48、CuAPSS：用于全对相似性搜索的混合CUDA解决方案

CuAPSS：用于全对相似性搜索的混合CUDA解决方案

1. 并行解决APSS问题的方法

解决APSS（All-Pairs Similarity Search，全对相似性搜索）问题的并行方法主要有MapReduce和多核解决方案。大多数并行方法基于MapReduce框架，利用其特性设计算法。
- 传统MapReduce方法 ：一些MapReduce方法首先使用映射器计算向量对的部分相似性值，经过洗牌阶段后，相同对的部分相似性值被传输到归约器进行累加。然而，这些方法存在节点间通信成本高的问题，并且随着数据集大小的增加，扩展性较差。
- 基于分区的MapReduce方法 ：为了解决上述问题，基于分区的MapReduce方法仅使用映射任务。它先将数据集划分为若干块，然后在每个块中并行执行串行APSS算法，还会使用一些过滤策略来修剪不相似的向量。
- 多核解决方案 ：只有两项工作专注于多核解决方案，即pAPT和PL2AP。pAPT基于APT引入，使用索引共享技术，使线程能够独立执行搜索；PL2AP利用内存层次结构的特性，通过缓存平铺优化来提高性能。

2. 背景知识

在进行APSS之前，需要了解一些初步知识，包括基于余弦的APSS问题和倒排列表表示（即倒排索引）。
- 符号表示 ：设$D = {d_1, d_2, \ldots, d_n}$是一组$n$个对象，每个$d_i$是$m$维特征空间中的实值、非负、稀疏向量，$d_i = {w_{i,1}, w_{i,2}, \ldots, w_{i,m}