Acelerando a Fatoração de Matrizes por Poda Dinâmica para Recomendação Rápida

A fatoração de matrizes (FM) é um algoritmo de filtragem colaborativa (FC) amplamente utilizado para sistemas de recomendação (SR), devido à sua alta precisão de predição, grande flexibilidade e alta eficiência no processamento de grandes dados. No entanto, com o aumento dramático no número de usuários/itens nos SRs atuais, a complexidade computacional para treinar um modelo de FM aumenta consideravelmente. Muitos trabalhos existentes aceleraram a FM, seja investindo em recursos computacionais adicionais ou utilizando sistemas paralelos, o que introduz um alto custo. Neste artigo, propomos métodos algorítmicos para acelerar a FM, sem induzir recursos computacionais adicionais. Especificamente, observamos esparsidade estruturada de alta resolução nas matrizes de características decompostas ao considerar um determinado limite. A esparsidade estruturada de alta resolução causa uma grande quantidade de operações desnecessárias durante a multiplicação de matrizes e a atualização dos fatores latentes, aumentando o tempo computacional do processo de treinamento de FM. Com base na observação, propomos primeiro rearranjar as matrizes de características com base na esparsidade conjunta, o que potencialmente torna um vetor latente com um índice menor mais denso do que aquele com um índice maior. O rearranjo da matriz de características é dado para limitar o erro causado pelo processo de poda realizado posteriormente. Em seguida, propomos podar os fatores latentes insignificantes por meio de um processo de parada precoce durante a multiplicação de matrizes e a atualização dos fatores latentes. O processo de poda é realizado dinamicamente de acordo com a esparsidade dos fatores latentes para diferentes usuários/itens, a fim de acelerar o processo. Os experimentos mostram que nosso método pode alcançar acelerações de 1,2 a 1,65, com até 20,08% de aumento de erro, em comparação com o processo de treinamento de FM convencional. Também provamos que os métodos propostos são aplicáveis considerando diferentes hiperparâmetros, incluindo otimizador, estratégia de otimização e método de inicialização.