超级会员免费看
本文介绍了HNSW（Hierarchical Navigable Small Worlds），一种在速度和准确性上表现出色的向量搜索算法。HNSW结合了跳表和小世界网络的概念，尤其适用于大规模向量数据的搜索。文章通过解释跳表和NSW的基础知识，详细阐述了HNSW的工作原理及其在MIlvus Cloud中的应用。
目录
概览
上一个教程中，我们介绍了标量量化和乘积量化，这两种索引策略有助于减小数据总量大小且不降低搜索范围。为了更好地说明标量量化和乘积量化的工作原理，我们还用 Python 进行了简单实现。
本教程中，我们会利用这些知识，了解当今最常用和主流的算法——Hierarchical Navigable Small Worlds（HNSW）。HNSW 在速度和准确性方面表现非常出色，使其成为非常强大的向量搜索算法。虽然它很受欢迎，理解起来可能也会有些难过。不过不用担心，在接下来的几个部分中，我们将分解 HNSW，并开始我们自己的简单实现。
HNSW 基础知识
回想一下，以前的教程中有四种向量搜索索引类型：哈希索引、树索引、聚类索引和图形索引。HNSW 属于后者，它结合了两个核心概念——跳表（skip list）和小世界网络（Navigable Small World，NSW）。讨论 HNSW 之前，让我们先单独了解这两个概念。
跳表
首先是跳表。回想一下，链接列表是知名的数据结构，每个元素
订阅专栏 解锁全文
扫一扫
480
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
