内积检索问题在推荐系统、信息检索和数据挖掘等领域有着极为广泛的应用。内积检索问题是指给定一个查询向量q和一个矩阵P,在矩阵中P中找到k个向量,使得这k个向量与查询向量的内积值在查询向量与矩阵的乘积q~T·P中排前k大。内积检索问题的求解可以分为两步(1)计算查询向量与矩阵的乘积;(2)在查询向量与矩阵的乘积中检索出排前k大的内积值和矩阵中对应的向量。基于CPU计算平台内积检索算法的性能瓶颈是计算向量与矩阵乘积的部分,该部分的计算时间占总计算时间的96%以上。与CPU相比,GPU有着更多的计算核心和更大的显存带宽特别适合用于求解运算密集型的计算任务。然而由于内积检索问题本身的复杂性,简单的将内积检索问题的求解迁移至GPU进行计算并不能取得较好的加速效果。本文针对如何高效的利用CPU-GPU系统加速精准内积检索问题展开研究。本文主要的研究内容和贡献如下:(1)对当前基于CPU的内积检索算法进行了细致的性能分析测定了算法每个阶段的时间开销,确定基于CPU内积检索算法的性能瓶颈为求解向量与矩阵的乘积。针对CPU无法高效计算矩阵乘法的问题,本文提出使用CPU-GPU系统加速内积检索中矩阵乘法的计算。为了充分利用CPU-GPU系统的硬件资源对CPU-GPU系统的软硬件体系结构和计算特性进行了系统的研究,并调研了当前CPU、GPU矩阵乘法的计算和优化方式,确定了本文所使用的矩阵乘法计算方式。(2)提出了基于GPU矩阵乘法的内积检索算法。针对GPU显存容量不足无法使用GPU计算矩阵乘法的问题,本文提出了矩阵分块计算方案,在不超过显存容量的前提下充分的利用GPU的计算资源高效的进行矩阵乘法。在合理矩阵分块计算的基础上提出基于GPU矩阵乘法的内积检索算法,解决了基于CPU内积检索算法的性能瓶颈。(3)提出了两个基于GPU的内积检索优化算法。在基于GPU矩阵乘法算法的基础上提出了基于GPU排序的内积检索算法,通过在GPU端对相乘得到的结果矩阵进行排序,提升了从乘积矩阵中检索前k大元素的效率并且减少显存与主存间传输数据的开销。并在基于GPU排序的内积检索算法的基础上提出了基于柯西-施瓦兹不等式的剪枝策略,保证了不损失计算精度的前提下大幅减少了所需的计算量。本文使用四个来自真实推荐系统的数据集对所提出的基于CPU-GPU系统的内积检索加速算法进行了性能测试。测试结果显示本文所提出的算法可以有效的解决基于CPU的内积检索算法的性能瓶颈。与目前效率最高的CPU内积检索算法相比本文所提出的基于CPU-GPU系统的内积检索算法获得了15.88至138.78倍的性能提升。