Annoy — 优秀的”邻近搜索”解决方案-技术圈

Annoy 是由 spotify 开源的一个Python第三方模块，它能用于搜索空间中给定查询点的近邻点。

此外，众所周知，Python由于GIL的存在，它的多线程最多只能用上一个CPU核的性能。如果你想要做性能优化，就必须用上多进程。

但是多进程存在一个问题，就是所有进程的变量都是独立的，B进程访问不到A进程的变量，因此Annoy为了解决这个问题，增加了一个静态索引保存功能，你可以在A进程中保存Annoy变量，在B进程中通过文件的形式访问这个变量。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：超详细Python安装指南进行安装。

(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖：
1. Windows 环境打开 Cmd (开始-运行-CMD)。
2. MacOS 环境打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器或 Pycharm，可以直接使用界面下方的Terminal.

pip install annoy

2.基本使用

Annoy使用起来非常简单，学习成本极低。比如我们随意生成1000个0,1之间的高斯分布点，将其加入到Annoy的索引，并保存为文件:

# 公众号：Python 实用宝典
from annoy import AnnoyIndex
import random

f = 40
t = AnnoyIndex(f, 'angular') # 用于存储f维度向量
for i in range(1000):
    v = [random.gauss(0, 1) for z in range(f)]
    t.add_item(i, v)

t.build(10) # 10 棵树，查询时，树越多，精度越高。
t.save('test.ann')

这样，我们就完成了索引的创建及落地。Annoy 支持4种距离计算方式：
"angular"，"euclidean"，"manhattan"，"hamming"，或"dot"，即余弦距离、欧几里得距离、曼哈顿距离、汉明距离及点乘距离。

接下来我们可以新建一个进程访问这个索引：

from annoy import AnnoyIndex

f = 40
u = AnnoyIndex(f, 'angular')
u.load('test.ann') 
print(u.get_nns_by_item(1, 5))
# [1, 607, 672, 780, 625]

其中，u.get_nns_by_item(i, n, search_k=-1, include_distances=False) 返回第 i 个 item 的n个最近邻的item。在查询期间，它将检索多达search_k（默认n_trees * n）个点。

如果设置include_distances为True，它将返回一个包含两个列表的元组，第二个列表中包含所有对应的距离。

3.算法原理

构建索引：在数据集中随机选择两个点，用它们的中垂线来切分整个数据集。再随机从两个平面中各选出一个顶点，再用中垂线进行切分，于是两个平面变成了四个平面。以此类推形成一颗二叉树。当我们设定树的数量时，这个数量指的就是这样随机生成的二叉树的数量。所以每颗二叉树都是随机切分的。

查询方法：
1. 将每一颗树的根节点插入优先队列；
2. 搜索优先队列中的每一颗二叉树，每一颗二叉树都可以得到最多 Top K 的候选集；
3. 删除重复的候选集；
4. 计算候选集与查询点的相似度或者距离；
5. 返回 Top K 的集合。

4.附录

下面是Annoy的所有函数方法：

1. AnnoyIndex(f, metric) 返回可读写的新索引，用于存储f维度向量。metric 可以是 "angular"，"euclidean"，"manhattan"，"hamming"，或"dot"。2. a.add_item(i, v) 用于给索引添加向量v，i 是指第 i 个向量。

3. a.build(n_trees) 用于构建 n_trees 的森林。查询时，树越多，精度越高。在调用build后，无法再添加任何向量。

4. a.save(fn, prefault=False) 将索引保存到磁盘。保存后，不能再添加任何向量。

5. a.load(fn, prefault=False) 从磁盘加载索引。如果prefault设置为True，它将把整个文件预读到内存中。默认值为False。

6. a.unload() 释放索引。

7. a.get_nns_by_item(i, n, search_k=-1, include_distances=False) 返回第 i 个item的 n 个最近邻的item。

8. a.get_nns_by_vector(v, n, search_k=-1, include_distances=False) 与上面的相同，但按向量v查询。

9. a.get_item_vector(i) 返回第i个向量。

10. a.get_distance(i, j) 返回向量i和向量j之间的距离。

11. a.get_n_items() 返回索引中的向量数。

12. a.get_n_trees() 返回索引中的树的数量。

13. a.on_disk_build(fn) 用以在指定文件而不是RAM中建立索引（在添加向量之前执行，在建立之后无需保存）。

我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应红字验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

点击下方阅读原文可获得更好的阅读体验

Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典