向量检索算法的选择

向量检索算法

优势

劣势

场景

量化聚类（Quantized Clustering）

CPU、内存资源占用较低。

• 召回率较HNSW低。

• 查询速度较HNSW慢。

适用于亿级别数据集，对数据准确性和查询延迟要求不是非常高的场景。

HNSW（Hierarchical Navigable Small World）

召回率高、查询速度快。

CPU、内存资源占用较高。

适用于千万级别数据集，并且对数据准确性和查询延迟有严格要求的场景。

linear

召回率100%。

• 查询速度慢。

• CPU、内存资源占用较上述两种算法多。

适用于万级别的数据。

QGraph（Quantized Graph）

CPU、内存资源占用低，耗时短，查询性能高。

召回率较HNSW低。

适用于海量数据（十亿级以上），对查询耗时和查询性能要求较高，对准确性要求不苛刻的场景。

CAGRA

GPU算法，性能是CPU的数倍甚至数十倍。

GPU成本高，性价比在低QPS场景下不明显。

适用于高QPS，低耗时要求的场景。

DiskANN

索引可以放磁盘，内存占用低。

查询耗时较高，吞吐低。

大数据量（数十亿级），内存有限，延迟不敏感场景。