[论文解读] The Tangent Search Engine: Improved Similarity Metrics and Scalability for Math Formula Search

Richard Zanibbi, Kenny Davila+2 more|arXiv (Cornell University)|Jul 22, 2015

Mathematics, Computing, and Information Processing参考文献 24被引用 6

一句话总结

本文提出 Tangent Search Engine，一种用于数学公式检索的两阶段方法，通过在符号对上使用轻量级倒排索引实现快速候选检索，随后采用最大子树相似度（MSS）进行精确的、基于外观的排序。该方法在 NTCIR-11 Wikipedia 公式检索基准上实现了最先进性能，且索引大小显著减小、检索时间更快于以往系统。

ABSTRACT

With the ever-increasing quantity and variety of data worldwide, the Web has become a rich repository of mathematical formulae. This necessitates the creation of robust and scalable systems for Mathematical Information Retrieval, where users search for mathematical information using individual formulae (query-by-expression) or a combination of keywords and formulae. Often, the pages that best satisfy users' information needs contain expressions that only approximately match the query formulae. For users trying to locate or re-find a specific expression, browse for similar formulae, or who are mathematical non-experts, the similarity of formulae depends more on the relative positions of symbols than on deep mathematical semantics. We propose the Maximum Subtree Similarity (MSS) metric for query-by-expression that produces intuitive rankings of formulae based on their appearance, as represented by the types and relative positions of symbols. Because it is too expensive to apply the metric against all formulae in large collections, we first retrieve expressions using an inverted index over tuples that encode relationships between pairs of symbols, ranking hits using the Dice coefficient. The top-k formulae are then re-ranked using MSS. Our approach obtains state-of-the-art performance on the NTCIR-11 Wikipedia formula retrieval benchmark and is efficient in terms of both index space and overall retrieval time. Retrieval systems for other graphical forms, including chemical diagrams, flowcharts, figures, and tables, may also benefit from adopting our approach.

研究动机与目标

• 为解决在精确匹配稀少或缺失时检索数学上相似的公式的挑战，尤其适用于非专家用户或基于视觉结构的检索。
• 开发一种可扩展的检索系统，基于视觉和句法相似性而非深层语义等价性对公式进行高效排序。
• 在保持或超越最先进性能的前提下，减小索引大小并提升检索效率。
• 提供直观、基于视觉的公式排序，反映符号的相对位置和类型，提升对不熟悉正式数学符号的用户友好性。

提出的方法

• 系统使用符号对上的倒排索引——即编码公式中相邻或嵌套符号之间关系的元组——以利用 Dice 系数实现快速候选检索。
• 第一阶段的 top-k 候选公式通过最大子树相似度（MSS）度量重新排序，该度量基于符号类型的贪心统一计算相似度，并最大化连通匹配子树的大小。
• MSS 度量优先考虑查询与目标公式之间大而结构一致的匹配，强调符号的相对位置和类型，而非语义等价性。
• 两阶段架构将快速过滤与精确相似度计算解耦，实现对大规模公式集合的高效扩展。
• 系统支持近似匹配，包括通配符，并按匹配类型（如精确匹配、变量替换）对结果进行分组，以提升用户可解释性。
• 通过索引压缩和高效的元组编码减少存储需求，使系统可部署于大规模存储库（如 Wikipedia）中。

实验结果

研究问题

• RQ1 基于符号对的轻量级倒排索引能否有效检索数学表达式查询的候选公式？
• RQ2 最大子树相似度（MSS）度量能否生成与人类基于视觉和结构特征的公式相似性判断一致的排序结果？
• RQ3 结合快速过滤与精确重排序的两阶段检索流程，能否在显著减小索引大小的前提下实现最先进性能？
• RQ4 该系统在不同类型的查询下（包括通配符或部分匹配）表现如何？

主要发现

• Tangent Search Engine 在 NTCIR-11 Wikipedia 公式检索基准上实现了最先进性能，其有效性与效率均优于以往系统。
• MSS 度量生成的排序结果与人类相似性判断高度一致，排名靠前的公式在五级李克特量表上始终被评为“非常相似”或“相似”。
• 检索模型中窗口大小为 1 时取得了优异结果，索引开销最小且检索时间最快，表明系统具有极高效率。
• 系统使用远小于以往方法的索引大小即实现了高检索有效性，证明了在不牺牲性能的前提下显著提升了空间效率。
• 用户评估中，参与者表示系统按匹配结构和相似性类型对结果分组，显著增强了可用性与可解释性。
• 两阶段架构在保持高精度的同时显著减少了整体检索时间，证明其可扩展至大规模公式存储库。