@CongFu_63d0
NSG/MAG发明者,全球最具代表性的向量检索科学家。专注于人工智能,机器学习,以及搜索、推荐、广告的理论与应用,著有《业务驱动的推荐系统:方法与实践》一书。
存储高效的欧式距离向量检索算法。只需要HNSW 1/3的存储可以达到超越HNSW的检索效率。
存储可调节的欧式距离向量检索算法。只需要HNSW 1/3的存储可以达到超越HNSW的检索效率。相对于NSG算法,可以根据数据集特性调节索引图结构。
面向最大内积检索的向量检索算法。在内积检索领域,其检索效率相对于HNSW提升35%,存储占用远小于HNSW。
欧式距离和内积距离两栖的向量检索算法。可以根据需要选择检索的相似度计算函数,一个索引同时支持欧式距离检索和最大内积检索,同时也是目前最好的最大内积检索算法。
最近一年贡献:7 次
最长连续贡献:1 日
最近连续贡献:1 日
贡献度的统计数据包括代码提交、创建任务 / Pull Request、合并 Pull Request,其中代码提交的次数需本地配置的 git 邮箱是 Gitee 帐号已确认绑定的才会被统计。