在对近似最近邻 (ANN) 搜索进行基准测试时，高召回率值至关重要，因为它们衡量算法从数据集中检索真实最近邻匹配项的效果。召回率的计算方法是，正确识别的邻居数与数据集中真实邻居总数的比率。在推荐系统或欺诈检测等应用中，遗漏相关结果（低召回率）可能会导致糟糕的用户体验或安全风险。例如，召回率较低的搜索引擎可能无法找到最有用的文章，从而降低其效用。使用高召回率进行基准测试可确保 ANN 方法的速度优化不会牺牲结果质量，这对于维持对依赖准确相似性搜索的系统的信任至关重要。
向量数据库通过使用近似搜索过程的技术来优化速度，这本身就引入了与召回率的权衡。ANN 方法不是详尽地将查询向量与数据集中的每个向量进行比较（精确搜索），而是通过缩小搜索空间来减少计算量。例如，诸如 HNSW（分层可导航小世界）之类的算法会创建图层以快速遍历潜在邻居，但如果图未被完全探索，则可能会跳过一些真实匹配项。类似地，IVF（倒排文件索引）将数据划分为集群，并且仅搜索其中的一个子集，这会加快查询速度，但存在错过未检查集群中的邻居的风险。这些捷径允许查询在几毫秒而不是几秒内运行，但需要仔细调整以平衡速度和准确性。
开发人员通常会调整参数来管理召回率与速度之间的权衡。对于 HNSW，增加 efSearch 参数会扩大遍历期间评估的候选对象数量，从而提高召回率，但会降低查询速度。在 IVF 中，提高 nprobe 值（搜索的集群数量）会提高召回率，但会增加计算开销。诸如 PQ（乘积量化）之类的量化方法将向量压缩为更小的表示形式，从而加快距离计算速度，但会引入近似误差。例如，使用 PQ 的数据库可能以 85% 的召回率而不是 95% 的召回率实现 10 倍更快的搜索速度。通过调整这些参数，开发人员可以根据他们的用例优先考虑速度或召回率——实时应用程序的较低延迟或批量分析的较高准确性。这种灵活性是使 ANN 系统适应各种要求的关键。