评估 ANN 性能

选择和调优近似最近邻（ANN）算法存在一系列复杂的权衡。ANN 方法牺牲精确度（找到绝对最近邻）来获得显著的速度和效率，与精确最近邻搜索相比，尤其是在高维数据中。如何量化这种固有的权衡？你如何知道所选算法及其参数是否适合你的特定应用？需要一种系统化的评估方法来回答这些问题。

评估 ANN 性能不仅仅是衡量速度；它是关于理解搜索质量、查询速度、资源占用和索引构建时间之间的平衡。让我们看看评估这些方面的标准衡量指标。

核心评估指标

评估 ANN 索引时，有几个定量指标可提供关于其表现的看法：

1. 召回率（搜索准确度）： 这可能是评估近似算法“质量”最重要的指标。Recall@K 衡量通过 ANN 搜索返回的前 K 个结果中，包含实际 K 个最近邻（通过精确搜索确定）的比例。

   $$\text{召回率}@K = \frac{|\{\text{真实邻居}\} \cap \{\text{ANN 结果}\}|}{|\{\text{真实邻居}\}|}$$

   此处，$\{\text{真实邻居}\}$ 是通过详尽搜索找到的实际前 K 个邻居的集合，而 $\{\text{ANN 结果}\}$ 是 ANN 算法针对相同查询返回的前 K 个邻居的集合。召回率为 1.0 表示 ANN 搜索在前 K 个结果中找到了所有真实的最近邻。召回率为 0.8 表示它找到了 80%。较高的召回率表明搜索准确度更高，但这通常会以增加搜索时间为代价。

2. 延迟（查询速度）： 这衡量执行单个搜索查询所需的时间。它通常以毫秒 (ms) 为单位衡量，对于用户期望快速响应的交互式应用来说，这是一个重要的衡量指标。较低的延迟通常更好。它受 ANN 算法、索引参数（例如 HNSW 中的 ef_search 或 IVF 中的 nprobe）、数据集大小、向量维度以及所用硬件的影响。

3. 吞吐量（每秒查询数 - QPS）： 这衡量系统在给定时间段内（通常是一秒）可以并发处理多少个查询。延迟衡量单个查询的速度，而吞吐量则衡量系统的整体处理能力。高吞吐量对于服务大量并发用户的应用来说非常重要。通常，优化单个查询的低延迟可能与负载下优化最大 QPS 略有不同。

4. 索引构建时间： 这是从初始向量数据集构建 ANN 索引所需的时间。尽管搜索性能通常是主要关注点，但构建时间是一个重要的因素，尤其是在需要因数据更新而频繁重建索引的情况下。一些算法（如 HNSW）的构建时间可能比其他算法（如更简单的 IVF）相对较长。

5. 内存占用： 这指的是存储 ANN 索引结构所需的 RAM 量。索引通常需要驻留在内存中以实现快速查询。内存占用很大程度上取决于算法、其参数（例如 HNSW 中的 M 会影响连接性以及因此的大小）以及被索引的向量数量。较低的内存占用意味着更低的硬件成本和潜在的更好可伸缩性。

理解召回率与性能的权衡

配置 ANN 索引的核心挑战在于平衡召回率与延迟或吞吐量等性能指标。你几乎总是面临权衡：提高召回率通常要求算法在搜索过程中检查更多潜在的候选项，这会增加延迟并降低吞吐量。反之，使搜索更快（更低延迟，更高 QPS）通常会检查更少的候选项，这可能会降低召回率。

索引参数直接控制这种平衡。例如：

• 在 HNSW 中，增加 ef_search（在搜索过程中检查的入口点动态列表的大小）通常会提高召回率但增加搜索时间。增加 M（在构建过程中每个节点连接的邻居数量）可以提高召回率潜力但增加索引大小和构建时间。
• 在 IVF 中，增加 nprobe（在搜索过程中需要访问的倒排列表单元格数量）通过检查更多潜在候选项来提高召回率，但直接增加延迟。

将这种权衡可视化很有帮助。你可以将 Recall@K 对平均查询延迟（或 QPS）进行绘图，以显示特定 ANN 算法在你的数据集上不同参数设置的效果。

此图展示了增加搜索工作量（沿着 x 轴向右移动，表示更高的延迟）通常会带来更好的召回率（沿着 y 轴向上移动）。不同的算法或参数系列可能会提供不同的权衡曲线。

建立真实参考

为了准确计算召回率，你需要一个“真实参考”——测试查询的真实最近邻集合。这通常通过执行精确的 k-最近邻（k-NN）搜索来获得，例如使用查询向量与数据集中所有向量之间的暴力距离计算方法。

生成真实参考可能计算密集，对于大型数据集有时需要数小时甚至数天。因此，评估通常在数据的代表性子集和一小部分测试查询上进行。Faiss 等库为精确 k-NN（对在 GPU 上生成真实参考很有用）和各种 ANN 算法提供了高效的实现。

基准测试策略

一致且实际的基准测试对于有效比较不同 ANN 算法或参数设置非常重要。

• 标准数据集： 可以使用公开可用的基准数据集（如 SIFT1M、GIST1M、DEEP1B 或 ann-benchmarks.com 上整理的数据集）。这些数据集附带标准查询集的预计算真实参考，有助于与已发表结果直接比较。
• 自定义数据： 如果标准数据集不反映你的特定数据分布（例如，独特的文本嵌入，特定的图像特征），请创建自己的基准。选择数据的一个代表性子集用于索引，并选择一组独立的实际查询。针对索引子集计算这些查询的真实参考。
• 一致环境： 在相同的硬件和软件环境下运行所有基准测试，以确保公平比较。CPU 速度、RAM 可用性、库版本等因素都会影响结果。
• 多次运行： 多次执行查询性能测试并平均结果（延迟、QPS），以考虑系统变异性和潜在的缓存效应。必要时丢弃初始的“预热”查询。

为你的应用选择衡量指标

每个指标的相对重要性很大程度上取决于你的应用需求：

• 实时搜索（例如，语义搜索栏）： 低延迟通常非常重要，即使这意味着稍微牺牲召回率。如果预期有高用户并发，QPS 也同样重要。
• 推荐系统（批量生成）： 召回率可能比毫秒级的延迟更重要。即使延迟较高，如果能带来明显更好的推荐质量，也可能是可接受的。如果推荐频繁更新，索引构建时间也可能是一个考量因素。
• 数据分析/聚类： 高召回率通常是首要考虑，以确保分析的准确性。如果过程离线运行，延迟可能不那么重要。对于非常大的数据集，内存占用可能是一个限制。

通过理解这些评估指标及其固有的权衡，你可以系统地测试不同的 ANN 算法和参数。这使你能够选择最符合你的向量搜索应用在准确性、速度和资源限制方面需求的配置。接下来实际操作部分将为你提供直接体验这些内容的练习机会。