小蚂蚁 发表于 2022-9-23 18:20:13

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]
查看完整版本: 近邻搜索算法浅析