基于GPU的并行排序学习算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及研究的目的和意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究目的和意义 | 第9-10页 |
| 1.2 国内外相关研究现状综述 | 第10-12页 |
| 1.2.1 国内外排序学习算法研究现状 | 第10-12页 |
| 1.2.2 基于 GPU 的并行数据挖掘研究现状 | 第12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-14页 |
| 第2章 排序学习相关基础知识 | 第14-23页 |
| 2.1 排序学习定义 | 第14-16页 |
| 2.2 排序学习算法评价标准 | 第16-18页 |
| 2.2.1 MAP 度量准则 | 第16-17页 |
| 2.2.2 NDCG@k 度量准则 | 第17-18页 |
| 2.3 排序学习相关算法概述 | 第18-22页 |
| 2.3.1 基于数据点的排序学习算法 | 第18-19页 |
| 2.3.2 基于有序对的排序学习算法 | 第19-21页 |
| 2.3.3 基于列表的排序学习算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于贝叶斯个性化排名的排序学习算法 | 第23-43页 |
| 3.1 问题定义 | 第23-24页 |
| 3.2 输入空间 | 第24-26页 |
| 3.3 LSLRM 模型 | 第26-27页 |
| 3.4 LSLRM 模型参数估计 | 第27-30页 |
| 3.4.1 参数的分布 | 第29页 |
| 3.4.2 LSLRM 算法流程 | 第29-30页 |
| 3.5 实验结果分析 | 第30-42页 |
| 3.5.1 LETOR4.0 数据集 | 第30-31页 |
| 3.5.2 实验结果与分析 | 第31-37页 |
| 3.5.3 特征分析 | 第37-40页 |
| 3.5.4 实验结果对比 | 第40-41页 |
| 3.5.5 实验结论 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于 GPU 的并行 LSLRM 算法 | 第43-53页 |
| 4.1 LSLRM 并行编程模型 | 第43-48页 |
| 4.1.1 LSLRM 算法数据传输 | 第44页 |
| 4.1.2 LSLRM 算法线程与存储器规划 | 第44-46页 |
| 4.1.3 LSLRM 算法并行实现 | 第46-47页 |
| 4.1.4 LSLRM 并行编程框架 | 第47-48页 |
| 4.2 LSLRM 并行算法设计 | 第48-49页 |
| 4.3 实验结果分析 | 第49-52页 |
| 4.3.1 实验硬件环境 | 第49-50页 |
| 4.3.2 LETOR 数据集 | 第50页 |
| 4.3.3 实验结果与分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60页 |
