面向汉明空间中高效精准 Top-N 搜索的二部图卷积哈希方法
信息检索
2023-04-04 v1
摘要
二部图上的搜索在许多现实网络应用中基础且通用，例如在线推荐、数据库检索以及查询-文档搜索。给定查询节点，传统方法依赖于在连续欧几里得空间中使用向量化节点嵌入进行相似度匹配。为高效处理密集的相似度计算，针对图结构数据开发哈希技术近来已成为一个新兴研究方向。尽管在汉明空间中检索效率较高，已有工作却面临严重的性能衰减问题。在本工作中，我们研究二部图上基于图卷积网络（Graph Convolutional Network）的哈希问题，以实现有效的 Top-N 搜索。我们提出一种端到端的二部图卷积哈希方法，称为 BGCH，其包含三个新颖且有效的模块：（1）自适应图卷积哈希，（2）隐特征分散，以及（3）傅里叶序列化梯度估计。具体而言，前两个模块针对哈希编码中不可避免的信息损失实现了结构信息的实质性保留；最后一个模块主要在频域中对哈希函数进行傅里叶级数分解，以得到更精确的梯度估计。在六个真实数据集上的大量实验不仅显示出相对于基于哈希的对比方法的性能优势，也证明了其中所包含的所有提出模型组件的有效性。
引用
@article{arxiv.2304.00241,
title = {Bipartite Graph Convolutional Hashing for Effective and Efficient Top-N Search in Hamming Space},
author = {Yankai Chen and Yixiang Fang and Yifei Zhang and Irwin King},
journal= {arXiv preprint arXiv:2304.00241},
year = {2023}
}
备注
Accepted by WWW 2023