倒排文件 (IVF) 索引是向量数据库的核心组件，旨在加速相似性搜索。它的工作原理是将大型向量数据集划分为更小、更易于管理的集群，每个集群都与一个代表性的“中心点”向量相关联。在搜索过程中，IVF 通过仅关注可能包含相关结果的集群来缩小比较范围，从而减少计算开销。聚类中心充当这些分区的锚点，使系统能够快速识别查询的候选集群。
该过程从使用 k-means 等聚类算法生成中心点开始。例如，如果数据库包含 100 万个图像嵌入，k-means 可能会将它们分组为 1,024 个集群，每个集群都有一个中心点，代表其分配向量的平均值。在索引期间，每个向量都被分配到与其中心点最近的集群。这会创建一个倒排索引结构：不是将术语映射到文档（如文本搜索中），而是将中心点映射到其集群中的向量。当提交查询向量时，系统会计算查询与所有中心点之间的距离，选择最近的 *n* 个集群（例如，前 10 个），并且仅在这些集群内进行搜索。这避免了扫描所有 100 万个向量，从而大大加快了搜索速度。
聚类中心直接影响搜索速度和准确性之间的权衡。增加集群数量（例如，从 1,024 个到 4,096 个）会减少每个集群的向量数量，从而加快单个集群搜索速度，但需要检查更多的中心点。相反，在查询期间探测更多集群（例如，检查 50 个而不是 10 个）会提高召回率，但会增加延迟。开发人员通常调整集群数量和探测计数等参数来平衡这些因素。例如，在推荐系统中，使用具有 2,048 个集群的 IVF 并探测前 20 个集群，与穷举搜索相比，可能在保留 95% 准确率的同时实现亚秒级延迟。这使得 IVF 成为在图像检索或语义文本匹配等应用中扩展相似性搜索的实用解决方案。