华为第五期 - 高维向量数据的近似检索

最新推荐文章于 2025-11-24 17:02:03 发布
原创 最新推荐文章于 2025-11-24 17:02:03 发布 · 466 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法

这篇文章分享了RANK2团队在华为算法精英实战营中关于高维向量数据近似检索的解题思路，特别提到了归一化处理在其中的重要性。
华为杯”第十二届中国研究生数学建模竞赛-B题： 数据的多流形结构分析
getusushu的博客
09-23 319
1. 问题一中采用谱聚类的独立子空间分割模型，将独立子空间中的高维数据分。4. 问题四为混合多流形聚类在实际中的应用问题，采用谱多流形聚类算法能够。更具有一般性，由于混合流形不全是子空间的情况，数据往往具有更复杂的结构，人脸分割问题可以看成是二维矩阵的聚类问题，因此并没有理论上的难度，进行有效的分析，以至数据的分析和处理方法成为了诸多问题成功解决的关键，学习的出现，很好地解决了具有非线性结构的样本集的特征提取问题。某种方式分类到其所属的子空间的过程，通过子空间聚类，可以将来自同一子空。
【2025年华为秋招（AI）-10月22日-第一题（100分）- 选择题】（题目+思路+Java&C++&Python解析+在线测试)
m0_73659489的博客
10-22 67
摘要：本文包含15道单选题和5道多选题，涵盖深度学习、机器学习、概率统计等多个领域。单选题涉及矩阵求逆稳定性、特征选择方法、词嵌入相似性比较、激活函数特性等内容；多选题考察概率关系、注意力机制、分类特征处理等领域知识。题目设计注重理论知识与实践应用的结合，如RAG技术、大模型训练优化等实际问题。每道题均提供标准答案和简明解析，帮助理解相关概念和技术原理。
海量高维向量相似度快速搜索（第七届软件杯原创算法）
ccutyear的博客
09-03 6535
　　放在全文开头，这次去南京的感受。 　　这一届软件杯组委会安排的酒店很舒适，志愿者小姐姐偏多很养眼，很热心，咨询的时候讲解也很周到。早中晚三餐都很丰盛，尤其是早餐很精致。南京的景点也很多，这么多天都还没有把南京玩个遍。下面是微信群里大家感谢组委会的截图。   　　然后进入正题： 　　先简单描述一下问题： 假设如下数据集D里有N个1024维的向量, N=1百万，向量中各个维度上的数据...
向量检索（一）Faiss 在工业界的应用和常见问题解决
热门推荐
千里之行
11-07 1万+
传统的搜索，使用关键做精确的查找，利用倒排索引在索引库中搜索。日常在用的百度，Google都属于关键词搜索。 在 AI 时代我们需要查找一张相似的图片，一个问题的答案，或者根据一段音乐查找对应的歌曲，这些情况下没有准确的关键词用来做检索。 这些图片，问题（文本），语音，不再是简单的一个一维量化的数字，而是包含了大量的属性特征。 因而不合适使用传统的关键字搜索引擎来查找。 对于文本，图片，语音，视频，DNA信息等等，都可用向量来表示，数据被特征化处理后用来表示这条数据的向量称之为 Embedding
一文纵览向量检索
华为云官方博客
09-28 4117
摘要：本文针对向量检索要解决的问题，梳理了主流向量检索相关的技术，分析了向量检索目前的一个趋势。 什么是向量检索 首先我们了解下什么是向量，所谓向量就是由n个数字（二值向量由n个比特组成）组成的数组，我们称之为n维向量。而向量检索就是在一个给定向量数据集中，按照某种度量方式，检索出与查询向量相近的K个向量（K-Nearest Neighbor，KNN），但由于KNN计算量过大，我们通常只关注近似近邻（Approximate Nearest Neighbor，ANN）问题。 向量度量 常见的向量度量有
openGauss新特性 | openGauss-DataVec向量数据库特性介绍
openGauss的博客
04-16 740
DataVec新增多种[向量数据类型](https://docs.opengauss.org/zh/docs/latest/docs/SQLReference/%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B.html)（vector、bitvector、sparsevector等），向量表的创建与openGauss原生语法保持一致，创建时指定存储向量类型即可。在`图像检索`中，DataVec可以通过图像特征向量，快速找到与查询图像相似的图片。
向量检索算法：从哈希、树到量化与图
Q2024107的博客
08-25 877
摘要：向量检索技术经历了从哈希算法、树算法到当前主流的量化算法和图算法的演进过程。早期哈希算法因精度不足被淘汰，树算法虽精度有所提升但效率仍不理想。量化算法通过聚类切分空间实现低损耗检索，成为资源受限场景的理想选择；图算法则通过构建点间"高速公路"，在保持高速的同时以高精度成为海量数据检索的首选方案。当前技术选型需综合考虑数据规模、精度要求及资源限制，量化算法适合中小规模数据，图算法则适用于千亿级高精度场景。
图像检索技术选型--截止2025年4月
my_name_is_learn的博客
04-30 2873
本文包含了图像检索的技术演进和技术选型内容
检索增强生成（RAG）与向量数据库总结
Q2024107的博客
08-09 1068
检索增强生成(RAG)是一种将大型语言模型(LLM)与外部知识库检索结合的技术框架，通过检索相关信息辅助LLM生成更准确、可靠的回答，解决LLM的幻觉、知识过时等问题。其工作流程包括：查询编码、知识库检索、上下文增强和文本生成四个步骤。向量数据库在RAG中扮演关键角色，用于存储和高效检索知识的向量表示，常见的有Pinecone、Weaviate、Milvus等。随着大模型时代的到来，掌握LLM技术成为程序员提升竞争力的重要方向。
华为向量数据库
10-10
华为向量数据库（如华为云**GaussDB(for Cassandra)** 和向量检索服务 **Vector Search Service, VSS**）是面向AI场景的专业数据处理平台，其核心设计是针对高维向量数据的实时检索与分析。以下是其核心信息： --- ...
AI大模型的使用-语义检索，利用Embedding优化你的搜索功能
dfBeautifulLive的博客
08-29 1893
Embedding 向量适合作为一个中间结果，用于传统的机器学习场景，比如分类、聚类。Completion 接口，一方面可以直接拿来作为一个聊天机器人，另一方面，你只要善用提示词，就能完成合理的文案撰写、文本摘要、机器翻译等一系列的工作。我们之前都是网上查找数据集或者openAI提供的数据集进行处理，这里我们可以利用AI给我们生成数据，我们根据它生成的数据进行搜索，推荐等处理。接下来让AI帮我们搜索给我们今天要测试的数据集。
向量数据库简介
zhangzhechun的专栏
07-05 2151
向量数据库（Vector Database）是一种专门用于存储和查询向量数据的数据库系统。向量数据库通常使用高效的向量索引技术，支持基于向量相似度的查询和检索，可以应用于图像搜索、自然语言处理、推荐系统、机器学习等领域。与传统的关系型数据库不同，向量数据库通常使用基于向量的数据模型，将向量作为数据的核心表示形式。向量数据库可以存储和处理大量的向量数据，支持高效的向量相似度计算和查询。常见的向量索引技术包括 KD-Tree、LSH、HNSW 等，它们可以在高维空间中快速定位和检索向量数据。
C++ 字符串 模拟 力扣 14. 最长公共前缀 每日一题 题解
Q741_147的博客
11-23 660
本文围绕LeetCode 14“最长公共前缀”这一字符串经典入门题展开，解析其作为面试高频题的核心价值——夯实模拟思维、边界处理与代码优化能力。文章详细阐述横向遍历（两两对比）与纵向遍历（逐位验证）两种核心算法原理，提供完整可运行的C++代码，拆解关键细节与易错点，并进行复杂度分析。同时总结解题核心考点、思路迁移方向及常见错误，帮助读者不仅掌握本题解法，更能提升字符串处理能力，为后续复杂题型奠定基础，兼具入门指导与面试备考价值。
代码随想录 63.不同路径Ⅱ
m0_63814538的博客
11-24 430
4.确定遍历顺序：从递归公式可以看出一定是从左到右一层一层的遍历，这样保证推导dp[i][j]的时候，dp[i - 1][j]和dp[i][j - 1]一定是有数值的。所以本题的初始化代码如下所示：一旦遇到obstacleGrid[i][0] == 1的情况就停止dp[i][0]的赋值1的操作，dp[0][j]同理。1.确定dp数组（dp table）及其下标的含义：dp[i][j]表示从（0，0）出发，到（i，j）有dp[i][j]条不同的路径。下标（0，j）的初始化情况同理。
算法：二叉搜索树的最近公共祖先
czlczl20020925的博客
11-24 465
下面是详细的解释，说明为什么这是必然的。对于我们当前所在的任何节点。
P1522 [USACO2.4] 牛的旅行 Cow Tours(连通块+Floyd）
2302_79372568的博客
11-22 69
思路：先用dfs标记一下每个点在哪个连通块，然后求出每个连通块内每个点的最大最短路，求任意两点之间的距离＋数据范围，我们可以知道这道题要使用Floyd进行求解，求到了任意两点之间的距离后，我们就可以求出每个点到所在连通块其他点的最短路中的最大值，然后再从同一连通块的所有点的最大值中选出最大值，就是连通块的直径了。题目大意：给你n个坐标点（x,y)，再给一个n*n的矩阵，代表两点之间的连边关系，连边之后会构成若干个连通块，定义连通块的直径为最远的两个点的距离（距离指的是两点间最短路径的长度）。
第二次测试题解
2402_89056915的博客
11-23 798
第 3 刀：要最大化分区，第 3 个平面必须与前 2 个平面都相交（得到 2 条不重合的交线，且这 2 条交线在第 3 个平面上相交）—— 相当于在第 3 个平面上，用 2 条相交直线分成了 4 块，因此新增 4 个区域 →。前 3k+2 项的和：3k 项和 + a₃ₖ₊₁ + a₃ₖ₊₂ ≡ 0 + p + q ≡ (p+q) mod 2（a₁+a₂ 的奇偶性）余数 r=2（n=3k+2）→ Sₙ ≡ 1+1=2≡0 → 0（偶）→ 代码逻辑：if n%3==1 → 1，else → 0。
GoC题解(22) GoC测试模拟题(2017.3.23)第6题：同心圆
2301_78151773的博客
11-22 239
小C要画红绿黄3个不同半径的同心圆，要求红色(1号）的是最大半径圆，绿色（3号）的是第2大半径的圆，黄色（5号）的是最小半径的圆。但输入是的的3个数可能并没有从大到小。这3个圆一定要按照正确的次序才能画出正确的图形。比如你最后画最大的圆形，就只能看见一个红色的大圆。请你帮小C编程解决这个问题。一行3个不同的正整数a,b,c：表示每圆的半径，范围在[10..100]。有同学容易犯下面这段代码类似的错误。
算法基础篇：（十六）深度优先搜索（DFS）之递归型枚举与回溯剪枝初识
最新发布
2301_79248256的博客
11-24 712
本文聚焦深度优先搜索（DFS）的递归型枚举与回溯剪枝，以枚举子集、组合型枚举、枚举排列、全排列四个洛谷经典例题为切入点，从问题描述、决策树分析、递归函数设计到代码实现逐步拆解。先阐释搜索本质及 DFS 与回溯、剪枝的关联，再通过具体案例讲解回溯的 “恢复现场” 操作与可行性、重复性等剪枝技巧，总结 DFS 递归型枚举 “画决策树 - 设计函数 - 实现回溯 - 添加剪枝” 的通用步骤，帮助读者理解并掌握 DFS 解决枚举类问题的核心方法，为进阶应用奠定基础。
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值