最近邻算法和向量模型——第二部分——算法和数据结构

这篇博客是在我上周NYC MachineLearning做得报告基础上改写而成的。内容中包括Annoy，我开源的一个高维空间求（近似）最近邻的工具库。在第一部分，我介绍了几个例子，并说明向量模型是非常有用的。在第二部分，我将解释Annoy是怎么去找近似最近邻的（approximate nearest neighbor queries），以及相应的算法和数据结构。

 

言归正传，我们的目的是要在一个空间找到一个已知点的最近邻集合。我们看下图是一个二维空间，里面有很多点，当然现实情况，向量模型的维度会比这高很多。

我们的目标是设计一个数据结构，使我们能够以压线性的时间查找一个点的最邻近点集。

我们将构建一棵树，查询时间在 O（log n）。这就是Annoy的原理，实际上，构建的是一个二叉树，其中每个节点都是任意划分的。那我们先看看如何进行一次空间划分：

Annoy通过随机挑选两个点，并使用垂直于这两个点的等距离超平面将集合划分成两部分。图中灰色线是连接两个点，超平面是加粗的黑线。

然后我们按照上述方法在每个子集上进行迭代划分！

一个非常小的二叉树就开始形成了：

我们继续划分：

以此类推，直到每个节点最多剩下K个点。下图是一个K=10的情况：

相应的完整二叉树结构：

 

很好!最后我们得到一颗二叉树，并且这棵树把空间做了划分。这样的好处是原先空间中相邻的点，在树结构上也表现出相互靠近的特点。换句话说，如果两个点在空间上相互靠近，它们也很有可能被多个超平面划分到一起。

 

如果要在空间中查找邻近点，我们只需要遍历这个二叉树。每个中间节点（上图中方形节点）用超平面来定义，所以我们能够计算出该节点的往哪个方向遍历。搜索一个点能够在log时间内完成，这个正好是树的高度。

假如我们要搜索下图中红色X：

二叉树的搜索路径看上去会是这样：

结果我们找到了7个最近邻。非常棒，但仍然有两个问题

1.    如果我们想找到最近邻数目大于7，该怎么办？

2.    有些最近邻在我们遍历的叶子节点的外面

 

技巧1——使用优先队列

这个技巧是，如果一个划分的两边“靠得足够近”（量化方式在后面介绍），我们就两边都遍历。这样就不只是遍历一个节点的一边，我们将遍历更多的点：

与之对应的二叉树遍历路径：

我们可以设置一个阈值，用来表示是否愿意搜索划分“错”的一遍。如果设置为0，我们将总是遍历“对”的一片。但是如果设置成0.5，就按照上面的搜索路径。

这个技巧实际上是利用优先级队列，依据两边的最大距离。好处是我们能够设置比0大的阈值，逐渐增加搜索范围。

 

技巧2——构建一个森林

第二个技巧是构建多棵树即森林。每棵树都是按照任意划分构建。我们将同时搜索所有的树：

我们能够用一个优先级队列，同时搜索所有的树。这样有另外一个好处，搜索会聚焦到那些与已知点靠得最近的那些树——能够把距离最远的空间划分出去。

 

每棵树都包含所有的点，所以当我们搜索多棵树的时候，将找到多棵树上的多个点。如果我们把所有的搜索结果的叶子节点都合在一起，那么得到的最近邻就非常符合要求。

按照这个方法，我们最后找到一个邻近的集合。你可能会注意到，到目前为止，我们都没有提到如何计算点点之间的距离。下一步是计算所有的距离和对点进行排序。

我们根据点距离进行排序，然后返回K个最相近的点。很好！这就是Annoy算法的工作原理。

还是有一个问题，我们实际上仍然丢掉了一些点：

但是正如Annoy中的A，代表了近似（approximate）,其实少一些点也是可以接受的。Annoy在实际使用的时候，提供了一种机制可以调整（搜索k），你能够根据它来权衡性能（时间）和准确度（质量）。

 

近似算法的主要思想是通过牺牲一点准确度换取性能的巨大提升（数量级的）。举例来说，我们能够得到一个不错的搜索结果，仅仅是计算1%的点之间的距离——却可以带来100倍相比于穷尽搜索的性能。

树越多效果越好。通过增加树，你更有可能找到你想要的划分。一般来说，只要不超过内存，你可以增加越多越好。

Annoy算法总结：

 

预处理时间：

1.    构建一批二叉树。每棵树都按照随机超平面迭代划分。

Query time:

查询时间

1.    插入每棵树到优先级队列

2.    搜索优先队列中的所有树，直到得到k个候选点

3.    对候选点去重

4.    计算候选点与已知点之间的距离

5.    对候选得到的距离进行排序

6.    返回最近的那几个邻近点

 

如果你感兴趣，请查阅头文件annoylib.h中的_make_tree和_get_all_nns

 

OK差不多讲完了，如果你想获取更多信息，请期待我的下一个分享。顺便说一句，请查看这个幻灯片；另外文中的所有图片绘制代码，你也可以看看。

 

（翻译自：http://erikbern.com/2015/10/01/nearest-neighbors-and-vector-models-part-2-how-to-search-in-high-dimensional-spaces/）

 

廖博森@DataSpark