ann建库，分布式建库，性能优化，precision recall参数优化
hnsw，图索引
1. build
a）确定层：类似跳表思路建立多层，对每一个插入的节点，random层号l，从图的起始点search_layer(ef=1)到l+1层（自顶向下）的最近邻近点
b）确定边：遍历l到0层（继续向底部搜索），search_layer(ef)找到最邻近ef个点，选择最邻近的M个点，建立双向边
c）裁剪-防止稠密：遍历M个点如果节点的邻节点超过Mmax仅保留最近的边
2. search(q)
a) 快速游走到比较近的节点：自顶向下搜索到最底层search_layer(ef=1)
b) 贪心ann：建立两个集合，候选集队列C、最近邻队列W（队列长度为ef），从C里拿出距离q最近的节点c，如果可以更新W（距离小于W的对尾）就遍历c的邻节点来更新W
分布式建库（全增量）：流批一体化，全量、批次增量、实时增量
- dump系统，产出全量、增量
- 离线构建系统有两个任务
-
- processor负责读取全量/增量数据源并对每条doc处理，用加库的模型embedding成向量，归一化，写入swift（类似kafka）
- builder，以及在线服务会订阅swift，builder服务本地根据partition构建HNSW索引，产出全量和批次增量，分片检索
- 实时索引
-
- query dnn服务与searcher服务统一管控，item dnn加载到processor中量化
- hnsw支持插入，但不支持删除，改用软删除
性能优化
- 联合检索，带条件的向量检索
- query cache
- 在gpu中计算向量相似度
precision recall参数优化
- 建立ann与knn的准召率，比如直接在线抽样回放
- 最近邻超参tradeoff，参数越大准召率越高性能越差
- 距离公式，不能使用内积（不满足三角不等式，开根号），要用欧式距离，检索时转成内积
实时索引建库，结合item生命周期（新建实时生效，低pv item，失效item处理）的索引管理
分布式索引构建通常包括全量、批次增量、实时增量。数据join平台通过流批一体化生产全量和增量，其中增量通过swift消息分发到召回服务，所有的update操作会转成软delete后再add操作，会导致实时增量的索引增长非常迅速。
低pv item处理：item有2亿，分为了excellent、normal库，先seek excellent库，再用normal库补足，其中今天新发商品进excellent库
失效item处理：软delete，增量索引中bitmap标记doc是否存在，到多段索引合并时再真正delete
model serving优化，包括feature store设计（考虑特征版本号管理、实时特征读写更新、过期特征处理）、深度学习模型推理优化、模型运维管理
model serving优化
- op fusion、op placement
feature store：
- 用户特征中特征穿越问题
模型运维：
- 模型更新：模型增量训练后（ODL一样），model check auc（可能会训飞），发布到rtp灰度集群做打分平均判断，验证通过再部署到rtp online集群
- 模型发布：fg离在线一致性，模型打分离在线一致性
搜索引擎架构整体优化
失量检索引擎，设计细节
vector search，ann索引（ivf、hnsw）、index，几个特点：
- 分库和伸缩：离在线两部分，在线为两层分布式架构（qrs、searcher），离线对主键分片构建索引，分发到searcher集群，qrs将请求拆为多个，quota被均分后*1.2系数下发searcher召回过滤
- 多表join联合索引形成大宽表：在索引构建时主表添加辅表索引，seek主表不需查询辅表正排而是通过辅表地址获取正排值执行filter，既实现了大宽表又将拆表建索引。并且在seek阶段，多条索引链交并集seek（其中并集采用小根堆），边seek边filter，filter对象提前映射到对应正排索引，从多次寻址优化到1次寻址，这样的seek模式能保障有效召回量
- DAG图执行与模型推理统一：基于tensorflow框架，基于op schema自定义算子，组图实现流程编排。执行时DAG拓扑排序并行执行op，基于docid有序，可以分段并行seek&filter，减少rt。searcher load相关性dnn模型，本地完成推理，避免相关性服务IO
- ann检索：支持实时增量
- 分布式索引构建：在processor任务中加item塔，对doc量化，写入swift消息中间件，builder任务会读取，同时在线服务也会读取
- 在线实时增量构建：update操作会转成delete再add，但delete只是软删除，ivf/hnsw的add跟离线没差异，所以实时索引增长很快，需要用批次索引覆盖
- 在线查询：最近邻超参tradeoff，参数越大准召率越高性能越差，对比ann与knn的准召率调节超参
