使用 Epsilon-Greedy 算法的多媒体信息检索性能有效性

在多媒体对象的搜索与检索中，由于大多数多媒体内容无法被机器提取，而人工提取往往极为费力且耗时，因此无论是手动还是自动提取内容进行索引都是不切实际的。然而，通过系统性地捕获和分析人类用户的反馈模式，可以获取有关多媒体内容的关键信息，用于有效索引及后续搜索。通过学习用户的判断和心理评价，可以逐步建立有效的搜索索引，并进而用于查找最相关的多媒体对象。为避免停留在局部最大值，我们应用 epsilon-greedy 方法系统性地探索搜索空间。通过这种有方法的探索，我们表明所提方法能够保证最相关对象总是可以被发现，即使最初它可能被忽略或未被视作相关。本文定量分析了该方法的搜索行为，并获得了两种 epsilon-greedy 算法变体（即 EGSE-A 和 EGSE-B）性能的闭式表达式。在真实数据集上进行的仿真与实验显示与理论发现良好吻合。本方法能够有效利用探索显著提升多媒体信息搜索的性能，并确保发现原本可能无法被发现的相关对象。