- 综合排序
- 最热优先
- 最新优先
- 来自专栏得物技术
近邻搜索算法浅析
简介 随着深度学习的发展和普及，很多非结构数据被表示为高维向量，并通过近邻搜索来查找，实现了多种场景的检索需求，如人脸识别、图片搜索、商品的推荐搜索等。 另一方面随着互联网技术的发展及5G技术的普及，产生的数据呈爆发式增长，如何在海量数据中精准高效的完成搜索成为一个研究热点，各路前辈专家提出了不同的算法，今天我们就简单聊下当前比较常见的近邻搜索算法。 实现 当前有比较成熟的库实现了各种主流的近邻搜索算法，在项目中可以通过这些基础库来构建对应的近邻搜索服务，其中使用比较广泛的是faiss库，由Fackbook开源，在支持不同算法的同时，也支持在超大规模数据集上构建 k近邻搜索以及支持GPU来加速索引构建和查询，同时社区活跃，在考虑到性能和可维护性，faiss库是构建近邻检索服务的比较好的选择。 总结 本文展示了当前比较常见的几种近邻搜索算法，并简单分析了各算法的原理；随着深度学习的不断发展，不同场景对近邻搜索的需求越来越多，必定会有新的算法不断地涌现，每种算法有它适合的场景，在选择不同算法时需要结合业务的需求
3.4K104编辑于 2022-08-03 - 来自专栏AI科技时讯
最近邻搜索|Nearest neighbor search
[7] 邻近邻域图中的贪婪搜索 近似图方法（例如 HNSW [8]）被认为是近似最近邻搜索的当前最新技术。 [8] [9] [10] 这些方法基于邻近邻域图中的贪婪遍历 G(V,E) ，其中每一点 x_{i}\in S 与顶点唯一关联 v_{i}\in V . **在集合S中搜索查询q的最近邻采用在图中搜索顶点的形式 G(V,E) 。 变体 NNS 问题有许多变体，其中最著名的两个是*k-*最近邻搜索和ε-近似最近邻搜索。 k-最近邻 k-最近邻搜索识别查询的前k 个最近邻。 Acta Informatica. 9 (1): 23–29. doi:10.1007/BF00263763. S2CID 36580055.
1.7K50编辑于 2023-09-01 高效图搜索：提升最近邻查找速度
更高效的近似最近邻搜索新方法将基于图的搜索速度提升20%至60%，且不依赖特定的图构建方法。 作者：Hsiang-Fu Yu 2023年6月6日 阅读时长：4分钟会议信息The Web Conference 2023相关论文FINGER: 用于基于图的近似最近邻搜索的快速推理技术正文当今许多机器学习应用都涉及最近邻搜索 搜索算法遍历该图，并定期更新当前已遇到的离查询最近的点列表。在一篇发表于今年Web Conference的论文中，我们描述了一种新技术，可大幅提升基于图的最近邻搜索效率。 据此，我们提出了一种非常高效地计算近似距离的方法，并表明它能将近似最近邻搜索所需的时间减少20%到60%。 基于图的搜索广义上讲，近似k最近邻搜索算法——即寻找离查询向量最近的k个邻居——分为三类：量化方法、空间划分方法和基于图的方法。在多个基准数据集上，基于图的方法迄今表现出了最佳性能。
9610编辑于 2026-04-07- 来自专栏AI科技时讯
图像搜索|高维空间最近邻逼近搜索算法
业务场景 上一次介绍图像搜索的基本原理，现在记录下使用的数据包的问题。 NMSLIB 项目地址：https://github.com/nmslib/nmslib 非度量空间库（NMSLIB）是一种高效的跨平台相似性搜索库和用于评估相似性搜索方法的工具包。 NMSLIB是一个可扩展的库，这意味着可以添加新的搜索方法和距离函数。NMSLIB可以直接在C ++和Python中使用。 详细参数 关于参数的设置可以见 https://github.com/nmslib/nmslib/blob/master/python_bindings/parameters.md 参考 高维空间最近邻逼近搜索算法评测
1.7K20发布于 2019-08-15 - 来自专栏浊酒清味
Python快速实战机器学习(9) K近邻
引言 KNN（K近邻）算法是懒惰学习的一个典型示例。
56310发布于 2019-12-25 图近似最近邻搜索效率提升新方法
更高效的近似最近邻搜索当今许多机器学习应用都涉及最近邻搜索：数据被表示为高维空间中的点；查询（如图片或文本字符串）被嵌入该空间；检索与查询最接近的数据点作为候选解决方案。 然而，计算查询与数据集中每个点之间的距离通常耗时过长，因此模型构建者转而使用近似最近邻搜索技术。其中最流行的是基于图的近似方法，即将数据点组织成图结构，搜索算法遍历图并持续更新遇到的最近邻点列表。 因此，提出了一种高效计算近似距离的方法，显示可将近似最近邻搜索所需时间减少20%至60%。 基于图的搜索大致来说，近似k最近邻搜索算法（寻找最接近查询向量的k个邻居）分为三类：量化方法、空间分区方法和基于图的方法。在多个基准数据集上，基于图的方法目前表现最佳。 转而专注于一种适用于所有图构建方法的技术，因为它提高了搜索过程本身的效率。该技术称为FINGER（基于图的近似最近邻搜索的快速推理）。
24210编辑于 2025-08-30深度度量学习提升近邻搜索可靠性
通过深度度量学习实现更可靠的近邻搜索许多机器学习应用涉及将数据嵌入到一个表示空间中，其中嵌入之间的几何关系承载着语义内容。 执行一项有用任务通常涉及检索该空间中一个嵌入的邻近邻居：例如，查询嵌入附近的答案嵌入、文本描述嵌入附近的图像嵌入、一种语言中的文本嵌入在另一种语言中的文本嵌入附近，等等。
13610编辑于 2026-01-09- 来自专栏Pulsar-V
Math-Model（二）-无向图最近邻路径搜索
%a=xlsread('../附件一：已结束项目任务数据.xls'); clc clear GPS_1=importdata('../GPS_DATA.txt'); GPS_2=importdata('../GPS_DATA2.txt'); %X=min([min(GPS_1(:,1)),min(GPS_2(:,1))]):0.01:max([max(GPS_1(:,1)),max(GPS_2(:,1))]); %Y=min([min(GPS_1(:,2)),min(GPS_2(:,2))]):0.01:
33330发布于 2019-03-12 - 来自专栏小小程序员——DATA
K近邻算法 K近邻算法原理
# K近邻算法 K近邻算法原理## $k$近邻算法介绍- $k$近邻法 (k-Nearest Neighbor;kNN) 是一种比较成熟也是最简单的机器学习算法，可以用于基本的分类与回归方法- 算法的主要思路 - $k$近邻法是基本且简单的分类与回归方法。 $k$近邻法的基本做法是：对给定的训练实例点和输入实例点，首先确定输入实例点的$k$个最近邻训练实例点，然后利用这$k$个训练实例点的类的多数来预测输入实例点的类。 - $k$近邻模型对应于基于训练数据集对特征空间的一个划分。$k$近邻法中，当训练集、距离度量、$k$值及分类决策规则确定后，其结果唯一确定。## $k$近邻法三要素 1. - $k$值小时，$k$近邻模型更复杂；$k$值大时，$k$近邻模型更简单。- $k$值的选择反映了对近似误差与估计误差之间的权衡，通常由交叉验证选择最优的$k$。
52300编辑于 2023-12-10 - 来自专栏李维亮的博客
PHPCMSV9按栏目搜索
1、修改后台添加、修改内容时添加栏目id到搜索表中 找到 phpcmsmodelcontent_model.class.php 大概106、287行左右，一共两处 $this->search_api( ,'',$catid); } elseif($action == 'delete') { $this->search_db->delete_search($typeid ,$id); } } 2、修改搜索模板文件 siteid`= '$siteid' AND `typeid` = '$typeid' $catid $sql_time AND `data` like '%$q%'"; } 最后，进入数据库，找到表v9_ search,添加字段catid，int,4 到网站后台全站索引一下，在搜索表单中添加以下代码就可以用了 <input type="hidden" name="catid" value="{$catid }"/> 缺点：如果该栏目下有子栏目，那么子栏目的文章是搜索不到的，只有在指定栏目ID下的直接文章才能被搜索到。
1.2K50发布于 2021-07-09 - 来自专栏Reinvent Data Science
基于 Milvus 构建的近似最近邻（ANN）搜索引擎
✏️ 作者介绍： 周充，格像科技后端工程师 需求背景 根据格像科技公司的业务需求，我们需要搭建一个近似最近邻（Approximate Nearest Neighbor，即 ANN）搜索引擎，以便将在线向量相似搜索功能应用到公司其他业务中 为了赋予 ANN 搜索引擎相同的向量相似搜索能力，我们选择在 Milvus 和现有的基础系统之间增加一个中间层，从而将 Milvus 强大的向量相似搜索功能移植到我们的系统之中。 Java SOA 进程本身是一个 Java Web 应用，类似一个代理（proxy），会将相似搜索的请求转发给 Milvus 进程，并返回搜索结果。 ? 3.2 复制节点 为了实现 ANN 搜索引擎系统的高可用性，我们需要更多其他的副本节点来提供相同的向量搜索服务。实现方案如下图所示： ? 客户端在发起向量搜索请求时，会带上最新的分区名称。如果某个节点上的新数据已经完成加载，会返回最新分区中的搜索结果。
1.5K20发布于 2021-01-05 - 来自专栏人工智能前沿讲习
AI综述专栏| 大数据近似最近邻搜索哈希方法综述（下）
1 导读 最近邻搜索(Nearest Neighbor Search)也称作最近点搜索，是指在一个尺度空间中搜索与查询点最近点的优化问题。 最近邻搜索在很多领域中都有广泛应用，如：计算机视觉、信息检索、数据挖掘、机器学习，大规模学习等。 本文是关于大数据近似最近邻搜索问题中应用哈希方法的综述。文章分为两部分，本篇为第二部分。 因此，多模态哈希方法被提出来解决从多种异构领域中搜索出相似数据本体的问题。 2.2.2.2 多模态 初始的多模态哈希方法一般通过将原始空间中的异质数据点映射到一个统一的汉明空间中再进行相似度搜索排序。 图3.2显示了以图像搜索为例，应用上述权重对汉明距离进行重排序的完整过程。 ? 图3.2 图像搜索整体框架 3.2 非对称距离 哈希编码分为投影和量化为二进制两个过程。
1.7K20发布于 2020-05-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-9 更多有关k近邻算法的思想
01 K近邻算法解决回归问题 kNN算法是解决分类问题的算法，而且他天然的可以解决多分类的问题，在前面介绍算法的时候提到，有些机器学习算法是只能解决二分类问题的，而有些算法是可以天然的解决多分类的问题的 对于我们需要预测的绿色节点，找到离他最近的k个节点，由于是监督学习，相应的都会有真实的值，比如图中3近邻问题，对应绿色点最近的3个点的值为100、120以及150,，那我们就可以预测绿色的节点，大概是离他最近的三个点的平均值 02 k近邻算法的缺点 对于一个新的预测数据来说，需要O(m * n)： ? 当然针对kNN缺点，有很多优化，比如使用树结构：KD-Tree, Ball-Tree。 ，当然对于我们的机器学习算法来说，就是使用喂给机器学习算法的数据来进行预测，所以理论上所有的机器学习算法都是高度的数据相关的，不过kNN算法对大的噪声数据（outlier）更加的敏感，比如说假设使用3近邻算法 当然训练模型中已经固定好了一组超参数，为了获得最好的模型，使用前面介绍的网格搜索的方式来寻找最好的超参数，进而得到一个最好的模型。
53900发布于 2019-11-13 - 来自专栏企鹅号快讯
如何在Python中快速进行语料库搜索：近似最近邻算法
随后，如果我们有这些词嵌入对应的语料库，那么我们可以通过搜索找到最相似的嵌入并检索相应的词。如果我们做了这样的查询，我们会得到： 我们有很多方法来搜索语料库中词嵌入对作为最近邻查询方式。 是近似最近邻搜索算法该出现时候了：它可以快速返回近似结果。很多时候你并不需要准确的最佳结果，例如：「Queen」这个单词的同义词是什么？ 在这种情况下，你只需要快速得到足够好的结果，你需要使用近似最近邻搜索算法。 在本文中，我们将会介绍一个简单的 Python 脚本来快速找到近似最近邻。 接下来实例化一个 Imdb 图，使用：「env = lmdb.open(fn_lmdb, map_size=int(1e9))」。 3. 确保我们在当前路径中没有 Annoy 索引或 lmdb 图。 现在我们可以使用 Annoy 索引和 lmdb 图，获取查询的最近邻！
2.1K50发布于 2018-02-05 - 来自专栏NLP算法工程师之路
K近邻分类
核心思想：基于距离的模板匹配 KNN是一种判别模型，即支持分类问题，也支持回归问题，是一种非线性模型，天然支持多分类，而且没有训练过程。
1.1K10发布于 2019-12-18 - 来自专栏xiaosen
K 近邻算法
K近邻是机器学习算法中理论最简单，最好理解的算法，虽然算法简单，但效果也不错。 交叉验证法 K-Fold交叉验证，将数据随机且均匀地分成k分 第一次使用标号为0-8的共9份数据来做训练，而使用标号为9的这一份数据来进行测试，得到一个准确率 第二次使用标记为1-9的共9份数据进行训练 GridSearchCV GridSearchCV 是 scikit-learn 库中的一个类，用于进行参数网格搜索。 它结合了交叉验证和网格搜索的功能，可以自动地对给定的模型和参数组合进行训练和评估，以找到最佳的参数设置。 show_digit(1) # 训练模型 train_model() # 测试模型 test_model() 小结： KNN（K-Nearest Neighbors）算法，即K最近邻算法
70122编辑于 2024-03-15 - 来自专栏EdisonTalk
Elastic学习之旅 (9) 结构化搜索
结构化数据 结构化搜索（Structured Search）是指对结构化数据的搜索，那么，什么数据是结构化的呢？ ES中日期、布尔类型和数字都是结构化的。 另外，文本也可以是结构化的： 比如彩色笔可以有离散的颜色集合：红、蓝、绿等； 一个博客也可能被标记了一些标签：分布式、搜索、架构等； 电商网站上的商品都有UPCs（通用产品码）或其他的唯一标识 结构化搜索 结构化搜索（Structured Search）是指对结构化数据的搜索，那么我们接下来就看看如何做结构化搜索。在ES中对结构化数据进行匹配，主要使用term查询。 ，并通过几个实例了解了如何对结构化数据进行搜索。 在ES中，我们主要使用term对结构化数据进行搜索，而主要使用match对文本进行全文搜索。
38210编辑于 2024-04-13 - 来自专栏SIGAI学习与实践平台
K近邻算法
k近邻算法的思想了，最近邻算法是k近邻算法k=1时的一种特殊情况。 在实现时可以考虑样本的权重，即每个样本有不同的投票权重，这称方法称为为带权重的k近邻算法。另外还其他改进措施，如模糊k近邻算法[2]。 下面我们介绍文献[9]的方法，它使得变换后每个样本的k个最近邻居都和它是同一个类，而不同类型的样本通过一个大的间隔被分开，这和第8章将要介绍的线性判别分析的思想类似。 defense of Nearest-Neighbor based image classification. 2008, computer vision and pattern recognition. [9] . [6] 用一张图理解SVM的脉络 SIGAI 2018.4.28. [7] 人脸检测算法综述 SIGAI 2018.5.3. [8] 理解神经网络的激活函数 SIGAI 2018.5.5. [9]
1.6K10发布于 2018-06-28 - 来自专栏SIGAI学习与实践平台
K近邻算法
k近邻算法的思想了，最近邻算法是k近邻算法k=1时的一种特殊情况。 下图6.1是使用k近邻思想进行分类的一个例子： ? 图 6.1 k近邻分类示意图 在上图中有红色和绿色两类样本。 如果看k=1，k近邻算法退化成最近邻算法。 k近邻算法实现简单，缺点是当训练样本数大、特征向量维数很高时计算复杂度高。 对于矩阵如何确定的问题有不少的研究，代表性的有文献[9-12]，其中文献[9]提出的方法具有很强的指导意义和应用价值。 下面我们介绍文献[9]的方法，它使得变换后每个样本的k个最近邻居都和它是同一个类，而不同类型的样本通过一个大的间隔被分开，这和第8章将要介绍的线性判别分析的思想类似。
1.9K11发布于 2018-08-07 - 来自专栏互联网大杂烩
K近邻（KNN)
KNN概念 kNN算法又称为k最近邻(k-nearest neighbor classification)分类算法。 所谓的k最近邻，就是指最接近的k个邻居（数据），即每个样本都可以由它的K个邻居来表达。 step.2---计算未知样本和每个训练样本的距离dist step.3---得到目前K个最临近样本中的最大距离maxdist step.4---如果dist小于maxdist，则将该训练样本作为K-最近邻样本 step.5---重复步骤2、3、4，直到未知样本和所有训练样本的距离都算完 step.6---统计K-最近邻样本中每个类标号出现的次数 step.7---选择出现频率最大的类标号作为未知样本的类标号 KNeighborsClassifier #对数据进行标准化处理 ss=StandardScaler() X_train=ss.fit_transform(X_train) X_test=ss.transform(X_test) #使用K近邻分类器对测试数据进行类别预测
1K30发布于 2018-08-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号