HNSW
HNSW（Hierarchical Navigable Small World）是一种用于高维向量空间的近似最近邻搜索算法，基于多层可导航小世界图结构构建索引。其核心原理是通过分层图在不同粒度上进行贪婪路由搜索，实现对数级别的查询时间复杂度。该算法在保持较高召回率的同时显著降低搜索延迟，被广泛应用于向量数据库和语义检索系统中。
Core Facts
Timeline (last 90 days)
向量检索常用的距离度量包括余弦相似度和点积，实际系统通常采用近似最近邻（ANN）索引结构如 HNSW 或 IVF 以速度换取少量精度损失
向量索引效率问题通常由近似最近邻（ANN）算法库解决，常见方案包括FAISS、Annoy以及基于图结构的HNSW算法
pgvector 在超大规模数据集下，其基于 IVFFlat 或 HNSW 索引的性能往往受限于单机内存和 CPU 资源，难以水平扩展
向量检索的核心原理是通过嵌入模型将文本转化为高维数值向量，再通过近似最近邻算法（如HNSW或IVF）寻找距离最近的候选项
IndexIVFFlat通过倒排文件将向量聚类后再搜索以换取速度，HNSW基于图结构实现高效近似最近邻搜索
当过滤条件将候选集压缩到极小比例（如不足1%）时，HNSW 图上的导航路径可能因节点大量被跳过而退化，检索质量下降
HNSW是基于图结构的ANN索引，查询速度快、精度高，是业界最常用的方案之一
对归一化向量使用内积索引往往能复用HNSW、IVF等高效近似索引结构，无需为余弦相似度单独构建索引
Qdrant用Rust语言编写，采用HNSW算法，支持多种距离度量和元数据过滤，可作为独立服务或嵌入式模式部署
HNSW算法由Yuri Malkov于2016年提出，通过构建多层图结构实现O(log n)时间复杂度的近似最近邻查找，召回率通常大于95%
20 more timeline events
All Facts (20)
向量数据库（如ChromaDB、Milvus、Pinecone）采用HNSW、IVF等索引算法，能在百万甚至亿级向量中实现毫秒级检索
80%Verified向量数据库的核心操作是近似最近邻搜索（ANN），通过HNSW、IVF等索引算法将相似度计算加速到毫秒级响应
80%VerifiedANN搜索主流实现包括HNSW和IVF，通过构建索引结构将检索时间复杂度从线性降低至对数级
80%VerifiedHNSW算法由Yury Malkov等人于2016年提出，通过多层图结构将搜索复杂度从O(n)降低到O(log n)
75%Verified向量数据库将文本转化为通常768至3072维的高维向量，利用ANN算法进行检索，主流ANN算法包括HNSW和IVF-PQ
70%VerifiedHNSW算法通过构建多层图索引，在十亿级向量中实现毫秒级检索，同时保持95%以上召回率
65%VerifiedHNSW（分层可导航小世界图）是工业界最主流的ANN方案，查询复杂度降至O(log N)
65%Verified近似最近邻ANN算法如HNSW和IVF通过牺牲微小精度换取数量级速度提升
65%Verified向量数据库底层通常采用HNSW或IVF等近似最近邻算法，检索延迟通常低于10毫秒
65%VerifiedMilvus采用存算分离架构，支持HNSW、IVF_FLAT、DiskANN等多种向量索引算法
65%UnverifiedPinecone、Milvus、Weaviate等主流向量数据库均采用HNSW作为核心索引算法
85%Partially VerifiedHNSW（层次化可导航小世界图）是由俄罗斯学者Yuri Malkov等人于2016年提出的近似最近邻搜索算法
65%Unverified向量存储通过HNSW（分层可导航小世界图）或IVF（倒排文件索引）等近似最近邻算法在高维空间中定位语义相近的文档片段
60%UnverifiedHNSW算法使亿级向量的近似最近邻检索可在10毫秒内完成，召回率可达98%以上，是主流向量数据库的标配索引算法
60%Unverified向量数据库底层通常依赖近似最近邻算法（ANN），如HNSW、IVF
60%Unverified向量数据库的索引算法HNSW（图结构）与IVF（聚类结构）在检索速度与召回率之间形成不同的工程权衡
60%UnverifiedHNSW算法通过构建多层图结构实现分层搜索，将精确最近邻搜索的指数级复杂度近似降低为对数级，是当前向量数据库中最主流的索引结构
60%Unverified文本经Embedding模型编码为768至3072维的浮点向量，存入向量数据库后通过近似最近邻算法（HNSW、IVF等）在毫秒级完成相似度检索
60%Unverified在生产环境中，如果数据规模超过百万级向量，通常需要考虑Milvus、Qdrant等支持分布式部署和HNSW索引优化的向量数据库方案
60%Unverified向量检索常用的距离度量包括余弦相似度和点积，实际系统通常采用近似最近邻（ANN）索引结构如 HNSW 或 IVF 以速度换取少量精度损失
50%