近日，李国徽教授团队杨中博士后论文“Universal Set Similarity Search via Multi-Task Representation Learning”被国际数据库顶级会议ICDE2025接收为长文。ICDE是数据库领域的三大顶级国际会议之一，属CCF A类会议。

图‑ 1 基于Box Embedding集合通用表示过程示意图

集合（sets）相似性搜索是数据处理中的一项基础操作，在数据清理与整合、信息检索、剽窃检查、基因检测等不同领域有着广泛的应用。最常用集合相似性度量包括重叠相似性（Overlap）、杰卡德相似性（Jaccard）、余弦相似性（Cosine）和骰子相似性（Dice）等。传统方法难以同时解决不同相似性度量和查询类型下的搜索问题，传统方法通常是针对特定的相似性设计的，并为了适应不同相似性而进行扩展改造，导致不同相似性度量的有效性存在明显偏差，为了解决这个问题，文章首先研究了一种基于盒嵌入（Box embedding）的多任务表示学习方法（MTB），如图-1所示。

图‑ 2 基于通用表示Usearch在多种相似度和多个数据集上均能保证较高精确度

其次研究基于该表示的通用的集合相似性搜索算法（USearch），这是一种通用搜索框架，可容纳各种集合相似度和查询问题，实验表明该方法的通用性和有效性俱佳，尤其在较大的数据集合上，并能保证较高的数据查询准确度，部分实验结果如图-2所示。