Resumen

La factorización de matrices no negativas (NMF) se ha introducido como una forma eficiente de reducir la complejidad de la compresión de datos y su capacidad de extraer partes altamente interpretables de conjuntos de datos, y también se ha aplicado a varios campos, como recomendaciones, análisis de imágenes y agrupamiento de texto. Sin embargo, a medida que aumenta el tamaño de la matriz, la velocidad de procesamiento de la factorización de matrices no negativas es muy lenta. Para resolver este problema, este artículo propone un algoritmo paralelo basado en GPU para NMF en la plataforma Spark, que aprovecha al máximo las ventajas del modo de cálculo en memoria y la aceleración de GPU. El nuevo NMF acelerado por GPU en la plataforma Spark se evalúa en un clúster heterogéneo de 4 nodos Spark utilizando Google Compute Engine configurando cada nodo con un dispositivo NVIDIA K80 CUDA, y los resultados experimentales indican que es competitivo en términos de tiempo de cálculo frente a las soluciones existentes en una variedad de órdenes de matriz. Además, también se propone un

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Factorización de matrices; No negativo; NMF; GPU; Plataforma Spark; Filtrado colaborativo
• Keywords:Matrix factorization; Nonnegative; NMF; GPU; Spark platform; Collaborative filtering