张万桢，刘同来，李志梅+

(1.桂林航天工业学院 实践教学部，广西 桂林 541004；2.广东工业大学 计算机学院，广东 广州510006；3.桂林电子科技大学 广西密码学与信息安全重点实验室，广西 桂林 541004)

0 引 言

跨模态检索(cross-modal retrieval)[1-5]是指用户能用任意一种媒体类型的数据进行检索，搜索引擎返回多种类型媒体数据的检索方式。其关键问题在于如何高效地解决多媒体数据之间存在的语义鸿沟[6-10]。为此，近年来国内外研究人员提出了多种跨模态哈希(cross-modal hashing)方法[11-15]。其中，基于协同矩阵因式分解(collective matrix factorization，CMF)的跨模态哈希方法[16-20]取得了令人瞩目的成果。CMF作为一种简单但有效的语义挖掘方法能够高效地学习多模态潜在语义，降低多模态数据间的语义鸿沟。然而这些基于CMF的方法仍然存在一些固有的缺点。首先，在学习潜在语义信息时，过去基于CMF的方法没有考虑在子空间映射过程中，部分冗余信息会随同多模态数据的主要语义信息一同嵌入，导致检索效率下降的问题。此外，许多方法使用松弛-量化的优化方式会导致哈希码产生大量的量化误差，降低检索性能。

为此，本文提出一种重构约束下的离散矩阵因式分解哈希方法(RDMFH)。RDMFH对不同模态使用CMF学习潜在公共语义矩阵的同时，对公共语义矩阵施加数据重构约束、离散约束与图约束。重构约束保证学习到的潜在语义冗余信息最小化；离散约束减小最终生成哈希码的量化误差；图约束使得最终生成的哈希码更具可区分性。基于以上3个约束，本文所提出的RDMFH不仅能充分发挥CMF学习多模态潜在语义信息的能力，同时克服了其鲁棒性不足，量化误差大的缺陷，使得哈希码具有更好的检索性能。……