公开(公告)号：CN111125620B

公开(公告)日：2023-04-07

申请号：CN201911061727.X

申请日：2019-11-01

Applicant: 复旦大学

Inventor： 顾宁 ,  龚志霖 ,  李东胜 ,  卢暾 ,  张鹏

IPC: G06F17/16

Abstract: 本发明属于推荐技术领域，具体为推荐系统中基于矩阵分解的并行随机梯度下降方法。本发明根据用户历史评分数据对未评分数据进行预测，采用混合交替更新的方式使其在高度并行的情况下依然保持良好的准确性；通过递归地将评分矩阵分成2×2的子矩阵，先并行处理左上角和右下角子矩阵，再并行处理右上角和左下角的子矩阵，避免了训练数据导致的参数向量依赖问题；在更新过程中固定一个参数向量求解另一个参数向量，解除了计算时的参数向量之间的依赖关系，降低了并行造成的精度损失。本发明通过引入混合交替更新的方式，解决了并行随机梯度下降算法在矩阵分解场景下参数向量更新时依赖的问题，并具有良好的准确性和扩展性。

公开(公告)号：CN111125620A

公开(公告)日：2020-05-08

申请号：CN201911061727.X

申请日：2019-11-01

Applicant: 复旦大学

Inventor： 顾宁 ,  龚志霖 ,  李东胜 ,  卢暾 ,  张鹏

IPC: G06F17/16

Abstract: 本发明属于推荐技术领域，具体为推荐系统中基于矩阵分解的并行随机梯度下降算法。本发明根据用户历史评分数据对未评分数据进行预测，采用混合交替更新的方式使其在高度并行的情况下依然保持良好的准确性；通过递归地将评分矩阵分成2×2的子矩阵，先并行处理左上角和右下角子矩阵，再并行处理右上角和左下角的子矩阵，避免了训练数据导致的参数向量依赖问题；在更新过程中固定一个参数向量求解另一个参数向量，解除了计算时的参数向量之间的依赖关系，降低了并行造成的精度损失。本发明通过引入混合交替更新的方式，解决了并行随机梯度下降算法在矩阵分解场景下参数向量更新时依赖的问题，并具有良好的准确性和扩展性。