tl；dr
从根本上讲，我正在寻找合理的方法来实现标签组之间的相似性等级，其中标签组是2到9个标签。类似于对词汇量为20万个单词的2到9个单词句子的相似性进行排名，只是单词顺序无关紧要。
我有一组标记的图像，我想实现几个搜索功能：
- 相似的图像
- 相似但不同的图像
其中相似性仅基于标签。
找到相同标签的图像并没有那么难，但在那之后，我有点不知所措，无法找到最好的方法。我们有几十万个标签，上面没有元数据，所以我们不知道"Outlook"与"Microsoft"、"Windows"或"电子邮件"有关，因此无法理解标记为"Microsoft，Excel，条形图"的图像与标记为"Excel，Spreadsheet"的图像和标记为"Visio，Bar Graph"的图像之间的相关性差异。
对于"相似的图像"，我们希望将"Microsoft，Excel，条形图"与"Visio，条形图"相匹配，而对于"相似但不同的图像"我们希望将"Microsoft，Excel、条形图"与"Excel，Spreadsheet"相匹配。
我目前最好的猜测是把标签当作文本处理，然后把它们扔到Solr中。另一方面，也许可以采用不同类型的数据库，如Neo4j。
关于如何向前迈出几步，有什么建议吗？我并不期待一个完整的解决方案，但如果能提出一个通用方法的建议，我将不胜感激。
额外信贷：
更困难的是，当标签被分配给图像时，它们被指定为"主要"或"次要"，当然我们希望考虑到这一点。
更新
让我们重复这个问题。
- 输入数据由标签集=字符串集(以及指向相关图像资源的指针)组成
- 字符串只是字符序列，没有其他可用的语义信息
- 然而，字符串的权重分为"主要"(权重较高)和"次要"(权重较低)
这意味着搜索必须仅依赖于集合(和字符串)的某些相似性度量。
此类措施的例子有：
- Jaccard相似性
- 骰子相似性
- 特维尔斯基相似性
- 余弦相似性
2010年的这篇论文：一种基于协作权重模型的加权标签相似性度量将其中的几个(和其他)应用于标签问题，并展示了如何包括权重。这应该很有帮助，IMHO。
另一个(更简单)的应用可以在2013年的这篇论文中看到：使用Jaccard系数进行关键词相似性。
关于问题中的示例
对于
"Similar images"，我们希望将"Microsoft, Excel, Bar Graph"与"Visio, Bar Graph"匹配
由于一个标签("Bar Graph")对两组标签都是通用的，所以它会有一些相似性。
而对于
"Similar but different images"，我们希望将"Microsoft, Excel, Bar Graph"与"Excel, Spreadsheet"相匹配。
还有一个共同的标记("Excel")。但是，系统应该如何知道"Visio"与集合"Microsoft, Excel, Bar Graph"比"Spreadsheet"更相似？这需要语义信息。我不知道如何解决这个问题。
旧零件
除了在下面2009年的论文中讨论了各种指标外，我发现对你选择的方法没有太多帮助(你对它的限制很大)。
但我想把我在这个话题上的小搜索步骤放在网上，因为它会把你的问题放在上下文中。
其他人去哪里
研究界似乎正朝着这些方向发展：
- 使用关于提供标签的用户的附加信息(大众分类，社交标签)
- 利用语义元数据(本体，语义相似性)
- 利用视觉图像内容(基于内容的视觉信息检索)
民俗，社交标签
参见2009年的一篇论文：评估社会标记的紧急语义的相似性度量。
代替传统的通过比较图像的图形数据来定义相似性的方法
I = { (x, y, colour) }
在某种程度上(基于内容的图像检索、按图像内容查询和根据内容的视觉信息检索ravest semantics)，就像您想要的那样。
他们的基本模型由用户为资源分配的标签组成，比较所谓的大众分类的元组
F = { (user, resource, tag) }
可以通过不同的方法将其缩小到(资源、标签)元组的情况，以在用户上聚合，从而产生不同的相似性度量。
语义相似性
有趣的是使用语义相似性，例如Jiang Conrad，但遗憾的是，你的标签没有语义元数据(本体例如)，这让你只能坚持单词字符串表示的相似性。
从2008年起，本文《本体论在改进图像检索和注释中的应用》再次支持本体论的使用，但我认为它对各种方法进行了很好的讨论。
Folksonomies，基于人民的智慧。Flickr就是一个很有代表性的例子。这种方法克服了手动注释，但标签使用中的不一致性可能会使搜索整个数据集
与基于内容的视觉信息检索相结合
上面的两篇论文都引用了2006年的一篇论文《使用紧急语义增强导航以进行协作标记》。
然而，单独使用标签搜索和浏览数据库显然具有其局限性。首先，人们在标记时会犯错误，比如拼写错误，或者使用错误的标签进行意外标记。第二，没有解决方案处理同音异义，即区分一个词的不同含义。第三同义词或不同语言只能通过显式标记数据来处理所有条款
这些作者将社交标签与最初提到的基于内容的图像检索相结合。
还有一个环节：协作标记。