矩阵分解java,对于R中的大矩阵，使用ALS的矩阵分解具有非常慢的性能和隐式零...

我想在R中使用交替最小二乘(ALS)执行矩阵分解 . 虽然代码对于小矩阵工作正常，但对于较大的矩阵来说，这是令人难以置信的慢 . 我将不胜感激加快这一进程 . 我使用的是RRopen 8.01，因此它已经使用 MKL 在多个内核上运行 .

我正在使用二进制矩阵作为隐式反馈矩阵 . 此外，我实现了一个加权矩阵 .

## Matrix Factorization with Alternating Least Squares

## R is u * v binary matrix,

## W is u * v weighting matrix

## U is u * k user feature matrix,

## V is v * k item feature matrix

## u is the number of users,

## v is the number of items,

## k is the number of features

## iter is the number of iterations

这是我做的：

# implicit feedback data matrix.

R

W

我设置以下参数：

k

its

为用户和项目创建初始矩阵

# initial users matrix.

U

# initial items matrix.

V

现在我用ALS执行矩阵分解

w.err

for(iter in 1:its) {

# update users

for(i in 1:nrow(R)) {

U[i,]

as.vector(V %*% as.vector(t(W[i,])%*% diag(R[i,])))))

}

# update items

for(j in 1:ncol(R)){

V[,j]

t(U) %*% (diag(R[,j]) %*% W[, j]))

}

R.hat

w.err[iter]

}

R.hat 是所需的结束矩阵 . w.err 只是对迭代错误的控制 . 很适合绘图:)

它的代码工作正常 . 就在我增加 R (和 W )中的行数和列数时，性能显着下降 . 虽然它可以说是 nr=200, nr=500 ，但它已经在8核2.67 Ghz机器上运行了两个小时 nr=2000, nr=5000 (还没有完成) .

我没有使用 NMF 或 NMFN 包，因为负值是可能的，因此它不是非负MF . 有谁知道如何提高性能？也许我只是愚蠢的我的代码是无稽之谈，如果你能指出改进，我会很高兴 .

我寻找类似的问题，但找不到一个 . 也许我只是忽略了它 .