前言：现代深度学习实践中很多场景其实都是对输入数据进行处理、嵌入，最终获得一个 embedding，然后对 embedding 进行相似度检索，而工业界中的被检索数据往往是海量的，因此深度学习模型落地的最后一步也就是大规模向量检索。本文介绍在工业界实践中常用的向量检索方案。

参考网上资料经过个人理解和汇总完成本文撰写，每节参考文章见附录↓

需要用到向量检索的场景举例：

引言

Embedding 本质上就是一个向量，向量检索即在一个给定的向量数据集中，以某种度量方式，检索出与 query vector 最邻近的K个向量(K-Nearest Neighbor, KNN) 。但 KNN 的精确计算的计算量过大，在工业界的大规模向量检索场景下是不可接受的，因此一般工业界采用的是近似最近邻查询(Approximate Nearest Neighbor, ANN)。

根据上述描述，可以知道一个向量检索引擎的关键包含四个要素：特征提取(生成Embedding)、距离度量(如何衡量Embedding的距离)、检索算法(如何高效召回向量)、数据存储(候选向量库如何存储)；

特征提取模块与要解决的问题和解决问题采用的模型有关；
向量距离度量常见方式有：欧式距离、余弦距离、内积距离、海明距离等；
不同的度量方式对应不同的场景：通常欧式距离用于图片检索，余弦用于人脸识别，内积多用于推荐，海明距离由于向量比较小，通常用于大规模视频检索场景。
存储取决于具体采用的方案，实践中可以采用 ElasticSearch 或其开源版 OpenSearch 来存储（不用关心内部存储细节）。

向量检索用召回率来评估效果：对于给定的向量q，其在数据集上的K近邻为N，通过检索召回的K个近邻集合为M，则 Recall= $\frac{|N\cap{M}|}{K}$ 。

评估不同索引结合和向量检索算法召回率的两个项目：ann-benchmarks 、big-ann-benchmarks
评估向量检索算法召回的数据集：SIFT，GIST 等；
向量检索的优化技巧：1. 减少候选向量集；2. 降低单个向量计算的复杂度（向量压缩）；

【可以跳过这里】向量检索方法综述：

基于空间划分：
- 暴力搜索：作为答案的基准数据，在人脸识别的场景中经常要求100%的召回率，这种情况下一般直接暴力计算。
- tree-based：KDTree、BallTree、VPTree 等；
- hash-based：Locality Sensitive Hashing
  - ( $d_1$ , $d_2$ , $p_1$ , $p_2$ )-sensitive hash
    - 如果d(x,y) <= d1，则h(x) = h(y)的概率至少为p1
    - 如果d(x,y) >= d2，则h(x) = h(y)的概率最多为p2；
- 倒排索引 IVF：计算与聚类簇中心的距离来粗排
  - 聚类：K-means、K-means++、K-means#、one pass K-means、YinYang K-means 等；
  - 多层聚类
graph-based：KGraph、NSG、HNSW、NGT 等；【目前召回率上最优的方法；缺点也很大：存储、内存开销】
- a.选好入口点；b.遍历图；c.收敛；
- 裁边优化，连通性增强，指令加速，多线程处理
空间编码和转换法：
- 向量量化：
  - 乘积量化：PQ、OPQ、LOPQ 等；
  - 二值量化：ITQ(Iterative Quantization)、DeepHash 等；
- 内积转换 $^*$ ：因为内积没有LSH且不满足三角不等式，因此很多索引结构不能使用内积，有方法可以转化内积使得内积和欧式能够实现负相关，对向量转换后，可直接用欧式距离度量方式检索。而在图上，目前已经证明可以直接使用内积。
发展中的向量检索方法：
- graph+量化
- graph+倒排

目前业界知名的开源向量检索框架：Faiss、FLANN等；基于此产生的服务化的工程引擎：milvus、vearch 等；

向量检索的挑战：1.标签+向量联合检索；2.超大规模索引的精度和性能；3.流式索引的在线更新；4.分布式构建和检索；5.复杂多场景适配；

Reference

一文纵览KNN（ANN）向量检索
【推荐文章】图像检索：向量索引

Faiss

wiki | Github

Faiss(Facebook AI Similarity Search) 是 Meta 公司(原名 Facebook )开源的大规模向量相似度检索和聚类框架，支持十亿级别的向量搜索。Faiss 基于 C++ 实现，并提供了支持 Numpy 的 Python 接口，其部分核心算法提供了 GPU 实现。

能加速的原理无非就是把精确解的暴力搜索，变成了近似解的搜索，并且用一定的预处理计算量构建索引，在进行检索前利用索引降低检索范围或者是计算量以此实现加速。因此 Faiss 工作流程大致分为三步：1. 导入向量库；2. 根据向量进行训练(聚类)；3. 构建索引(index)；

以相似用户检索为例，流程如下：

近似解必然有精度损失，一般用召回率来衡量模糊检索相对于精确检索的损失。在实际的工程中，候选向量的数量级、索引所占内存的大小、检索所需时间（离线检索 or 在线检索）、索引构建时间、检索的召回率等都是我们选择索引时常常需要考虑的地方。工业界最常见使用的方式是 IVF+PQ。

参考网上的资料给出一个不同索引对比：

注意：向量库很大时，索引是否支持分批导入和是否可以增量构建索引的性质很重要，不是所有索引类型都支持该特性；官方的 Guidelines to choose an index；支持的索引类型 Index types；

IVF+PQ

倒排索引(Inverted File System,IVF)和乘积量化(Product Quantization,PQ) 算法是 Faiss 实现快读、低内存开销以及精确检索的主要手段（分别代表了横向切分、纵向压缩来加速检索的技巧）。若无特殊情况，工业界一般使用该方法构建索引。

倒排索引

倒排索引算法↓

倒排索引确定子空间：计算query向量和所有子空间中心(eg.子空间内所有向量的均值)的距离，选出距离最近的K个子空间。Faiss 中的参数 nlist 指定聚类个数、参数 nprobe 指定检索的子空间数；一般而言，nlist 越大，训练时间越长，但最终检索速度越快(因为 TopK 子空间内待比较的向量总数变少)，而 nprobe 越大则一般精度越高，但相应检索时间变长。

缺点：可能损失精度，局部最优；速度不稳定：聚类的不同簇包含的向量个数并不平均，因此不能达到期望的下界时间(暴搜时间/nlist)，而会带上一个常数；

乘积量化

乘积量化算法↓
Cluster步骤：参数 m_split 控制向量被切分的段数，假设向量维度为128，每个向量被切分4个小的向量，对每个小向量分别进行聚类(256个簇)。

Assign步骤：对每个 cluster 进行编码0~255；对每个向量来说，先切分成四段，对每一段小向量，分别计算其对应的最近的簇心，使用这个簇心的ID当做该向量的第一个量化编码，依次类推，每个向量都可以由4个ID进行编码。每个ID长度为1个字节，向量编码共需4个字节(32bits)，这样便实现了向量的压缩(128->32)。这一步即流程图中的 Faiss 训练，通过该步骤获得了索引(Index)。

向量查询：对查询向量，首先对其切分，这样就可以得到四小段的向量，然后计算每个小向量和对应的256个类中心的距离，存在一个距离矩阵中，接着就可以通过查表，来计算查询向量Query和每个向量之间的距离。计算方式就是累加每个小向量之间的距离之和。

为什么能相加？ 由于乘积量化的计算需要 Faiss 在计算 L2 距离(欧氏距离)时没有开平方；对于余弦相似度（向量的内积除以两个向量的模）一般只先计算内积（归一化内积就是余弦相似度）因此是可以相加的；

在暴力查询中，计算量是N*128次，但在PQ算法中，计算量变为：4*N+4*256*32次。但PQ中的4*N主要是查表，远比暴力查询中的浮点运算快。因此计算效率远大于32倍。

结合倒排索引和乘积量化：先倒排索引横向切分缩小计算区域，然后通过乘积量化纵向压缩向量减小向量相似度计算代价，最终实现向量检索效率的极大提升。

假设 nlist=2000，常数C=5，最终优化效率： $\frac{nlist}{C}*\frac{128*N}{4*N+4*256*32}$ 大约有1200倍，降低三个数量级。

局部敏感性哈希

局部敏感哈希(Locality Sensitive Hashing, LSH) 不同于传统哈希尽量不产生碰撞，局部敏感哈希依赖碰撞来查找近邻。高维空间的两点若距离很近，那么设计一种哈希函数对这两点进行哈希值计算，使得他们哈希值有很大的概率是一样的，若两点之间的距离较远，他们哈希值相同的概率会很小。不同距离度量方式的哈希函数不同，不是所有距离度量（如内积）都能找到对应局部敏感哈希。

优点： 训练快、支持分批导入、索引占内存很小、检索快；
缺点： 召回率下降幅度较大；在亿级数据下速度有所下降（秒级）；
使用情况： 候选向量库非常大，离线检索，内存资源比较稀缺的情况；

分层可导航小世界图* HNSW

分层小世界导航(Hierarchical Navigable Small World,HNSW)图算法

参数：构建图时每个点最多连接参数x个节点，x越大，构图越复杂，查询越精确，构建索引时间越慢，x取值在4~64；
优点： 基于图检索的改进方法，检索速度极快，10亿级别秒出检索结果，而且召回率几乎可以媲美Flat(暴搜)，能达到惊人的97%。检索的时间复杂度为O(loglogn)，几乎可以无视候选向量的量级。支持分批导入，极其适合线上任务，毫秒级别体验。
缺点： 构建索引极慢，占用内存极大(是Faiss中最大的)。
使用情况： 不在乎内存，并且有充裕的时间来构建索引；

跳表(SkipList)是一种简单高效的索引结构在 Redis、LevelDB 等系统中获得广泛应用，而 HNSW 本质上是跳表(SkipList)的思想迁移在图上的应用。

Reference

相似向量检索库-Faiss-简介及原理
Faiss入门及应用经验记录

Proxima

Proxima 是阿里巴巴达摩院自研的向量检索内核。目前，其核心能力广泛应用于阿里和蚂蚁内众多业务，如淘宝搜索和推荐、蚂蚁人脸支付、优酷视频搜索、阿里妈妈广告检索等。同时 Proxima 还深度集成在云产品中，如阿里云 Hologres、开放搜索 OpenSearch、搜索引擎 ElasticSearch 和 ZSearch、离线引擎 MaxCompute (ODPS) 等，为其提供向量检索的能力。

智能开放搜索 OpenSearch - 阿里云
智能推荐 AIRec - 阿里云

Proxima 支持 ARM64、x86、GPU 等多种硬件平台，支持嵌入式设备和高性能服务器，从边缘计算到云计算全面覆盖，支持单片索引十亿级别下高准确率、高性能的索引构建和检索。

Proxima 应用举例

电商

向量召回在商品搜索多路召回中的应用：

在线教育

拍照搜题解决方案：

为什么搜题要做多路召回？ 教育拍照搜题场景相比网页/电商的文本搜索有显著差异：

搜索query特别长：常规检索term数上限30，搜题需要放到100；
搜索query是由拍照OCR识别之后得到的文本，关键term的识别错误会严重影响召回排序；

纯文本查询方案：OR逻辑查询latency高，计算消耗大；AND逻辑查询，无结果率高，整体准确性不如OR逻辑；
如何去兼顾计算消耗和搜索准确性 =》 文本向量检索
文本向量检索：通过文本向量检索召回，结合AND逻辑查询，做到latency和计算消耗低于OR逻辑的情况下准确性更高；向量召回采用 BERT 模型，其中针对教育搜题做的特别优化有：
- 达摩院自研的 StructBERT：针对教育行业优化
- 向量检索引擎基于 proxima：准确率和速度超过开源方案

向量检索的挑战和 Proxima 的优化

向量检索的挑战↓

分布式索引的构建和检索：向量检索目前多通过数据分片的方式实现水平扩展，然而过多的分片容易造成计算量的上升，从而导致检索效率的下降。在分布式方面，仍存在向量索引快速合并算法的难题，这导致了数据一旦分片之后，无法很好套用 Map-Reduce 计算模型合并成效率更高的索引。
流式索引的在线更新：传统的检索方法能很方便的实现增查改删（CRUD）的操作，向量检索依赖数据分布和距离度量，部分方法还有数据集训练的要求，数据点的变更甚至动一发而牵全身。因此，要实现向量索引的从 0 到 1 的全流式构建，并满足即增即查、即时落盘、索引实时动态更新的要求，对算法和工程仍存在着一些挑战。
目前，对于非训练的检索方法，能较方便的支持全内存索引的在线动态新增和查询，然而面对即时落盘、内存不足、在线向量动态更新和删除等要求，操作成本很大，满足不了实时性。
标签+向量的联合检索：需要同时满足标签检索条件和相似性检索的要求，如查询某些属性条件组合下相似性的图片等，称这种检索为“带条件的向量检索”。
目前，业内采用多路归并的方式，即分别检索标签和向量再进行结果合并，虽可以解决部分问题，但多数情况下结果不甚理想。
复杂的多场景适配：不同场景的算法超参数不一样，想让用户变得更简单，必然需要考虑场景适配的问题，主要包括数据适配（如：数据规模、数据分布、数据维度等）和需求适配（如：召回率、吞吐、时延、流式、实时性等）两方面。基于不同的数据分布，通过选择合适的算法和参数，以满足实际的业务需求。