测地语义搜索：通过学习的局部黎曼图对引用图的测地导航
信息检索
2026-04-28 v4 机器学习
社会与信息网络
摘要
我们提出了测地语义搜索 (GSS)，一种学习引用图上节点特定黎曼度量以实现几何感知语义搜索的检索系统。与标准基于嵌入的检索相比，后者依赖固定的欧几里得距离，而 GSS 学习在每个节点学习低秩度量张量 ，从而在每个节点诱导出局部正半定度量 。这种参数化确保了有效的度量，同时保持模型可计算性。检索过程通过在学习的测地距离上进行多源迪克斯特算法，随后进行最大边际相关性重新排序和路径一致性过滤。实验表明，在包含 169K 篇 arXiv 论文的引用预测基准测试中，GSS 相对于 SPECTER+FAISS 基线实现了 23% 的召回率提升。我们提供了桥接恢复保证，阐明了何时测地检索在质量上优于直接相似性的条件；给出训练损失与检索质量之间的边际分离结果；并对低秩度量参数化的表达力进行了表征。我们的层次化粗到细搜索结合 k-均值池化将计算成本降低 ，同时保持 97% 的检索质量。
引用
@article{arxiv.2602.23665,
title = {Geodesic Semantic Search: Cartographic Navigation of Citation Graphs with Learned Local Riemannian Maps},
author = {Brandon Yee and Lucas Wang and Kundana Kommini},
journal= {arXiv preprint arXiv:2602.23665},
year = {2026}
}