Approximate Nearest Neighbor（近似最近邻搜索）
近似最近邻搜索（ANN）是一种在牺牲少量精度的情况下大幅提升搜索速度的技术，广泛应用于向量数据库、推荐系统、图像检索等需要海量相似性匹配的场景。它让机器不必遍历所有数据就能给出“差不多”的结果。
一句话解释
近似最近邻搜索（ANN）是一种能在海量数据中快速找到与查询项“足够相似”的个体，而不要求绝对精确最近邻的算法。它通过牺牲可接受的精度来换取数量级的速度提升，是处理高维向量检索最有效的通用方案之一。
为什么会被关注
随着大模型和多模态AI的普及，文本、图像、音频都被转化为高维向量（如768维的BERT嵌入）。传统精确最近邻搜索在百万级数据上就需要一次全量遍历，速度完全无法接受。ANN将搜索时间从分钟级压缩到毫秒级，直接支撑起了推荐系统、搜索引擎和向量数据库的实时响应能力。
核心逻辑
ANN的核心思路是“以结构换速度”：通过预先构建索引，把高维空间划分成可快速定位的子区域。常见技术包括：基于树的空间划分（KD-Tree、VP-Tree）、基于哈希的近似映射（LSH将相似向量映射到同一桶）、基于图的小世界导航（HNSW在图中跳跃式搜索）、以及基于量化的编码压缩（PQ将向量拆分为子空间近似）。
常见场景
推荐系统中的“相似物品”召回：用户行为向量在百万商品库中匹配最相似的Top-K物品，ANN将延迟控制在10ms以内。图像/视频指纹检索：比如以图搜图应用，将图片编码成向量后用ANN索引快速找到相同或相似图片。向量数据库（如Milvus、Pinecone、Weaviate）的内核均依赖ANN算法实现毫秒级查询。
容易混淆的点
ANN与精确最近邻（KNN）的区别：KNN要求绝对精确，必须比较全部数据；ANN允许有误差但速度快成百上千倍。二者不是替代关系，而是精度与效率的权衡——若数据量小于10万且需要严格结果，可使用精确搜索；大规模场景下ANN才是实际能用的方案。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。
向量检索是一种基于深度学习的技术，它将文本、图像等数据转换为高维空间中的向量（一组数字），并通过计算向量间的相似度来寻找最相关的内容。它突破了传统关键词匹配的局限，实现了基于语义的智能搜索与推荐。