文献

J-GLOBAL ID：202202292364676760   整理番号：22A0960370

レコメンダーシステムのための分散代替確率勾配降下による大規模でスケーラブルな潜在因子分析【JST・京大機械翻訳】

Large-Scale and Scalable Latent Factor Analysis via Distributed Alternative Stochastic Gradient Descent for Recommender Systems

著者 (5件)： Shi Xiaoyu (Chongqing Engineering Research Center of Big Data Application for Smart Cities, and Chongqing Key Laboratory of Big Data and Intelligent Computing, Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences, Chongqing, China) ,  He Qiang (School of Software and Electrical Engineering, Swinburne University of Technology, Melbourne, Australia) ,  Luo Xin (Chongqing Engineering Research Center of Big Data Application for Smart Cities, and Chongqing Key Laboratory of Big Data and Intelligent Computing, Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences, Chongqing, China) ,  Bai Yanan (Chongqing Engineering Research Center of Big Data Application for Smart Cities, and Chongqing Key Laboratory of Big Data and Intelligent Computing, Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences, Chongqing, China) ,  Shang Mingsheng (Chongqing Engineering Research Center of Big Data Application for Smart Cities, and Chongqing Key Laboratory of Big Data and Intelligent Computing, Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences, Chongqing, China)
資料名： IEEE Transactions on Big Data  (IEEE Transactions on Big Data)
巻： 8  号： 2  ページ： 420-431  発行年： 2022年 
JST資料番号： W2442A  ISSN： 2332-7790  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 確率的勾配降下(SGD)による潜在因子分析(LFA)は,推薦者システムからの高次元およびスパース(HiDS)行列からのユーザおよびアイテムパターンの発見において非常に効率的である。しかし,ほとんどのLFAベースの推薦システムは,大きなデータを扱うとき,限られたスケーラビリティを被る標準SGDアルゴリズムを採用する。他方,ほとんどの既存の並列SGDソルバは,裸のマシンのために設計されたメモリ共有フレームワークの下で,または,大規模システムにおけるそれらの応用を大きく制限する高い通信コストを被るかのいずれかである。上記の問題に取り組むために,本論文では,LFAベースの推薦者のための分散代替確率勾配降下(DASGD)ソルバを提案した。潜在的特徴間の訓練依存性を,SGDの原理に従って他の半分を学習する特徴の1半分を交互に固定することにより分離する。それは,効率的データ分割,割り当て,およびタスク並列化戦略から成り,高いスケーラビリティのための通信コストを大幅に削減する。実世界アプリケーションによって生成された3つの大規模HiDS行列に関する実験結果は,提案したDASGDアルゴリズムが,予測精度とスケーラビリティに関して推薦者システムのための最先端の分散SGDソルバより優れていることを実証した。したがって,クラウドコンピューティング施設の助けを借りて,大規模HiDSマトリックスに関するLFAベースの推薦者を訓練することは,非常に有用である。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *確率 ,  記憶装置 ,  大規模系 ,  *因子分析 ,  応用プログラム ,  下降 ,  高次元 ,  大規模 ,  並列化
準シソーラス用語： 通信コスト ,  予測精度 ,  ソルバ ,  クラウドコンピューティング ,  *確率勾配 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 代替 ,  確率勾配 ,  降下 ,  大規模 ,  因子分析