机器学习-向量检索+存储格式技术

(1) 向量相似性检索

算向量相似度在很多算法中都有应用，对大规模服务来说，如何加速向量检索与相似度计算

是非常有价值的。

应用场景：

1 机器学习算法内部步骤：KNN, K-means

2 向量相似搜索：图像检索，word关键词检索

下面列出了其中的一些方式和方法：

两个问题：

- 1 检索-相似向量检索：

引用自：

http://www.flickering.cn/ads/2018/03/%E3%80%90%E8%BD%AC%E3%80%91%E5%A4%A7%E8%A7%84%E6%A8%A1%E9%AB%98%E7%BB%B4%E6%95%B0%E6%8D%AE%E5%AE%9E%E6%97%B6%E7%9B%B8%E4%BC%BC%E6%90%9C%E7%B4%A2%E7%AE%97%E6%B3%95%EF%BC%9Aproduct-quantization/

参考文献很好的总结了相似搜索的几类方法，这里简要总结几个核心点。可以将方法分为三大类：

• 基于树的方法
  • KD树是其下的经典算法。一般而言，在空间维度比较低时，KD树的查找性能还是比较高效的；但当空间维度较高时，该方法会退化为暴力枚举，性能较差，这时一般会采用下面的哈希方法或者矢量量化方法。
• 哈希方法
  • LSH(Locality-Sensitive Hashing)是其下的代表算法。文献[7]是一篇非常好的LSH入门资料。
  • 对于小数据集和中规模的数据集(几个million-几十个million)，基于LSH的方法的效果和性能都还不错。这方面有2个开源工具FALCONN和NMSLIB。
• 矢量量化方法
  • 矢量量化方法，即vector quantization。在矢量量化编码中，关键是码本的建立和码字搜索算法。比如常见的聚类算法，就是一种矢量量化方法。而在相似搜索中，向量量化方法又以PQ方法最为典型。
  • 对于大规模数据集(几百个million以上)，基于矢量量化的方法是一个明智的选择，可以用用Faiss开源工具。

- 2 检索成功后-向量相似度计算：

(2) 向量存储格式

稀疏矩阵存储格式

https://blog.csdn.net/wangjian1204/article/details/52149199

参考文章：

[1]火光摇曳：

[2] 图像检索：再叙ANN Search

[3] What are some fast similarity search algorithms and data structures for high-dimensional vectors?

友情推荐：ABC技术研习社

为技术人打造的专属A(AI),B(Big Data),C(Cloud)技术公众号和技术交流社群。