Ускорьте funkSVD{Recommenderlab}, когда матрица большая
Я использую функцию funkSVD из пакета Recommenderlab в R, чтобы разложить мою матрицу (dimension 310587 x 1032; 99.66255% NAs) в конечном итоге аппроксимировать его отсутствующие значения (в сравнении с другим методом). Проблема в том, что это действительно медленно. Я пытался уменьшить необходимое минимальное улучшение для каждой итерации или увеличить скорость обучения, но это просто привело к низкой производительности. Я также попытался удалить все дублирующиеся строки (не уверен, можно ли это сделать для обучения RS), в результате чего получилась матрица размера 110848 x 1032, но алгоритм все еще очень медленный (несколько минут для k=2 а также min_improvement=1e-04). Есть ли способ ускорить процесс? Может быть, изменение матрицы определенным образом, чтобы она могла обрабатываться быстрее? Или есть другие (более быстрые) функции в R, которые делают это разложение?