OpenSearch：向量檢索演算法選型

向量檢索演算法

優勢

劣勢

情境

量化聚類（Quantized Clustering）

CPU、記憶體資源佔用較低。

• 召回率較HNSW低。

• 查詢速度較HNSW慢。

適用於億層級資料集，對資料準確性和查詢延遲要求不是非常高的情境。

HNSW（Hierarchical Navigable Small World）

召回率高、查詢速度快。

CPU、記憶體資源佔用較高。

適用於千萬層級資料集，並且對資料準確性和查詢延遲有嚴格要求的情境。

linear

召回率100%。

• 查詢速度慢。

• CPU、記憶體資源佔用較上述兩種演算法多。

適用於萬層級的資料。

QGraph（Quantized Graph）

CPU、記憶體資源佔用低，耗時短，查詢效能高。

召回率較HNSW低。

適用于海量資料（十億級以上），對查詢耗時和查詢效能要求較高，對準確性要求不苛刻的情境。

CagraHnsw

利用 GPU 完成索引構建，速度可達 CPU 構建的十倍以上。

召回率較 HNSW 略低。

適用于海量資料定期更新索引的情境。

CAGRA

GPU演算法，效能是CPU的數倍甚至數十倍。

GPU成本高，性價比在低QPS情境下不明顯。

適用於高QPS，低耗時要求的情境。

DiskANN

索引可以放磁碟，記憶體佔用低。

查詢耗時較高，吞吐低。

巨量資料量（數十億級），記憶體有限，延遲不敏感情境。