论文研究-基于多核系统的并行线性RankSVM算法.pdf

现有的线性RankSVM已得到较有效的研究，但在训练大规模的线性RankSVM时，过长的训练时间依然难以让人接受。通过对当前最先进算法Tree-TRON的分析可知，利用信任区域的牛顿迭代（trust region Newton method，TRON）去训练线性RankSVM模型涉及大量的Hessian-vector内积（Hessian-vector product）计算，同时完成Hessian-vector内积计算又需计算大量的辅助变量和矩阵运算。为了有效地加速与Hessian-vector内积有关的计算，在多核系统下提出了一种高效的并行算法（命名为PRankSVM）用于提高大规模线性RankSVM的训练速度。PRankSVM的特征主要体现为两个方面：训练数据按不同的查询划分为不同的子问题；在多核系统下，利用多核加速辅助变量和相关矩阵的计算。通过实验分析可知，相较于现有的算法（如Tree-TRON），PRankSVM不仅可以有效地提高训练速度，而且可以有效地确保预测的准确率。