基于可学习哈希的神经时序点过程连续时间事件序列检索

时序序列已在各种现实应用中变得无处不在。因此，以连续时间事件序列（CTES）形式生成的数据量在过去几年中呈指数级增长。因此，当前关于CTES数据集的研究中有相当一部分涉及设计模型以解决下游任务，如下一事件预测、长期预测、序列分类等。近期使用标记时序点过程（MTPP）的预测建模进展已能够准确刻画多个涉及CTES的现实应用。然而，由于这些CTES数据集的复杂性，大规模时序序列检索任务被以往文献所忽视。具体而言，CTES检索是指：对于给定的输入查询序列，检索系统必须从大型语料库中返回相关序列的排序列表。为此，我们提出NeuroSeqRet，一种专为端到端CTES检索设计的首创框架。具体地，NeuroSeqRet在标准检索框架上引入了多项增强，并首先对查询序列施加可训练的展开（unwarping）函数，使其可与语料库序列进行比较，尤其在相关查询-语料对各自具有不同属性时。接着，它将展开后的查询序列与语料库序列输入由MTPP引导的神经相关性模型。我们基于精度与效率的权衡为不同类应用开发了四种相关性模型变体。我们还提出一种优化框架，从相关性分数中学习二值序列嵌入，适用于局部敏感哈希。我们的实验显示了NeuroSeqRet的显著精度提升以及我们哈希机制的有效性。