您当前所在位置: 首页

论文收录信息

论文编号 201712-39
论文题目 基于矩阵分解和数据流的推荐算法
文献类型
收录期刊

上传封面

中文期刊 英文期刊

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

中文专著 英文专著

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

中文译著 英文译著

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

中文论文集 英文论文集

编者 . 论文集名称(中文) [c].

出版地 出版社 出版年-

编者 . 论文集名称(英文) [c].

出版地 出版社 出版年-

上传封面

中文文献 英文文献

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

中文文献 英文文献

文题(中文)

文题(英文)

出版地

出版社, 出版日期--

上传封面

中文文献 英文文献

文题(中文)

文题(英文)

出版地

出版社, 出版日期--

后印本*

(请提交PDF文档)

基于矩阵分解和数据流的推荐算法

引用

复制文本

导出参考文献

.txt .ris .doc

丛义昊

丛义昊(1993-),男,硕士,主要研究方向:大数据与数据挖掘

于艳华

于艳华(1974-),女,副教授,主要研究方向:大数据与数据挖掘

发送私信

发送给

北京邮电大学计算机学院,北京 100876

摘要:协同过滤算法是推荐算法中应用最广泛的算法之一,目前基于矩阵分解的协同过滤算法往往是针对静态数据的,缺乏对动态数据的处理能力,导致模型更新周期长、推荐时效性差的问题。针对目前在分布式平台中采用参数服务器控制模型训练过程中存在的滞后梯度和掉队者问题,本文提出一种使用迭代数据流和对等参数交换网络来代替参数服务器的方法,并在经典的MovieLens-1m数据集上进行了实验。实验结果表明,算法能够降低近一半的模型训练通讯开销,同时提高系统的推荐时效性。

关键词: 矩阵分解 流计算 对等网络 推荐系统

图表:

同行评议

评论

评论一下

全部评论
评论