Слайд №3 Каково сейчас положение дел в данной области? В настоящее время имеется много систем семантического анализа текстов и различных новостных агрегаторов. Слайд №4
жүктеу/скачать 27.36 Kb.
|
- Бұл бет үшін навигация:
- СЛАЙД №13 – №14
| СЛАЙД №12
Чтобы сохранить высокую точность определения тематической близости, свойственную алгоритму шинглов, и при этом сократить длительность его работы без сокращения числа сравнений, авторы распараллеливают сравнение значений хеш-функций и нахождение тематически близких текстов. В алгоритме шинглов основную вычислительную нагрузку несет вычисление кеша. В результате экспериментальной оценки работы алгоритма с помощью четырех разных реализаций, для каждой из них была получена сводная таблица с оценкой времени вычислений. Число итераций можно рассматривать как число анализируемых новостных текстов. Давайте рассмотрим результаты тестирование разработанных авторами статьи и программно-реализованных алгоритмов шинглов, которые используют разные технологии распараллеливания. Первый способ – реализация алгоритма шинглов с использованием технологий CUDA и Open CL. Второй способ – реализация алгоритма шинглов с использованием технологий Google App Engine. СЛАЙД №13 – №14 Отметим, что тестирование производилось на устройстве с процессором Intel core i5 3.0 GHz, и видеокартой (Cuda) – NVIDIA GeForce GTX 650Ti 2GB и OpenCL AMD Radeon 7870 2GB По сравнению с последовательным алгоритмом, для параллельной реализации алгоритма шинглов с использованием технологии Cuda (вторая кривая снизу) среднее ускорение составило 5.10, а с применением технологии OpenCL (первая кривая снизу) – 10.12. При этом параллельно выполнялся только подсчет и сравнение хешей, а нормализация текста проводилась последовательно. OpenCL превосходит CUDA в 1.93 раза, что в данном случае объясняется тем, что тестируемая с OpenCL видеокарта незначительно превосходит своего конкурента по вычислительной мощности. СЛАЙД №15 Тестирование работы программы проводилось на 30 текстах размером от 46 до 50 Кб. В тестовой выборке содержалось по 10 текстов на 3 новостных темы. Сначала запускалась программа Google App Engine, затем локально. Время разделения текстов по 3-м тематикам приведено в таблице на слайде. Таким образом, за счет введения распараллеливания процессов обработки можно существенно увеличить скорость объединения новостных текстов в тематические кластеры. Google App Engine позволяет достичь ускорения порядка 1.2 раза по сравнению с локальным запуском приложения с последовательным выполнением процессов. Далее для каждого такого кластера осуществляется выделение ключевых фраз и слов, которые используются для построения визуального представления новости. жүктеу/скачать 27.36 Kb. Достарыңызбен бөлісу:
|