向量数据库超硬核升级！2种度量空间，1个算法全搞定！
作者：傅聪，检索算法 NSG 作者，向量检索专家，《业务驱动的推荐系统:方法与实践》作者，浙江大学计算机博士，美国南加州大学访问学者 公众号：傅聪Cong 向量检索算法，作为AI时代基础设施——向量数据库的核心组件，已被广泛应用于各类由AI模型驱动的搜索场景中，例如推荐系统召回、搜索引擎召回、以图搜图、语音检索、人脸识别与匹配、RAG（Retrieval-Augmented Generation）等。 然而，深入了解相关研究进展后我们会发现，当前面向最小欧式距离（Minimal Euclidean distance）检索和面向最大内积（Maximum Inner Product）检索的算法之间，存在一条难以跨越的技术鸿沟。这种割裂，正是许多朋友向我吐槽“向量检索门槛太高”的根本原因之一。 大多数使用向量数据库的用户，其实并不关心生成向量的AI模型是如何训练的，也不太在意该选择什么样的模型架构或向量度量方式——他们只想知道一件事：到底该用哪种算法、哪种度量方式，效果最好？ 但当用户去查阅资料或请教研究者时，得到的回答往往是：“这个模型适合用欧式距离”、“那个模型用最大内积效果更好”，甚至...
