近邻搜索算法浅析
简介随着深度学习的发展和普及，很多非结构数据被表示为高维向量，并通过近邻搜索来查找，实现了多种场景的检索需求，如人脸识别、图片搜索、商品的推荐搜索等。另一方面随着互联网技术的发展及5G技术的普及，产生的数据呈爆发式增长，如何在海量数据中精准高效的完成搜索成为一个研究热点，各路前辈专家提出了不同的算法，今天我们就简单聊下当前比较常见的近邻搜索算法。
主要算法
Kd-Tree
K-dimension tree，二叉树结构，对数据点在k维空间（如二维 (x，y)，三维(x，y，z)，k维(x，y，z..)）中划分。
构建过程
[*]确定split域的值(轮询 or 最大方差)
[*]确定Node-data的域值（中位数 or 平均值）
[*]确定左子空间和右子空间
[*]递归构造左右子空间
查询过程
[*]进行二叉搜索，找到叶子结点
[*]回溯搜索路径，进入其他候选节点的子空间查询距离更近的点
[*]重复步骤2，直到搜索路径为空
性能
理想情况下的复杂度是O(K log(N)) 最坏的情况下（当查询点的邻域与分割超平面两侧的空间都产生交集时，回溯的次数大大增加）的复杂度为维度比较大时，直接利用K-d树快速检索（维数超过20）的性能急剧下降，几乎接近线性扫描。
改进算法
Best-Bin-First：通过设置优先级队列（将“查询路径”上的结点进行排序，如按各自分割超平面与查询点的距离排序）和运行超时限定（限定搜索过的叶子节点树）来获取近似的最近邻，有效地减少回溯的次数。采用了BBF查询机制后Kd树便可以有效的扩展到高维数据集上 。
Randomized Kd tree：通过构建多个不同方向上的Kd tree，在各个Kd tree上并行搜索部分数量的节点来提升搜索性能（主要解决BBF算法随着Max-search nodes增长，收益减小的问题）
Hierarchical k-means trees
类似k-means tree，通过聚类的方法来建立一个二叉树来使得每个点查找时间复杂度是O(log n) 。
构建过程 ：
[*]随机选择两个点，执行k为2的聚类，用垂直于这两个聚类中心的超平面将数据集划分
[*]在划分的子空间内进行递归迭代继续划分，直到每个子空间最多只剩下K个数据节点
[*]最终形成一个二叉树结构。叶子节点记录原始数据节点，中间节点记录分割超平面的信息
搜索过程
[*]从根节点开始比较，找到叶子节点，同时将路径上的节点记录到优先级队列中
[*]执行回溯，从优先级队列中选取节点重新执行查找
[*]每次查找都将路径中未遍历的节点记录到优先级队列中
[*]当遍历节点的数目达到指定阈值时终止搜索
性能
[*]搜索性能不是特别稳定，在某些数据集上表现很好，在有些数据集上则有些差
[*]构建树的时间比较长，可以通过设置kmeans的迭代次数来优化
LSH
Locality-Sensitive Hashing 高维空间的两点若距离很近，他们哈希值有很大概率是一样的；若两点之间的距离较远，他们哈希值相同的概率会很小 。
一般会根据具体的需求来选择满足条件的hash函数，(d1,d2,p1,p2)-sensitive 满足下面两个条件（D为空间距离度量,Pr表示概率）：
[*]若空间中两点p和q之间的距离D(p,q)<d1，则Pr(h(p)=h(q))>p1
[*]若空间中两点p和q之间的距离D(p,q)>d2，则Pr(h(p)=h(q))<p2
离线构建索引
[*]选择满足(
页:
[1]