- 综合排序
- 最热优先
- 最新优先
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- 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。 一种方法将多模态本体的每个模态翻译成其中的同一种模态，然后进行单模态搜索。然而这种类型方法有两大缺点：1) 在翻译过程中有一定的近似误差而且很依赖于具体应用。 首先，计算查询点 q 与数据库中所有点哈希后的二进制码之间的汉明距离，返回与查询点 q 最相近的前 k 个点，并记录它们的标签集合为 T 以及每个标签中含有点的个数（ k 近邻中）为 ? 。
1.7K20发布于 2020-05-11 - 来自专栏具身小站
近似最近邻（ANN）算法详细解析
最近邻搜索 （Nearest Neighbor Search）是指在给定一个查询向量时，从海量数据集中找到与之距离最近（最相似）的向量。 精确最近邻需要遍历整个数据集，计算所有向量与查询向量的距离，这在数据量小、维度低时可行，但一旦数据达到百万、亿级且维度高达几百甚至上千，暴力搜索就变得不可行。 1 什么是近似最近邻（ANN）？ 近似最近邻（Approximate Nearest Neighbor, ANN） 的核心思想是： 在可接受的精度损失下，大幅提升搜索速度 。 近似搜索 ：你根据图书分类、热门程度、作者等线索，直接去可能包含目标书的几个书架查找，虽然有可能错过，但绝大多数时候你能很快找到很接近的书。 异常检测 正常模式向量构建索引，新向量如果离最近邻较远，视为异常。 5. 机器人领域 场景识别 ：机器人实时摄像头画面向量化，在历史场景库中搜索最相似场景，辅助定位。
29200编辑于 2026-03-31 - 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。 用 a.get_nns_by_vector(v, num_results) 获取 Annoy 的最近邻。 再次，这里使用 argparse 来使读取命令行参数更加简单。 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 - 来自专栏机器之心
教程 | 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： King + (Woman - Man) = Queen 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。 用 a.get_nns_by_vector(v, num_results) 获取 Annoy 的最近邻。
2.1K40发布于 2018-05-11 - 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（上）（附PDF下载）
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，本篇为第一部分。 这给很多需要进行高效最近邻搜索的领域带来了极大的挑战。当数据库中的信息量较少的时候，我们可以使用最简单有效的穷尽搜索方式，即：将数据库中的点与查询点一一比较欧式距离，最终根据距离的大小排序。 为近似误差， ? 为某种距离函数。早期被大量使用的是通过各种树形结构对特征空间分割的方式，最经典的以K-D树为代表。 图1.1 图像压缩示例 1.2 基于哈希的近似最近邻搜索框架 图1.2描述了一种典型的基于阈值哈希的近似最近邻搜索框架。 由于基于阈值的哈希方法是最常用的哈希编码方法，因此我们以其为例阐述近似最近邻搜索的完整过程。 基于哈希的近似最近邻搜索过程主要分为两阶段：Offline和Online。
1.7K30发布于 2020-05-14 一文带你了解检索增强生成中的神兵利器 —— 近似近邻搜索
在本篇文章中，我们将介绍近似近邻搜索的概念，并介绍其中三种常见的方法。 何为近似近邻搜索 NK邻近算法 (K Nearest Neighbor Search)，顾名思义，会帮助我们在海量的内容向量中找到与检索向量最匹配的K个内容向量。然而，K近邻算法的算法复杂度是 。 局部敏感哈希 (Local Sensitive Hashing, LSH) [5] 另外一种近似近邻搜索算法是局部敏感哈希。 基于图的算法 (Graph-based algorithms) 最后介绍的方法是基于图的近似近邻搜索。基于图的近似近邻算法在实验和应用中的表现尤为突出，因而得到了学界的极大关注 [8]。 在检索过程中，为了在大量的信息中快速地找到相关信息，近似近邻搜索的方法被提了出来。近似近邻搜索通过舍弃少量的准确性，极大地提升了检索的效率。
1.7K62编辑于 2024-02-29- 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。 改进算法 Best-Bin-First：通过设置优先级队列（将“查询路径”上的结点进行排序，如按各自分割超平面与查询点的距离排序）和运行超时限定（限定搜索过的叶子节点树）来获取近似的最近邻，有效地减少回溯的次数 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 - 来自专栏大模型应用
大模型应用：近似最近邻搜索（ANN）算法驱动向量数据库的高效检索.29
而近似最近邻搜索（ANN） 算法的出现，打破了这一瓶颈，它以牺牲少量精度为代价，换取指数级的检索速度提升，成为了向量数据库的性能核心。 三、近似最近邻搜索（ANN）1. 核心概念近似最近邻搜索，是在高维向量空间中，以近似的方式快速找到与查询向量最相似的 Top-K 个向量的算法集合。 检索时，从一个起始节点出发，通过图的遍历（如贪心搜索），逐步找到与查询向量最相似的节点。 ；检索逻辑： 从顶层图的随机节点出发，通过贪心搜索找到距离查询向量最近的节点；以该节点为起点，进入下一层图继续搜索；重复步骤直到底层图，最终得到 Top-K 近似最近邻。 结合应用流程图以下是“大模型 + 向量数据库 + ANN 算法”的端到端工作流程图，清晰展示三者的协同关系：六、总结 近似最近邻搜索（ANN）算法是向量数据库的性能核心，它通过以近似换速度的智慧
36232编辑于 2026-02-26 - 来自专栏山行AI
elasticsearch深入搜索一之近似匹配
问题：项目中用到了全文检索，但测试反应了两个问题: 数字检索的问题: 有标题为"666666"的圈子,输入"6",搜索不到; 单字检索的问题: 有标题为"测试圈子直播",输入"测",搜索不到; 顺序问题 : 搜索引擎返回数据与实际返回数据顺序相同。 ES深入搜索近似匹配中常见的概念 1. 幸运的是，用户倾向于使用和搜索数据相似的构造来表达搜索意图。 without her alligator skin purse" } } ] } 即使查询包含的单词 hungry 没有在任何文档中出现，我们仍然使用单词邻近度返回了最相关的文档
3K51发布于 2019-06-28 - 来自专栏AI科技时讯
最近邻搜索|Nearest neighbor search
近似方法|Approximation methods 允许近似最近邻搜索算法返回点，其与查询的距离最多为c乘以从查询到最近点的距离。这种方法的吸引力在于，在许多情况下，近似最近邻几乎与精确邻接一样好。 [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。 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。 k最近邻图是其中每个点都连接到它的k 个最近邻的图**。 近似最近邻 在某些应用程序中，检索最近邻居的“正确猜测”可能是可以接受的。 支持近似最近邻搜索的算法包括局部敏感散列、最佳 bin 优先和基于平衡框分解树的搜索。
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 然而，计算查询与数据集中每个点之间的距离通常非常耗时，因此模型构建者转而使用近似最近邻搜索技术。其中最流行的方法之一是基于图的近似法，即将数据点组织成图结构。 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。 ANN 一看到ANN，第一反应应该是人工神经网络，这里是Approximate Nearest Neighbor，近似邻居算法。 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 - 来自专栏数据指象
K近邻，最简单的预判“你买了吗？”
近邻就是你周围的人， 大多数就是K个人或物中具有的普遍的大多数的属性，大概率的预判你也拥有这种普遍的多数的属性。 2，核心的问题 那么核心问题来了， 一是，怎么定义近邻？ 有人定义为物理距离：“远亲不如近邻”；有人定义为精神上的距离：“海内存知己天涯若比邻”； 二是，选择几个近邻？ 最方便最准确的代表自己呢，最简单粗暴的是就选一个近邻，即是K=1的预判算法，其实选多选少都对预判的准确率有影响，可以说这是一个需要权衡择中的技术活。 3，扬长避短 其实K近邻算法的预判，也有致命的缺点。 一是样本类别间数量的不均衡，比如，你有十个近邻，有3个是好人，7个是坏人，其中2个好人离你最近。 0,errGraph,3),labels=c("","加权K-近邻法","K-近邻法",""),tcl=0.25)axis(side=2,tcl=0.25) 至此，我们简单的掌握了K近邻的基础理论和简单的
63210编辑于 2022-04-27 - 来自专栏Elastic Stack专栏
在Elasticsearch中如何选择精确和近似的kNN搜索
语义搜索通过比较查询嵌入和文档嵌入来找到最接近查询的结果。kNN，即k最近邻，是一种获取特定嵌入的前 k 个最接近结果的技术。计算查询的嵌入的 kNN 有两种主要方法：精确和近似。 近似的 kNN：一个好的估计另一种方法是使用近似搜索，而不是比较所有文档。为了提供一个有效的 kNN 近似，Elasticsearch 和 Lucene 使用分层导航小世界 HNSW。 近似搜索在文档数量方面更好地扩展，所以如果你有大量文档需要搜索，或者预期文档数量会显著增加，那么近似搜索是更好的选择。过滤过滤很重要，因为它减少了需要考虑搜索的文档数量。 在决定使用精确还是近似时需要考虑这一点。你可以使用查询过滤器来减少需要考虑的文档数量，无论是精确还是近似搜索。然而，近似搜索对过滤采取了不同的方法。 当使用近似 kNN 时，你的段将被透明地搜索，并在它们合并在一起时自动转换为 HNSW。
2.2K11编辑于 2024-05-26 - 来自专栏Zeusro
贪婪搜索是P=NP之TSP问题的近似解
https://github.com/zeusro/math/blob/main/it/P%3DNP.md
28210编辑于 2025-06-21 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。
13510编辑于 2026-01-09- 来自专栏程序猿声
旅行商问题的近似算法之最近邻法(Nearest Neighbor) C语言实现
TSP的近似算法 01 对于近似算法，我们一般可分为两类： 一，构造法。二，改善法。 TSP也不例外。这里我们做一下分类： 构造法 1. 最近邻法 2. 最近插入法 3. 局部搜索法 2-opt，3-opt 2. SA法 3. Tabu Search法 4. 遗传算法 5. ...... 最近邻法 02 今天，我们先来说说TSP的最近邻法，这是一个最简单的TSP启发式算法。如图 ? 图中，绿色点为出发城市。 1. 首先，我们选择适当的城市作为出发城市。 2. 最近邻法代码实现 03 我们用C语言编写，用benchmark作为测试数据(berlin52.dat)。
1.8K20发布于 2019-07-30 - 来自专栏数据魔术师
旅行商问题的近似算法之最近邻法(Nearest Neighbor) C语言实现
TSP的近似算法 01 对于近似算法，我们一般可分为两类： 一，构造法。二，改善法。 TSP也不例外。这里我们做一下分类： 构造法 1. 最近邻法 2. 最近插入法 3. 局部搜索法 2-opt，3-opt 2. SA法 3. Tabu Search法 4. 遗传算法 5. ...... 最近邻法 02 今天，我们先来说说TSP的最近邻法，这是一个最简单的TSP启发式算法。如图 ? 图中，绿色点为出发城市。 1. 首先，我们选择适当的城市作为出发城市。 2. 最近邻法代码实现 03 我们用C语言编写，用benchmark作为测试数据(berlin52.dat)。
2.9K41发布于 2019-07-30
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