KD 树总结
作者：互联网
相似向量的召回是推荐系统中召回阶段中非常重要的一个步骤，便利所有向量的召回方法性能太差，KD树先对向量空间进行了切分，只需要检索部分向量空间就可以获得检索结果，大大加快了检索效率。
如果实例点是随机分布的，kd树的时间复杂度是O(logN)
KD 树的构造
1. 选择切分向量空间的维度，常用的有两种方法：
（1）按顺序选择切分维度，第一次选第1维，第二次选择2维，第n次选择n%k维，k维向量总维度
（2）寻找方差最大的维度（每个维度选择次数要一致）
2. 选择切分节点，一半是把该维度数据中位数作为父节点，小于该节点的落入左子树，大于该节点的落入右子树
重复上面1，2步，直到叶子节点只包含一个实例
例子
KD树检索方法
1. 输入一个查询节点，首先在KD树中找到包含该节点的叶子节点
2. 以此叶节点作为“当前最近节点”
3. 递归的进行以下操作：
a. 回退到父节点，如果该节点保存的实例点比当前最近点距离目标更近，这更新当前最近点为该节点。
b. 判断该节点的另一个子节点对应的区域是否和以查询点为球心，以查询点和当前最近点之间的距离为半径的超球体相交。如果相交，可能在该子节点内存在距查询点更近的节点，需要进入该子节点检索。否者继续向上回退。
c. 当回退到根节点时检索结束。
例子
标签：总结,检索,KD,切分,维度,节点,向量 来源： https://www.cnblogs.com/xumaomao/p/15026769.html