在图像检索、推荐系统和半监督学习等领域，流形排序（Manifold Ranking）是一种经典而有效的算法。它基于“流形假设”：相似的样本在内在低维流形上应该具有相似的排序分数。通过在数据图上传播初始查询标签，能为所有样本计算与查询的相关性得分。
然而，传统流形排序需要构造全样本的邻接图并求解大规模矩阵逆，计算复杂度高，尤其在大规模数据集上难以应用。高效流形排序（Efficient Manifold Ranking, EMR）通过引入“地标点”（landmarks）机制，大幅降低了计算和存储开销，同时保持了优秀的排序性能，非常适合实际的图像检索和相关反馈场景。
算法核心思想
EMR的核心是使用少量地标点（p个，远小于样本数n）来近似表示整个数据集：
地标点选择：从原始数据中选取p个代表性点，支持两种方式：
k均值聚类中心（默认，效果更好）
随机采样（更快）
稀疏表示矩阵Z构建：每个样本用最近的r个地标点进行局部线性表示，权重采用高斯核形式（0.75 × (1 - d²)），得到n × p的稀疏矩阵Z。
高效排序计算：利用Z将原始的流形排序公式转化为一个p维的线性系统求解，避免了n维大矩阵求逆。
最终排序分数为：score = y0 - H * (A \ (H’ * y0))
其中H是归一化后的Z，A是p ×
