NGT-labs/NGT

解决的问题

NGT 解决了在大规模高维向量数据（通常为数十到数千维）上进行高速近似最近邻（ANN）搜索的挑战。

工作原理

该项目提供了三种主要索引方法，以在速度、内存和可扩展性之间取得平衡：

• NGT：结合图和树结构索引的混合方法。
• QG（量化图）：一种专为比标准 NGT 方法更高性能而设计的量化图方法。
• QBG（量化块图）：一种可处理数十亿对象的专用方法。

为优化资源使用，NGT 支持通过内存映射文件实现共享内存，以处理超出可用 RAM 的数据集，并提供多种量化选项（标量量化和乘积量化）以减少数据占用空间。

适用人群

专为需要在高维向量空间中快速、可扩展地从大规模数据集中检索相似项的开发者和研究人员设计。

主要亮点

• 广泛的距离支持：支持 L1、L2、余弦相似度、角度、汉明距离、杰卡德、庞加莱、洛伦兹和内积。
• 大规模可扩展性：QBG 可处理数十亿个对象。
• 多语言绑定：支持 Python、Ruby、PHP、Rust、Go、C 和 C++。
• 内存效率：支持共享内存，适用于超出物理内存限制的索引。