Performance of Two Approaches of Embedded Recommender Systems

Abstract

Hoy en día, los entornos informáticos altamente portátiles y de bajo consumo energético requieren aplicaciones de programación capaces de satisfacer las restricciones de tiempo y energía de cálculo. Además, los sistemas de recomendación basados en filtrado colaborativo son sistemas inteligentes que utilizan grandes bases de datos y realizan extensos cálculos aritméticos matriciales. En esta investigación, presentamos un algoritmo optimizado y una implementación de hardware paralelo como enfoque para ejecutar aplicaciones de filtrado colaborativo embebidas. Para ello, hemos considerado la programación de síntesis de alto nivel para la tecnología de hardware reconfigurable. El diseño se probó en entornos en los que se aplicaron parámetros habituales y conjuntos de datos del mundo real, y se comparó con microprocesadores habituales que ejecutaban implementaciones similares. Los resultados de rendimiento obtenidos por las distintas implementaciones se analizaron en términos de tiempo de computación y consumo de energía. La principal conclusión es que el algoritmo optimizado es competitivo en aplicaciones integradas cuando se consideran grandes conjuntos de datos e implementaciones paralelas basadas en hardware reconfigurable.

Nowadays, highly portable and low-energy computing environments require programming applications able to satisfy computing time and energy constraints. Furthermore, collaborative filtering based recommender systems are intelligent systems that use large databases and perform extensive matrix arithmetic calculations. In this research, we present an optimized algorithm and a parallel hardware implementation as good approach for running embedded collaborative filtering applications. To this end, we have considered high-level synthesis programming for reconfigurable hardware technology. The design was tested under environments where usual parameters and real-world datasets were applied, and compared to usual microprocessors running similar implementations. The performance results obtained by the different implementations were analyzed in computing time and energy consumption terms. The main conclusion is that the optimized algorithm is competitive in embedded applications when considering large datasets and parallel implementations based on reconfigurable hardware.