学习加速在线广告中大规模最大加权b-匹配问题的启发式搜索

二部b-匹配在算法设计中具有基础性地位，并已广泛应用于经济市场、劳动力市场等。这些实际问题通常表现出两个显著特征：大规模与动态性，这要求匹配算法以固定间隔重复执行。然而，现有的精确与近似算法通常在此类场景下失效，原因在于要么需要难以忍受的运行时间，要么消耗过多计算资源。为解决此问题，我们提出\texttt{NeuSearcher}，其利用从先前实例中学习到的知识来解决新问题实例。具体而言，我们设计了一个多通道图神经网络来预测匹配边权重的阈值，从而可显著缩小搜索区域。我们进一步提出一种并行启发式搜索算法，迭代提升解质量直至收敛。在公开与工业数据集上的实验表明，与最先进（SOTA）的近似方法相比，\texttt{NeuSearcher}可提速2至3倍，同时获得完全相同的匹配解。