[論文レビュー] SEAL: Spatio-Textual Similarity Search

Ju Fan, Guoliang Li+3 more|arXiv (Cornell University)|May 30, 2012

Data Management and Algorithms参考文献 13被引用数 10

ひとこと要約

本稿では、空間的重複とテキスト類似度を統合することで、クエリROIと類似する領域（ROI）を効率的に特定する、新しいスパティオテキスト類似度検索手法SEALを提案する。ハイアラルキカルハイブリッド署名を用いたフィルタ・バリデーションフレームワークを採用し、高性能なフィルタリングとプルーニングを実現し、Twitter やUSAといった実世界のデータセットにおいて、ベースライン手法に比べ最大30倍の高速化を達成した。

ABSTRACT

Location-based services (LBS) have become more and more ubiquitous recently. Existing methods focus on finding relevant points-of-interest (POIs) based on users' locations and query keywords. Nowadays, modern LBS applications generate a new kind of spatio-textual data, regions-of-interest (ROIs), containing region-based spatial information and textual description, e.g., mobile user profiles with active regions and interest tags. To satisfy search requirements on ROIs, we study a new research problem, called spatio-textual similarity search: Given a set of ROIs and a query ROI, we find the similar ROIs by considering spatial overlap and textual similarity. Spatio-textual similarity search has many important applications, e.g., social marketing in location-aware social networks. It calls for an efficient search method to support large scales of spatio-textual data in LBS systems. To this end, we introduce a filter-and-verification framework to compute the answers. In the filter step, we generate signatures for the ROIs and the query, and utilize the signatures to generate candidates whose signatures are similar to that of the query. In the verification step, we verify the candidates and identify the final answers. To achieve high performance, we generate effective high-quality signatures, and devise efficient filtering algorithms as well as pruning techniques. Experimental results on real and synthetic datasets show that our method achieves high performance.

研究の動機と目的

• 現代のLBSアプリケーションにおいて、空間的領域とテキスト記述を併せ持つ領域（ROI）の類似度検索の増大するニーズに対処すること。
• ミリ秒未満の応答時間を達成しつつ、大規模なスパティオテキストデータに対して効率的な類似度検索をサポートすること。
• 空間的重複とテキスト類似度を統合的にモデル化することで、スパティオテキスト類似度検索問題を形式化し、解決すること。
• データのフルスキャンを回避するスケーラブルで高性能なフィルタリングおよび検証フレームワークを設計すること。

提案手法

• フィルタ・バリデーションフレームワークを導入：まず署名を用いて候補をフィルタリングし、その後最終的な類似度を検証する。
• 空間的類似度のためのグリッドベースの署名を提案：空間ドメインを分割し、領域座標をハッシュ化することで実現する。
• しきい値に配慮したプルーニング技術を設計し、フィルタリング段階の初期段階で非候補ROIを早期に除外する。
• 空間的およびテキスト的特徴を1つのコンactな署名に統合したハイアラルキカルハイブリッド署名を設計する。
• ハイアラルキカル署名を用いて、空間的およびテキスト的プルーニングを同時に適用するハイブリッドフィルタリングアルゴリズムを採用する。
• テキスト類似度にはジャカード類似度、空間的類似度にはジャカードオーバーラップを用い、署名設計に統合する。

実験結果

リサーチクエスチョン

• RQ1 ROI検索において、空間的類似度とテキスト類似度を1つの類似度測定基準に効果的に統合する方法は何か？
• RQ2 類似しないROIを効率的にフィルタリングしつつ、高い再現率を維持できる署名構築手法は何か？
• RQ3 精度を損なわずに候補数を削減できるプルーニング技術をどのように設計できるか？
• RQ4 従来のインデックス構造（Rツリー やキーワードインデックスなど）と比較して、署名ベースのフィルタリングはどの程度の性能向上を達成するか？
• RQ5 データサイズの増加や類似度しきい値の変化に伴い、この手法はどのようにスケーリングするか？

主な発見

• Twitterデータセットにおいて、IR-Tree やキーワードインデックス、空間インデックスといったベースライン手法に比べ、SEALは最大30倍の高速化を達成した。特定のしきい値条件下ではクエリ時間は5msにまで短縮された。
• Twitterデータセットにおいて、空間的しきい値が0.1でテキスト的しきい値が0.4の条件下で、SEALはクエリ時間をIR-Treeの253msから5msに短縮した。
• 本手法は非線形的スケーラビリティを示した：ROI数が増加してもクエリ時間の増加が緩やかであり、優れたスケーラビリティを示した。
• すべてのしきい値において、グリッドベースの署名（G-256など）に比べ、ハイブリッド署名（H-256、H-512、H-1024）がフィルタリング効率と応答時間の両面で優れていた。
• ハイアラルキカルハイブリッド署名の設計により、空間的およびテキスト的プルーニングを同時に実行でき、検証対象の候補数を顕著に削減した。