(guī)模的統(tǒng)計(jì)模型，高質(zhì)量的算法以時間成本為代價。目前，圖形處理器（Graphics Processor Unit，GPU）以其通用的并行計(jì)算模型和高度并行化的硬件設(shè)備已經(jīng)得到廣泛的應(yīng)用。GPU通過挖掘算法中細(xì)粒度的數(shù)據(jù)并行性為提高算法的運(yùn)行效率提供了有效的解決方案。
　　本文主要分析兩種自然語言處理算

2、法并行化的可能性，仿射傳播聚類算法和布朗聚類算法。在仿射傳播算法中，我們采用層次仿射傳播聚類算法的思想，通過分層聚類解決處理大規(guī)模數(shù)據(jù)時 GPU顯存容量限制的問題，采用CPU和GPU相結(jié)合的運(yùn)算架構(gòu)，利用基于線程映射和基于線程塊映射的并行化策略優(yōu)化算法計(jì)算量相對密集的部分。使用統(tǒng)一計(jì)算設(shè)備架構(gòu)（Compute Unified Device Architecture，CUDA）編程模型重新實(shí)現(xiàn)該算法，在CPU和GPU環(huán)境下對比其性能。在中

3、文手寫識別應(yīng)用中，相比于優(yōu)化過的C實(shí)現(xiàn)最高加速比達(dá)到226.80倍。在布朗聚類算法中，采用固定窗口優(yōu)化布朗聚類的思想，采用基于類別的二元語言模型，提出一種特殊的稀疏矩陣存儲方式，利用基于線程映射和基于線程塊映射的并行化策略結(jié)合多種同步策略優(yōu)化算法各個計(jì)算過程。在藥物命名實(shí)體識別應(yīng)用中，在保證結(jié)果正確性的基礎(chǔ)上，加速比達(dá)到44.82倍，隨著語料和聚類數(shù)目的增加加速比成比例的增加。在查詢意圖檢測應(yīng)用中，該方法解決了C實(shí)現(xiàn)的算法無法在有限的時