提高精度--向量数据库VikingDB-火山引擎

文档中心

导航

提高精度

最近更新时间：2025.09.30 16:06:36首次发布时间：2025.09.30 16:06:36

背景介绍

检索精度指的是系统返回的查询结果与用户预期结果的匹配程度。在向量数据库中，优化精度主要涉及向量量化、模型选择、索引参数调整等方面。

优化方案

量化优化

采用 float 量化，保留更多信息，提高向量检索精度。

量化方式	描述	场景
int8	将4字节的 float 压缩为单个字节，以获取内存和计算延迟的收益，会造成微小的损失精度，比如 cosine 距离会出现大于1的分值。	适用于hnsw、hnsw_hybrid、flat索引算法，距离方式为ip、consine。
float	全精度，未做压缩量化。	适用于hnsw、hnsw_hybrid、flat、diskann索引算法，距离方式为ip、l2、consine。
fix16	将4字节的 float 压缩为两个字节，以获取内存和计算延迟的收益，会造成微小的损失精度。通过损失一定的检索精度，提升检索性能，节约资源成本。	适用于hnsw、hnsw_hybrid、flat索引算法，距离方式为ip、l2、consine。
pq	将高维向量转换为低维码本向量，以减少内存占用并提高搜索效率。	适用于diskann、ivf索引算法，距离方式为ip、l2、consine。

选择向量维度更大的模型，增加表示能力，提高检索匹配效果。

调整索引参数，适当调大索引构建参数，以提高检索精度。
数据量较小时（≤50W 条），建议使用暴力索引（Brute Force），确保最高精度。

根据业务场景选择最佳 embedding 模型与向量化方法，以获得最佳检索效果。

采用 dense + sparse 结合，提升查询结果的相关性和覆盖度。