本文提出了一种基于图遍历和压缩表征的方法，该方法编码可索引向量使用量化和利用图结构改进相似度估计。该方法在保证较小比较集的高精度及显著内存压缩的同时，在 64-128 字节每向量的操作点上，优于现有技术在二十亿规模公共基准测试中的表现。

Apr, 2018

本文提出一种新的基于倒排索引的检索系统，相比于现有的基于多重索引的系统，在相同内存消耗和构建复杂度下，在十亿级深度描述符数据集上，取得了数倍于现有最先进方法的检索性能。

Feb, 2018

本文提出了一种可重构倒排索引（Rii）以解决近似最近邻搜索系统的两个重要问题：运行子集搜索困难和新项目增加后性能下降。基于标准 IVFADC 系统，Rii 设计了一种数据布局方法，使得项目被线性存储。由于线性布局，数据结构可以动态调整，维护系统的高速度。大量比较表明，Rii 与 Faiss 等最先进的系统相比具有可比较的性能。

Aug, 2018

本文研究了种植的两分模型，在此模型中，节点被分成两个大小相等的团体，然后以依赖于社区成员资格的方式随机添加边。我们建立了在此模型中渐近可恢复种植的必要和充分条件。当渐近可恢复的两分被找到时，我们提供了一种有效的算法以成功找到它。我们还展示了种植的两分可以在高概率下渐近恢复，如果每个节点都属于其大部分邻居所在的同一社区，那么就有可能。我们用几乎线性于边数的时间找到了种植的两分，它有三个阶段：用于计算初始猜测的谱聚类，用于几乎每个顶点正确的 “副本” 阶段，以及一些简单的局部移动以完成任务。

Jul, 2014

本文主要介绍了一种压缩社交网络图的方法，通过将聚类和有序排列相结合的方式，提出了一种名为 Layered Label Propagation 的算法，并在大数据场景下通过过度分解方法实现了对超过 6 亿个节点的图重新排序并压缩，使得在对一系列 web graphs 以及 social networks 的试验中，其压缩效果相比于现有技术都有显著提高，从而能够快速分析大规模图数据。

Nov, 2010

本文研究了基于图的连接结构和先前的节点信息（我们称之为查询向量）来排名双分图顶点的问题，并介绍了一种新的解决方案 BiRank，该方案通过迭代分配分数，最终收敛为唯一的静态排序，并且展示了其在实际应用上的灵活性和实用性。

Aug, 2017

本文提出了一种在高维向量的压缩域内重新排列邻居猜想的方法，通过短量化码优化估算距离，以避免从磁盘中读取完整向量，实验证明该方法准确高效且占用较少内存。

Feb, 2011

本文研究在亿级规模的图数据上，通过利用高效的图探索和大规模并行计算，建立在分布式内存上而非超线性索引的新型算法，达成对图数据库的有效子图匹配。

May, 2012

为了解决针对大型图检索最大 D-truss 中消耗过多计算资源的问题，在最近提出的 D-truss-connected 模型的基础上，我们引入了一种创新的合并关系，用于捕捉 D-truss 内边缘的内在密度和凝聚力，并构建了一个简洁紧凑的索引，ConDTruss，通过使用 ConDTruss 可以大大提高最大 D-truss 检索的效率。实验评估证实了我们提出的方法的有效性。

Jan, 2024

本文提出了基于学习的排序方案来解决自回归模型中的图生成和排序问题，并通过实验证明该方案在各种图生成任务上的有效性，鼓舞未来工作进一步探索和发展学习排序方案。

May, 2023