特征向量，目前被广泛运用于ML各种领域。特征向量的基本含义在此不再赘述，简单来说是通过数值的形式描述某个对象，主要用于处理处理图片、视频、语音、文本等非结构化数据。
向量检索的核心是通过某种评判标准来判定两个特征向量（两个对象）的相似程度。
随着智慧城市，短视频，商品个性化推荐，视觉商品搜索等新兴应用领域的出现，处理这些非结构化数据最主流的方法就是通过ML/DL算法,提取数据的特征向量，然后通过对这些特征向量的相似度对比来实现数据分析与检索。
向量检索使用的算法主要是KNN（K-NearestNeighbor）和ANN（Approximate Nearest Neighbor ）两种，两者的算法实现与适用场景略有不同。随着海量数据处理的需求增加，ANN的方式逐渐成为主流。<meta charset="utf-8">
专注向量搜索的引擎似乎还没有完全成熟的解决方案，但是也有很多优秀的开源项目：
还有很多ANN的benchmark也值得参考Github
| 两种算法 | 适用场景 |
|---|---|
| KNN | 数据量小(单分片100w以下)； 先过滤其他条件，只剩少量数据，再向量召回的场景； 召回率100% |
| ANN | 数据量大(千万级以上)； 先向量过滤再其他过滤； 召回率不需要100% |
