【推荐系统】Faiss index选择
作者：互联网
index选择
考虑因素：候选向量的数量级、index所占内存的大小、检索所需时间（是离线检索还是在线检索）、index构建时间、检索的召回率。
| Flat ：暴力检索 | IVFx Flat ：倒排暴力检索 | PQx ：乘积量化 | IVFxPQy 倒排乘积量化 | LSH 局部敏感哈希 | HNSWx | |
|---|---|---|---|---|---|---|
| 优点 | 该方法是Faiss所有index中最准确的，召回率最高的方法，没有之一； | IVF利用倒排索引思想，拿出每个聚类中心下的向量ID，每个中心ID后面挂上一堆非中心向量，每次查询向量的时候找到最近的几个中心ID，分别搜索这几个中心下的非中心向量。通过减小搜索范围，提升搜索效率。 | 利用乘积量化的方法，改进了普通k-means，将一个向量的维度切成x段，每段分别进行k-means。因此速度很快，而且占用内存较小，召回率也相对较高（切4段） | 工业界大量使用此方法，各项指标都均可以接受。 | 不同于传统哈希尽量不产生碰撞，局部敏感哈希依赖碰撞来查找近邻。高维空间的两点若距离很近，那么设计一种哈希函数对这两点进行哈希值计算，使得他们哈希值有很大的概率是一样的，若两点之间的距离较远，他们哈希值相同的概率会很小。不同距离度量的哈希函数不同，不是所有距离度量（如内积）都能找到对应局部敏感哈希。 - 训练非常快，支持分批导入，index占内存很小，检索也比较快 | 基于图检索的改进方法，检索速度极快，10亿级别秒出检索结果，而且召回率几乎可以媲美Flat，能达到惊人的97%。检索的时间复杂度为loglogn，几乎可以无视候选向量的量级了。并且支持分批导入，极其适合线上任务，毫秒级别体验。 |
| 缺点 | 速度慢，占内存大。 | 速度也还不是很快 | 召回率相较于暴力检索，下降较多。 | 召回率非常拉垮。在候选语料比较多的时候（百万级别），检索也不是特别快，大概是秒级别的。 | 构建索引极慢，占用内存极大（是Faiss中最大的，大于原向量占用的内存大小） | |
| 使用情况 | 向量候选集很少，在50万以内，并且内存不紧张。 | 向量候选集很少，在50万以内，并且内存不紧张。 | 内存及其稀缺，并且需要较快的检索速度，不那么在意召回率 | 同PQx | 候选向量库非常大，离线检索，内存资源比较稀缺的情况 | 不在乎内存，并且有充裕的时间来构建index |
| 是否GPU | ||||||
| 是否训练 | 否 | 是，因为倒排索引需要训练k-means，因此需要先训练index，再add向量 | 是，因为倒排索引需要训练k-means，因此需要先训练index，再add向量 | 同PQx | 否 | 否 |
| 参数 | IVFx中的x是k-means聚类中心的个数 | PQx中的x为将向量切分的段数，因此，x需要能被向量维度整除，且x越大，切分越细致，时间复杂度越高 | 同PQx | HNSWx中的x为构建图时每个点最多连接多少个节点，x越大，构图越复杂，查询越精确，当然构建index时间也就越慢，x取4~64中的任何一个整数。 |
标签：检索,index,推荐,内存,哈希,召回,向量,Faiss 来源： https://blog.csdn.net/weixin_31866177/article/details/122001149