开源之夏 2022 | 申请 Jina AI 社区任务，成为业界领先的神经搜索开源项目贡献者

目录

Jina AI 项目任务详情一览

项目一：近似最近邻搜索算法 HNSW 的改进与优化 

 项目二：支持基于 Redis 的近似最近邻搜索 

 项目三：基于深度学习的3D物体特征表达与学习 

报名申请 Jina AI 项目任务

开源之夏 2022 项目已发布，申请 Jina AI 项目的同学可以准备起来了~

开源之夏是由「开源软件供应链点亮计划」发起，并长期支持的一项暑期开源活动。旨在鼓励全球在校学生，积极参与开源软件的开发维护，促进优秀开源软件社区的蓬勃发展，培养和发掘更多优秀的开发者。

今年是开源之夏举办的第三届，共计吸引了 124 家社区提报超过 300+ 项目。Jina AI 作为业内领先的神经搜索 (Neural Search) 开源企业，在开源之夏 2022 中共计提报了 3 个项目任务。

同学们现已可以进行任务申请，获得 Jina AI 资深工程师的亲自指导，以及 Jina AI 实习机会。完成项目并贡献给社区后，还将获得开源之夏活动奖金和结项证书。

Jina AI 项目任务详情一览

项目一：近似最近邻搜索算法 HNSW 的改进与优化 

涉及技术领域：AI, 近似最近邻, 向量检索 

编程语言：C++, Python

项目难度：进阶

联系导师：felix.wang@jina.ai

项目支持报名语言：中文

项目成果仓库：

https://github.com/jina-ai/annlitehttps://github.com/jina-ai/annlite

项目描述：

针对海量向量数据的搜索，无论是工业界还是学术界都做了大量的研究。由于精确的向量搜索在海量数据的场景下搜索时间过长，所以目前的常见做法，是在向量上建立近似搜索索引。学术上我们称之为近似最近邻搜索 ANN (Approximate Nearest Neighbor Search) 问题，通常都是通过牺牲搜索精度来换取时间和空间的方式，从大量样本中获取最近邻。

根据 Benchmark 上 ANN 算法的基准测试结果，基于图结构的 HNSW 算法在查询速度和精度上优于其他 ANN 算法。但是 HNSW 算法本身的主要问题就是对内存占用较大，限制了其可以索引的数据大小。

目前我们的开源向量索引产品 AnnLite 核心近似搜索算法是基于 HNSW 来实现，并在此基础上提供了更加丰富的功能（例如支持前置过滤近似查询）。为了使得 AnnLite 能够具备更强的竞争力和实际应用价值，我们希望能够进一步对 HNSW 算法进行改进和优化。