超越想象！高效快速的大规模相似性搜索引擎与卓越GPU加速分析，助力您的数据发现新纪元

超越想象！高效快速的大规模相似性搜索引擎与卓越GPU加速分析，助力您的数据发现新纪元

1.什么是相似性搜索

相似性搜索就是根据某些特征，在大量的样本集中搜寻出与目标样本最相似的一个或多个样本。

相似性搜索问题无论是在学术界还是工业界，都是一个研究得比较多的问题。相似性搜索有两类方法：存在最近邻检索（Nearest Neighbor Search, NNS）和近似最近邻检索（Approximate Nearest Neighbor Search, ANNS）。NNS 最初是用目标向量和数据库向量逐条计算距离，结果最为精确。后来又产生了相关算法（比如 KD-tree），使得搜索效率大为提高，但在应对海量高维度数据时显得力不从心。ANNS 则是在可接受的精度条件下通过把向量分簇建立索引，大幅提高搜索效率，是大规模相似性搜索场景下所使用的主要方法。

因此，相似性搜索问题往往会转化成向量检索问题。

这里先给出向量检索的定义：向量检索是指通过某种数学量化模型，对向量构建一种时间和空间都比较高效的数据索引结构，使得我们能够实时地获取跟查询向量尽可能最相近的 K 个向量。从定义可以看到，要设计一种高效的向量检索引擎，应该满足 3 个基本条件，即：

• 实时查询，支持海量（百亿、千亿级别）规模库量级的实时查询；
• 存储高效，要求构建的向量索引模型数据压缩比高，达到大幅缩减内存使占用的目的；
• 召回精度好，跟暴力搜索（Brute Force Search）的结果相比，top-K 有比较好的召回率&