ScaNN 向量查詢效能總覽

AlloyDB for PostgreSQL 的可擴充最鄰近項目 (ScaNN) 索引可加快向量相似度查詢，同時透過樹狀量化索引減少記憶體用量。在樹狀量化技術中，索引會與量化 (或雜湊) 函式一起學習搜尋樹狀結構。執行查詢時，搜尋樹會剪除搜尋空間，量化則會壓縮索引大小，加快查詢向量與資料庫向量之間的相似度評分。

如要透過最鄰近查詢，同時達到高每秒查詢次數 (QPS) 和高喚回度，您必須以最適合資料和查詢的方式，對 ScaNN 索引的樹狀結構進行分區。

目前的高維度嵌入模型有一個共同特徵，就是即使維度大幅降低，仍能保留大部分資訊。舉例來說，只要保留 20% 的嵌入維度，就能保留 90% 的資訊。為加快這類資料集的處理速度，AlloyDB AI ScaNN 會使用主成分分析 (scann.enable_pca，請參閱 ScaNN 索引參考資料)，自動對索引向量執行降維，進一步減少向量搜尋的 CPU 和記憶體用量。由於降維仍會導致索引中的檢索率略微降低，AlloyDB AI ScaNN 會透過初始排名步驟進行補償，從索引中選取較多經過 PCA 降維的候選向量，然後依原始向量重新排名 (ScaNN 索引參考資料中的 scann.pre_reordering_num_neighbors)。

後續步驟