Indexing Structures for Similarity Search in Metric Spaces

Mgr. Vlastislav Dohnal, Ph.D.

Advanced ('rigorózní') thesis

Abstract:

Problém vyhledávání prvků množiny, které jsou vzhledem k jistému podobnostnímu kritériu blízké danému dotazovému prvku, se vyskytuje v různých odvětvích počítačové vědy (computer science), od aplikací rozpoznávání vzorů až po vyhledávání v textových a multimediálních datech. V obecném případě je vhodnou abstrakcí podobnostního kritéria metrický prostor. S rostoucí složitostí a objemem moderních dat se zvyšuje potřeba indexovacích struktur, které umožňují použití diskových úložišť. Bohužel mnoho existujících indexovacích struktur podporuje použití pouze operační paměti, tedy není schopno pracovat s velkými, někdy i distribuovanými, databázemi. Současné indexovací struktury byly navrženy jako statické, což omezuje jejich použití v dynamických prostředích. Aktualizace dat v těchto prostředích jsou nevyhnutelné a tím se náklady na ukládání nebo mazání stávají významnými a je nutné je minimalizovat. Tato práce se zaměřuje na vytvoření nové indexovací struktury pro podobnostní hledání, která kombinuje techniku shlukování (clustering) a pivotovací strategii (pivot-based strategy) s cílem zrychlit provádění podobnostních dotazů. Navrhovaná struktura má nízké náklady na ukládání/mazání dat a shora omezuje cenu vyhledávání, je schopna pracovat v distribuovaných a paralelních prostředích.

Abstract:

The problem of searching the elements of a set which are close to a given query element under some similarity criterion has a vast number of applications in many branches of computer science, from pattern recognition to textual and multimedia information retrieval. We are interested in the general case where the similarity criterion defines a metric space. As the complexity and volume of modern data grows, there is an increasing need of index structures which support disk memory storages. Unfortunately, many existing index structures operate in the main memory only thus they are not able to deal with large, possibly distributed, collections of data. Existing index structures suffer from being intrinsically static, which limits their applicability in dynamic environments that are permanently a subject of change. In such environments, updates (insertions or deletions) are inevitable and the costs of update are becoming a~matter of concern. This work is aimed at the development of a novel similarity search index structure that combines the clustering technique and the pivot-based strategy to speed up execution of similarity search queries. The proposed structure supports easy insertions/deletions and bounded search costs. It is suitable for distributed and parallel implementations.

Keywords

similarity searching, metric space, indexing, index structure

Language used: English

Date on which the thesis was submitted / produced: 30. 1. 2007

Thesis defence

• Date of defence: 30. 1. 2007

Masaryk University

Faculty of Informatics

Advanced ('rigorózní řízení') programme / field:
Informatics / Informatics