关键词：并行计算;;个性化推荐系统;;协同过滤;;规范矩阵因式分解
摘 要：基于矩阵因式分解的协同过滤推荐模型具有很高的推荐精度和可扩展性,而其中大多数都是基于串行训练过程构造参数的,如能将其训练过程并行化,能进一步提高可扩展性。为解决上述问题,该文提出一种基于规范矩阵因式分解的协同过滤推荐(RMF)模型的并行改进(P-RMF)模型。P-RMF模型应用交替随机梯度下降法取代随机梯度下降法训练参数,从而消除用户特征和项目特征在训练过程中的相互依赖,实现训练过程的并行化改进。实验表明,对比现有同类模型,P-RMF模型在求解协同过滤推荐问题时,具有更快的速度和可扩展性。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取