一种面向矩阵分解模型的推荐系统训练加速方法

摘要

为降低矩阵分解(matrix factorization, MF)模型面向推荐系统应用的训练时间，特别针对细粒度稀疏的特征矩阵在训练过程中存在大量无效乘法运算的问题，提出一种基于特征矩阵联合稀疏性进行近似计算的训练加速方法。基于隐因子向量稀疏性强弱基本不变的特点，提出在模型训练初期，根据隐因子向量的稀疏性，对特征矩阵重新排列；在训练过程中，采用早停法，避免无效乘法运算。试验结果表明，模型训练过程中乘法运算次数可最多降低28.41%,加速前后评分预测值相关系数约0.95。所提出方法可以保证预测准确性小幅降低的同时，显著减少训练中的乘法运算次数，针对更大规模的矩阵分解模型训练，能实现更好的加速效果。

关键词

推荐系统 / 矩阵分解 / 稀疏性 / 算法加速 / 近似计算