Calibração de Distância em Métodos de Acesso Métrico por meio de Realimentação de Relevância

Abstract

Usualmente, os Métodos de Acesso Métrico (MAM) utilizam funções de distância fixas para realizar a construção da árvore métrica, o que por sua vez impede que um MAM consiga indexar os elementos utilizando duas ou mais funções de distância na mesma indexação. Um vetor de pesos corretamente aprendido por Realimentação de Relevância (RR), permite ponderar funções de distâncias e aprimorar a semântica dos dados, trazendo maior precisão ao processamento de consultas. Este trabalho apresenta a abordagem denominada Tuning Metrics Relevance Feedback (TMRF), que incluem funções de distâncias ponderadas no MAM Slim-Tree, mantendo-a eficiente, sendo 70% mais rápida em relação a estratégias sequenciais, com ganhos expressivos em termos de acurácia de até 42% através de aprendizado por RR.