干货:向量检索库总结|收藏夹必备-技术圈

↓↓↓ 文末福利↓↓↓

不论是在推荐系统，还是信息匹配，都包含召回和排序两个阶段，而在召回阶段，向量检索库起着至关重要的作用。在推荐系统的召回阶段，向量的最近邻检索是必不可少的一步。当在召回阶段使用离线模型训练好item向量后，通常会存储至数据库中，在线上推理时，模型实时计算出user向量，会通过Annoy或Faiss进行最近邻检索。而在基于FAQ的智能问答的召回阶段，目标是从知识库中快速召回一小批与query相关的候选集。

本文会重点介绍几种常用的向量检索库及使用方式。包括： Annoy、Faiss、Milvus、ElasticSearch等。

Annoy

Annoy 是高维空间求近似最近邻的一个开源库 。全称： Approximate Nearest Neighbors Oh Yeah，是一种适合实际应用的快速相似查找算法。

Annoy构建一个二叉树，查询时间为O（logn）。

github：https://github.com/spotify/annoy

Annoy的使用

直接通过pip install annoy安装。

      
        from annoy import AnnoyIndex
      
      
        import random
      
      
        
          # 向量的维度
        
      
      
        f = 40  # Length of item vector that will be indexed
      
      
        
          # 返回一个可读可写的存储 f 维向量的索引
        
      
      
        t = AnnoyIndex(f, 'angular')
      
      
        for i in range(1000):
      
      
            # random.gauss为随机生成高斯分布的随机数
      
      
            v = [random.gauss(0, 1) for z in range(f)]
      
      
            # 在位置 i 添加向量
      
      
            t.add_item(i, v)
      
      
        
          # 建立一棵 n_trees的森林，树越多，精度越高
        
      
      
        t.build(10) # 10 trees
      
      
        
          # 保存
        
      
      
        t.save('test.ann')
      
      
        
          

      
      
        
          # ...
        
      
      
        
          

      
      
        u = AnnoyIndex(f, 'angular')
      
      
        
          # 直接加载
        
      
      
        u.load('test.ann') # super fast, will just mmap the file
      
      
        print(u.get_nns_by_item(0, 1000)) # will find the 1000 nearest neighbors

上面的例子为官方github提供的例子。

向量检索时用到的函数

a.get_nns_by_item(i, n, search_k=-1, include_distances=False): 返回最接近 i 的n个item。查询过程中，将检查search_k个节点，默认为n_trees* n。serarch_k实现了准确性和速度之间的运行时间权衡。include_distances为True时将返回一个包含两个列表的2元素元组:第二个包含所有相应的距离。
a.get_nns_by_vector(v, n, search_k=-1, include_distances=False): 和上面的根据item查询一样，只不过这里给定一个查询向量v,比如给定一个用户embedding，返回n个最近邻的item, 一般这样用的时候，后面的距离会带着，可能作为精排那面的强特。
a.get_item_vector(i): 返回索引i对应的向量。
a.get_distance(i, j): 返回item_i和item_j的平方距离。

索引属性函数

a.get_n_items(): 返回索引中的items个数，即词典大小。
a.get_n_trees(): 索引树的个数。
annoy接口中一般需要调整的参数有两个：树的数量n_trees和搜索过程中检查的节点数量search_k
n_trees: 在构建期间提供，影响构建时间和索引大小。值越大，结果越准确，但索引越大。
search_k: 在运行时提供，并影响搜索性能。值越大，结果越准确，但返回的时间越长。如果不提供，就是n_trees * n， n是最近邻的个数。

Faiss

Faiss库是由 Facebook 开发的适用于稠密向量匹配的开源库，支持 c++ 与 python 调用。 Faiss提供了高效的索引类库。是向量化检索开山鼻祖的应用。

Faiss 支持多种向量检索方式，包括内积、欧氏距离等，同时支持精确检索与模糊搜索。

      
        github: https://github.com/facebookresearch/faiss
      
      
        tutorial: https://github.com/facebookresearch/faiss/wiki/Getting-started

Faiss 主要特性：

支持相似度检索和聚类；
支持多种索引方式；
支持CPU和GPU计算；
支持Python和C++调用

Faiss的使用

直接通过pip install faiss-cpu --no-cache进行安装。

faiss的使用方法也比较简单，归纳为以下三个步骤：

构建向量库，对已知的数据进行向量，最终以矩阵的形式表示
为矩阵选择合适的index，将第一步得到的矩阵add到index中
search得到最终结果

      
        import numpy as np 
      
      
        import faiss 
      
      
        
          

      
      
        d = 64 
      
      
        nb = 100000
      
      
        nq = 10000
      
      
        
          # 构建向量库
        
      
      
        xb = np.random.random((nb, d)).astype('float32')  
      
      
        
          xb[:, 0] += np.arange(nb) / 1000.
        
      
      
        xq = np.random.random((nq, d)).astype('float32')
      
      
        
          xq[:, 0] += np.arange(nq) / 1000.
        
      
      
        
          

      
      
        
          # 关键步骤，build index
        
      
      
        index = faiss.IndexFlatL2(d)   
      
      
        index.add(xb)
      
      
        
          

      
      
        k = 4 
      
      
        D, I = index.search(xq[:5], k)   # 分别返回距离和索引

Milvus

M ilvus 是一款开源的特征向量相似度搜索引擎，使用方便、实用可靠、易于扩展、稳定高效和搜索迅速。

高性能：涵盖如Faiss、Annoy和hnswl

ib等主流第三方索引库，性能高，支持对海量向量数据进行相似搜索。
高可用、高可靠：Milvus支持使用Kubernetes部署，支持在云上扩展。其容灾能力能够保证服务的高可用。Milvus依照日志及数据的理念，使用如Pulsar、Kafka等消息队列的技术实现组件间的通信，对组件进行解耦，拥抱云原生。
混合查询：Milvus支持在向量检索过程中进行标量字段过滤，实现混合查询。
开发者友好：支持多语言、多工具的Milvus生态。如今Milvus已经支持Python、Java、Go和Node.js，未来可能还会扩展对更多语言的支持。Milvus提供了如Attu等工具，帮助用户简化操作。

Milvus的更多介绍可以查看：https://gitee.com/milvus-io/milvus

ElasticSearch

Elasticsearch 是⼀个分布式可扩展的实时搜索和分析引擎，⼀个建⽴在全⽂搜索引擎 Apache Lucene(TM)基础上的搜索引擎，当然 Elasticsearch 并不仅仅是 Lucene 那么简单，它不仅包括了全⽂搜索功能，还可以进行以下⼯作：

分布式实时⽂件存储，并将每⼀个字段都编入索引，使其可以被搜索。
实时分析的分布式搜索引擎。
可以扩展到上百台服务器，处理PB级别的结构化或非结构化数据。

ES本质上是一个支持全文搜索的分布式内存数据库，特别适用于构建搜索系统，比如内容检索、文本检索、日志检索。其原因是采用了倒排索引。

什么是倒排索引呢？

倒排索引是一种特别为搜索而设计的索引结构。

先对需要索引的字段进行分词，然后以分词为索引组成一个查找树，这样就把一个全文匹配的查找转换成了对树的查找。

倒排索引相比于一般数据库采用B树索引，其写入和更新的性能比较差，因此倒排索引只适合全文搜索，不适合更新频繁的交易类数据。

ES机制

Elasticsearch的⽂件存储， Elasticsearch是⾯向⽂档型数据库，⼀条数据在这⾥就是⼀个⽂档，⽤JSON作为⽂档序列化的格式，比如下面这条用户数据：

      
        {
      
      
        "name" : "John",
      
      
        "sex" : "Male",
      
      
        "age" : 25,
      
      
        "birthDate": "1990/05/01",
      
      
        "about" : "I love to go rock climbing",
      
      
        "interests": [ "sports", "music" ]
      
      
        }