本公开总体上涉及可以提供改进的计算机性能、特征和用途的计算机学习系统和方法。更具体地,本公开涉及快速神经排序图上搜索系统和方法。
背景技术:
1、基于神经网络的排序由于其在复杂关系(比如,用户与项目或问题与答案之间的关系)建模方面的强大能力而被广泛采用。因为神经网络指标通常是非凸的且非对称的,在线神经网络排序(即,所谓的“快速神经排序”)被认为是具有挑战性的。通常侧重于度量排序指标的传统的近似最近邻(ann)搜索不适用于这些复杂指标。因此,需要的是适合于快速神经排序的图上搜索方法系统和方法。
技术实现思路
1.一种用于生成二分图以确定给定输入查询的相关结果的计算机实施的方法,所述方法包括:
2.如权利要求1所述的计算机实施的方法,其中,所述二元函数是以下各项之一:所有元素总和、舍入总和、mlp拼接、mlp-em总和、deepfm或基于神经网络的度量。
3.如权利要求1所述的计算机实施的方法,其中,所述两跳边选择包括交替地插入基础元素和查询元素。
4.如权利要求1所述的计算机实施的方法,其中,所述停止条件包括已经插入了所述一组基础元素和所述一组查询元素中的元素数量较小的一组元素的元素。
5.如权利要求4所述的计算机实施的方法,其中,响应于所述较小的数量是所述一组基础元素中的元素数量,继续将查询元素插入到所述二分图中,直到所有查询元素都被添加到所述二分图中。
6.如权利要求4所述的计算机实施的方法,其中,响应于所述较小的数量是一组查询元素中的元素数量,继续将基础元素插入到所述二分图中,直到所有基础元素都被添加到所述二分图中。
7.如权利要求1所述的计算机实施的方法,其中,所述查询向量中的至少一些查询向量是随机生成的。
8.如权利要求1所述的计算机实施的方法,其中,所述基础元素搜索或所述查询元素搜索中的至少一个包括贪婪搜索。
9.一种用于确定给定输入查询的相关结果的计算机实施的搜索方法,所述方法包括:
10.如权利要求9所述的计算机实施的方法,其中,所述优先级队列具有对应于所述一组顶部基础元素的数量的队列大小。
11.如权利要求9所述的计算机实施的方法,其中,所述停止条件包括所述优先级队列的变化不大于阈值。
12.如权利要求9所述的计算机实施的方法,其中,优先级队列包括根据所述相关性度量排序的一组基础元素。
13.如权利要求9所述的计算机实施的方法,其中,所述二元函数是以下各项之一:所有元素总和、舍入总和、mlp拼接、mlp-em总和、deepfm或基于神经网络的度量。
14.一种用于确定给定输入查询的相关结果的计算机实施的搜索方法,所述方法包括:
15.如权利要求14所述的计算机实施的方法,其中,优先级队列包括根据所述相关性度量排序的一组基础元素。
16.如权利要求14所述的计算机实施的方法,其中,所述二元函数是以下各项之一:所有元素总和、舍入总和、mlp拼接、mlp-em总和、deepfm或基于神经网络的度量。
17.如权利要求14所述的计算机实施的方法,进一步包括从所述基础顶点中随机选择所述二分图上的基础顶点作为起始点。
18.如权利要求17所述的计算机实施的方法,进一步包括使用所述基础顶点来用成对条目初始化所述优先级队列。
19.如权利要求17所述的计算机实施的方法,其中,所述优先级队列具有对应于所述一组顶部基础元素的数量的队列大小。
20.如权利要求17所述的计算机实施的方法,其中,所述停止条件包括所述优先级队列的变化不大于阈值。