جست‌وجویِ نزدیک‌ترین همسایهٔ تقریبی یا ANN می‌کوشد بدونِ مقایسهٔ کامل با همهٔ بردارها، مواردِ نزدیک را پیدا کند. کم‌کردنِ نامزدها ممکن است بعضی همسایه‌هایِ دقیق را جا بیندازد. برایِ دیدنِ این سازوکار، چهار نقطه را در دو سلولِ یک‌بعدی می‌گذاریم و خروجیِ یک یا دو سلول را با مرجعِ دقیق مقایسه می‌کنیم.
مرجعِ دقیق و سنجه را ثابت کنیم
نقطه‌ها P0=0،P1=4.9،P2=6 و P3=10 هستند. سه پرسشِ عددیِ یک،۵٫۱ و نه داریم. فاصله را مربعِ اختلافِ دو عدد می‌گیریم؛ در تساوی، شناسه با ترتیبِ واژگانیِ کوچک‌تر برنده است. مرجعِ دقیق با جست‌وجویِ همهٔ چهار نقطه و همین قرارداد حساب می‌شود، نه با پاسخِ موردِ انتظارِ دستی در جدول.
این اعداد embedding واقعیِ متن نیستند؛ تنها یک فضایِ عددیِ آموزشی‌اند. نزدیک‌ترینِ دقیق در همین سنجه هم لزوماً مرتبط‌ترین سند از نظرِ معنا نیست. کیفیتِ روشِ تقریبی نسبت به مرجعِ هندسی را از کیفیتِ کاربردیِ مرجع نسبت به سؤالِ واقعی جدا نگه می‌داریم.
دو سلول با مرکزِ ثابت
مرکزها صفر و ده‌اند و نویسنده آن‌ها را از پیش تعیین کرده است؛ هیچ K-Means یا مرحلهٔ یادگیریِ مرکز اجرا نشده است. هر نقطه به نزدیک‌ترین مرکز می‌رود. سلولِ اول صفر و ۴٫۹ را دارد و سلولِ دوم شش و ده را. هنگامِ پرسش هم ابتدا مرکزها را رتبه‌بندی و فقط نقطه‌هایِ سلول‌هایِ انتخابی را بررسی می‌کنیم.
در خانوادهٔ IVF هم سلول و تعدادِ سلولِ جست‌وجوشده مهم است، اما این فایل پیاده‌سازیِ Faiss یا IndexIVFFlat نیست. شاخصِ تولیدی می‌تواند مرحلهٔ آموزش و جزئیاتِ دیگری داشته باشد. نامِ nprobe در فایل فقط تعدادِ سلول‌هایِ انتخاب‌شدهٔ همین تمرین را مشخص می‌کند.
یک همسایه چگونه جا می‌افتد؟
پرسشِ ۵٫۱ به مرکزِ ده نزدیک‌تر است؛ با یک سلول، فقط شش و ده دیده می‌شوند و پاسخِ شش با مربعِ فاصلهٔ ۰٫۸۱ برمی‌گردد. ولی نقطهٔ ۴٫۹ در سلولِ دیگر فقط مربعِ فاصلهٔ ۰٫۰۴ دارد. این همان موردی است که مرجعِ دقیق پیدا می‌کند و جست‌وجویِ یک‌سلولی جا می‌اندازد.
با دو سلول، هر چهار نقطه دیده می‌شوند و پاسخِ دقیق بازیابی می‌شود. برایِ پرسش‌هایِ یک و نه، همان یک سلول هم پاسخِ دقیق را می‌دهد. بنابراین recall@1 رویِ این سه پرسش برایِ یک سلول دو‌سوم و برایِ دو سلول یک است. این سه مورد، نرخِ عمومیِ یک محصول، زبان یا مجموعهٔ اسناد نیستند.
تعدادِ فاصله با زمانِ اجرا یکی نیست
| روشِ همین مثال | فاصله تا مرکزها | فاصله تا نقاطِ داده |
|---|---|---|
| مرجعِ کامل | ۰ | ۴ |
| یک سلول | ۲ | ۲ |
| دو سلول | ۲ | ۴ |
با یک سلول، تعدادِ مقایسه با نقطه‌هایِ داده کم شده، اما حسابِ مرکزها هم هزینه دارد. در این مجموعهٔ بسیار کوچک از جدول، سریع‌ترشدن نتیجه نمی‌شود؛ زمانِ دیواری، حافظه و سرعتِ ساخت را اندازه نگرفته‌ایم. benchmark واقعی به اندازه، سخت‌افزار و نسخهٔ پیاده‌سازی نیاز دارد.
HNSW از ساختارِ گراف و مسیرِ جست‌وجویِ متفاوتی استفاده می‌کند؛ این مثال آن را اجرا یا با IVF رتبه‌بندی نکرده است. صرفِ نامِ ANN روشِ ساخت و پارامترِ آن را مشخص نمی‌کند. مرجعِ اصلیِ این صفحه برایِ توضیحِ سلول و nprobe خوانده شده است.
در جست‌وجویِ متن چه چیزی اضافه می‌شود؟
سنجهٔ شباهتِ بردار، مدلِ نمایش و مجموعهٔ مرجع را ثابت کنید؛ سپس recall را رویِ پرسش‌هایِ مستقل بسنجید و کیفیتِ سندِ انتخاب‌شده را جدا ببینید. یک پاسخِ نزدیکِ هندسی می‌تواند منسوخ یا خارج از نیاز باشد. این فایل برچسبِ معنایی تولید نمی‌کند.
اگر هدف پاسخ‌گوییِ سایت است، نمونهٔ مجازِ سؤال و سندِ درست را برایِ بررسیِ چتِ اپرا آماده کنید. خروجیِ این شبیه‌ساز، اعلامِ شاخصِ داخلیِ محصول یا وعدهٔ سرعتِ آن نیست؛ تمرینِ زیر مسیرِ جاافتادنِ یک همسایه را قابلِ مشاهده می‌کند.
فایل تمرین و منبع
جست‌وجویِ یک یا دو سلول در برابرِ مرجعِ دقیقِ همهٔ نقاط · مرجعِ نزدیک‌ترین همسایه، سلول‌ها و شمارِ فاصله‌هایِ واقعی
منابع در 2026-11-04 خوانده شدند؛ این تاریخ، تاریخ انتشار منبع نیست. مثال‌ها و فایل‌های این راهنما آموزشی و ساختهٔ تحریریه‌اند.