Algorithmic Acceleration of Parallel ALS for Collaborative Filtering:\n Speeding up Distributed Big Data Recommendation in Spark
Notice bibliographique
Résumé
Collaborative filtering algorithms are important building blocks in many\npractical recommendation systems. For example, many large-scale data processing\nenvironments include collaborative filtering models for which the Alternating\nLeast Squares (ALS) algorithm is used to compute latent factor matrix\ndecompositions. In this paper, we propose an approach to accelerate the\nconvergence of parallel ALS-based optimization methods for collaborative\nfiltering using a nonlinear conjugate gradient (NCG) wrapper around the ALS\niterations. We also provide a parallel implementation of the accelerated\nALS-NCG algorithm in the Apache Spark distributed data processing environment,\nand an efficient line search technique as part of the ALS-NCG implementation\nthat requires only one pass over the data on distributed datasets. In serial\nnumerical experiments on a linux workstation and parallel numerical experiments\non a 16 node cluster with 256 computing cores, we demonstrate that the combined\nALS-NCG method requires many fewer iterations and less time than standalone ALS\nto reach movie rankings with high accuracy on the MovieLens 20M dataset. In\nparallel, ALS-NCG can achieve an acceleration factor of 4 or greater in clock\ntime when an accurate solution is desired; furthermore, the acceleration factor\nincreases as greater numerical precision is required in the solution. In\naddition, the NCG acceleration mechanism is efficient in parallel and scales\nlinearly with problem size on synthetic datasets with up to nearly 1 billion\nratings. The acceleration mechanism is general and may also be applicable to\nother optimization methods for collaborative filtering.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».