通过查询历史优化近邻图上的贪婪搜索｜树与图联合索引｜微软亚洲研究院 CCF A类会议

Posted on In

论文题目

Query-Driven Iterated Neighborhood Graph Search for Large Scale Indexing

相关信息

作者与单位

Jingdong Wang; Shipeng Li
Microsoft Research Asia, Beijing, P. R. China {jingdw, spli}@microsoft.com

出处与时间

ACM International Conference on Multimedia (CCF A类), 2012

作者拟解决的主要问题

近邻图搜索易陷入局部最优，而且穷尽式连续搜索易导致低搜索效率。本文就是对传统贪婪搜索进行优化。

论文主要研究内容

本文主要研究近邻图搜索过程的一些问题。

  1. 通过重启局部搜索和引入判据缓解局部最优；
  2. 利用查询和搜索历史提升搜索效率。

论文使用的方法

查询驱动迭代邻域图搜索方法。采用迭代局部搜索策略（ILS）寻找解决方案。

  1. 处理了一个关键问题——扰动，它产生新的起始点来重启局部搜索。
  2. 提出一个判据，判断局部搜索是否达到了局部最优。
  3. 利用查询和搜索历史设计一个扰动方案，从而使搜索更有效。

上述扰动方案其实就是产生新入口点的操作。

局部最优检测

通过图梯度检测。具体地，对于当前访问点$x$，它距查询$q$的距离记为$d(x,q)$，$x$的任一邻居$y$与$q$的距离$d(y,q)$，若$d(x,q)-d(y,q) \le 0$，则贪婪搜索陷入局部最优。反之，称$y$为有希望的点(promising point)。

扰动 (Perturbation)

根据先前的查询和搜索历史产生新入口点。入口点获取仍使用树，与之前不同的是，获取的过程会受到先前搜索历史和搜索结果影响。

查询驱动迭代贪婪搜索总过程

  1. kd树产生初始点；
  2. 近邻图上贪婪搜索；
  3. 扰动重启初始点；
  4. 近邻图上贪婪搜索；
  5. 重复3.和4.直至终止条件发生。

论文的创新点

本文主要解决的就是在近邻图上执行贪婪搜索时（1）入口点获取问题；（2）易陷入局部最优问题。作者采用查询驱动迭代贪婪搜索的策略同时解决这两个问题。入口点获取是采用kd树的方法，开始获取时与之前的工作一样，本文创新的地方是在图上贪婪搜索时仍会根据一些判断条件从kd树上多次获取新入口点，文章介绍了两个判断条件：（1）经过一定量的邻居扩展后仍没有获取到有希望的点(promising point)；（2）从kd树中获取的点不超过一定的比例上界。

论文的结论

  1. 获取入口点时，依赖于查询的方案具有比独立于查询的方案更好的搜索性能；
  2. 通过查询和搜索历史驱动产生新的起始点，重启贪婪搜索。迭代执行这一过程多次，从而缓解了局部最优问题，取得更好的搜索性能。

我的观点或思考

  1. 近邻图的构建成本普遍比其它流派的方法高。
  2. 通过预先存储近邻图中每个顶点到它的邻居的距离，在搜索时可通过三角不等式减少距离计算。
稀罕作者