近似最近邻 (ANN) 搜索是一种用于信息检索的技术，旨在高效地在高维空间中查找与给定查询接近的数据点。 与精确最近邻搜索不同，后者通过将查询与数据集中的每个项目进行比较来保证精确的结果，而 ANN 通过接受稍微不太准确的结果来优先考虑速度和可扩展性。 当处理大型数据集（例如数百万个嵌入或特征）时，这种权衡是必要的，因为精确方法在计算上变得不切实际。 ANN 广泛应用于推荐系统、图像相似性搜索和自然语言处理任务等应用程序中，在这些应用程序中，延迟比完美的准确性更重要。
ANN 算法通过索引策略或降维来减少搜索空间。 例如，基于哈希的方法（如局部敏感哈希 (LSH)）将相似的项目映射到哈希表中的相同“桶”中，从而实现快速查找。 基于树的方法（例如 ANNOY（近似最近邻，哦耶））使用二叉树将数据划分为分层集群，从而实现更快的遍历。 基于图的方法（如 HNSW（分层可导航小世界））构建数据点之间的连接网络，让算法“跳过”附近的节点。 这些方法通常涉及可调参数（例如，哈希函数的数量或树深度），这些参数可以平衡速度与结果质量。 FAISS（Facebook AI 相似性搜索）和 Annoy 等库提供了这些技术的优化实现，使开发人员可以访问 ANN。
ANN 的一个实际用例是语义搜索，其中文本或图像表示为密集向量（嵌入）。 例如，搜索引擎可以通过比较向量表示来使用 ANN 查找与用户查询相似的文章。 另一个例子是实时推荐系统，其中 ANN 帮助识别与用户过去互动相似的产品或内容。 虽然 ANN 牺牲了一些精度，但性能提升非常大：使用精确方法可能需要数小时的查询可以缩短到毫秒级。 开发人员在选择 ANN 方法时应考虑数据集大小、维度和可接受的错误率等因素。 例如，HNSW 在高召回率场景中表现出色，而 LSH 对于非常大的数据集来说是内存高效的。 了解这些权衡可确保针对特定用例的有效实施。