基于符号引导的二分图哈希用于汉明空间搜索

二分图哈希（Bipartite Graph Hashing, BGH）广泛用于低存储和推理成本下的汉明空间 Top-K 检索。近期研究采用图卷积哈希实现 BGH，取得了最佳性能。然而，各类影响因素对哈希性能的贡献尚未深入探讨，包括两个二进制嵌入之间相同/不同符号计数（符号属性）、各层子嵌入的贡献（模型属性）、二分图中不同节点类型的贡献（节点属性）以及数据增强方法的组合。本文构建一种轻量级图卷积哈希模型 LightGCH，主要移除最佳模型 BGCH 的数据增强方法。通过分析各层和节点类型对性能的贡献，以及分析各层的汉明相似度统计，我们发现二分图中的实际邻居在浅层具有低汉明相似度，而所有节点在深层趋向于高汉明相似度。为解决此问题，我们提出一种新型符号引导框架 SGBGH，用于改进邻居的汉明相似度，通过符号引导负采样提升邻居相似度，通过符号感知对比学习帮助节点学习更均匀的表示。实验结果表明，SGBGH 在嵌入质量方面显著优于 BGCH 和 LightGCH。