RAG：7种用于向量数据库+相似性搜索的索引方法

.01

1. 索引构建（Indexing）
2. 查询处理（Querying）
3. 后处理（Post-Processing）

• 优点：精度最高，适合对查询结果要求极高的场景。
• 缺点：速度慢，尤其在高维数据和大规模数据集上。

• 特点：适合处理包含大量相似向量的大型数据集。
• 挑战：哈希函数和桶大小的选择直接影响性能。

• 工作原理：查询时从顶层随机节点开始，逐层向下搜索相似节点，最终在底层找到最相似的向量。
• 优势：高效处理大规模数据，查询速度快。

• 特点：通过控制簇的数量（nprobes）权衡精度与速度。
• 应用：适合中等规模数据集的快速查询。

• 优点：显著减少存储需求，同时保持相似性信息。
• 适用场景：需要在存储和性能之间寻求平衡的应用。

• 特点：轻量、高效，特别适合小型数据集或实时场景。

• 优点：大幅减少维度，同时保留查询的准确性。
• 应用：适合维度极高的数据集。

1. 点积（Dot Product）：衡量两个向量间的点积值，适合高维空间的相似性计算。
2. 余弦相似度（Cosine Similarity）：计算向量间夹角的余弦值，范围从-1到1。
3. 欧几里得距离（Euclidean Distance）：计算两向量间的直线距离，用于衡量绝对相似性。