一、knn的缺陷
1. K-NN方法的工作机制
K-Nearest Neighbors (K-NN) 是一种基于实例的分类方法。它通过逐一比较新样本与已有样本的相似度，挑选出与新样本最接近的k个已有样本，然后根据这些样本的类别，通过投票或加权的方式来决定新样本的类别。此外，K-NN也可以应用于回归预测。在已有样本数量充足的情况下，K-NN能够取得良好的效果。研究表明，K-NN的泛化错误率不会超过贝叶斯错误率（理论最优错误率）的两倍。
2. K-NN方法的特征空间和相似度度量
K-NN方法通常使用特征空间中两个样本之间的距离（如欧氏距离、曼哈顿距离、内积等）来度量它们的相似度。这实际上假设了训练样本中每一维特征的重要性是相同的。然而，在许多情况下，样本的每一维特征对分类（或回归）问题的影响并不相同，且各维特征的数值尺度也可能不一致。因此，在应用K-NN方法时，首先需要找到合适的相似度度量方式。这需要根据实际问题进行具体的特征分析处理。
3. K-NN方法的计算复杂度和优化
虽然K-NN方法没有显式的学习过程，但在确定新样本的类别时，需要计算新样本与每一个已知样本的距离并找出前k个近邻，这在高维度的大数据集上的计算复杂度非常高。为了提高检索效率，研究人员设计了各种快速逼近最近邻（ANN）算法，如kd-tree、flann、annoy、FAISS、MRPT、KGraph、hnswlib等。在相同搜索速度（每秒查询次数，Queries/second）下的召回率（Recall）来衡量，HNSW具有最优异的性能。
4. HNSW算法的特性和应用
HNSW（Hierarchical Navigable Small World，分层可导航小世界）是一种基于图的ANN算法。HNSW利用了小世界网络的特性，即从局部看同类节点的连接呈现出规则性，从全局看不同类节点的连接呈现出随机性，来实现图的高效搜索。HNSW的编程非常简洁，特别是在mutex、lock的应用方面非常熟练，具有很高的并行性能，可以作为并行开发的参考范例。当然，程序中也存在一些可以优化的地方，如对priority_queue的应用、data_level0_ memory结构中的label的使用等。
二、基本概念
在深入探讨NSW和HNSW之前，我们需要先理解小世界网络和随机图的基本概念，这将有助于我们理解为何NSW能有效进行近邻搜索。
1. 规则图与随机图
在图论中，规则图的定义是：所有顶点的度数相同的图被称为规则图。如果每个顶点的度数都是k，那么这个图就被称为k-规则图。
而随机图则是在随机过程中生成的图，也就是说，节点之间的连接是随机建立的。
规则图与随机图的比较
在规则图中，当聚类系数接近饱和时，聚类系数较高，平均路径也较短，但此时节点的度数较高。
相比之下，随机图的节点聚类系数较低，节点的度数也较低。
2. 小世界网络
在了解了随机图和规则图之后，我们来看一下小世界网络。
1967年，Stanley Milgram从Kansas和Nebraska两个州招募了一批志愿者，他们的任务是将一封信转寄给一个住在Cambridge神学院的学生的妻子和一个住在Boston郊区的股票经纪人。
他给志愿者们设定了这样的规则：
虽然他们知道收信人的一些信息，但除非他们与收信人有私人关系，否则不能直接将信寄给收信人。
每次只能将信寄给最有可能认识收信人的熟人。
在信封中，有15张追踪卡片，每次转寄都需要将一张卡片寄回给实验者，其余的卡片则放在信封中寄给下一个人。这样，研究员就能随时追踪信件的传递路径。
在成功送达的信件中，Stanley Milgram计算出信件平均需要经过5个节点才能送达，也就是说，我们与一个陌生人建立联系只需要6步。
基于这个实验，Stanley Milgram提出了著名的“六度分离”理论。这个理论指出：
现实世界中的短路径是普遍存在的。
人们可以有效地找到并利用这些短路径。
在小世界网络中，节点之间的关系可以分为两种：
同质性：相似的节点会聚集在一起，形成邻接边。
弱连接：每个节点都会有一些随机的边连接到网络中的其他节点，这些节点是随机均匀分布的。
3. 三者的关系
有研究表明，小世界网络介于规则图和随机图之间，随着随机性的增加，规则图会呈现出小世界的特性。
我们可以这样理解：在小世界网络中，局部的同类节点连接呈现出规则性，而从全局来看，不同类节点的连接呈现出随机性。这两种特性正是我们之前提到的同质性和弱连接。
可导航小世界网络的基本原理如下图所示:
在NSW算法中，我们构建一个小世界网络，通过黑色的近邻边来寻找最近邻节点，通过红色的长边（类似于高速公路）来实现不同类节点之间的快速检索。
1. 图的搜索
在理解了NSW的基本思路后，我们来看一下在NSW中如何查找整个图中的K个最近邻节点。
K近邻搜索
在NSW中，K近邻搜索的过程如下:
随机选择一个元素，将其放入candidates集合中。
从candidates集合中选取最近邻节点c，将这些元素的邻居节点放入q集合中。
从candidates集合中移除最近邻节点c。
如果c的距离远大于result集合中的第k个节点，跳出循环。
否则，对于c的每个邻居节点，遍历其邻居，如果没有在visited set里面。
将e加入到visited set， candidates， tempRes。
遍历完成candidate中所有的节点后，将tempRes的结果传入到result。
重复执行上述步骤m遍, 返回result中最优的k个近邻结果。
2. 图的构建
根据NSW的原理，我们希望NSW的局部节点之间的距离具有同质性（即近邻节点能够相互连接）。这样当我们检索到一个近邻节点时，其大部分近邻节点都是近邻节点。同时，我们也希望保留一些随机边，以便在不同区域之间快速跳转。
那么，我们如何构建一个既具有同质性又具有随机性的小世界网络呢？
Delaunay 三角剖分 技术分享：Delaunay三角剖分算法介绍 - 知乎
为了使相邻的点在空间距离上相近，我们引入Delaunay三角剖分，相关的定义如下
Delaunay 边
在点集 V中存在两点 a 和 b，圈内不包含点集 V中的任何其他点。这个特质被称为空圈特质。
节点 a 和节点 b连接起来的边称为Delaunay边。
Delaunay 三角剖分
如果一个点集 V 的三角剖分 T 都只包含 Delaunay边，那么该三角剖分称为Delaunay剖分。
NSW节点的插入
在构建图的过程中，理论上我们应该对所有的点进行Delaunay三角剖分，然后添加一些随机的长边以构建快速检索通道，从而构建一个可导航的小世界网络。
但由于构建Delaunay三角剖分的复杂度过高，实际的代码实现过程中我们通过节点随机插入来引入随机性，利用已有节点构建Delaunay边来引入同质性。
NSW的网络构建过程如下:
在候选节点V里面随机挑选一个节点vi
将节点vi插入到已经构建好的图中，并构建边。
边构建的规则：找到节点vi最近邻的 f个邻居，建立vi和这些邻居的边连接。
在构建NSW图结构的时候，在局部通过寻找 f个最近邻来建立类似于Delaunay三角剖分的结构，
在全局通过随机顺序插入，引入随机边从而使得所以具备可导航小世界的特性。
3. 分层可导航小世界模型
在可导航小世界模型(NSW)中，图的构建阶段通过随机插入节点来引入随机性，形成一个类似小世界的网络结构。然而，NSW中存在一些显著的问题。
3.1 NSW模型的问题
- 对于最早插入的节点，其连接的邻居节点通常较远，表现出较强的弱连接属性。
- 对于最后插入的节点，其连接的邻居节点通常较近，表现出较弱的弱连接属性。
- 对于具有聚类效应的节点，由于后续插入的节点可能都与其建立连接，因此该节点的度可能较高。
这些问题引发了一个疑问：如何在继承NSW基于长链接进行快速检索，短链接具有聚类特性的思想的同时，使查找更稳定，或者如何有效区分长链接和短链接的查找。为此，引入了分层图的概念。
3.2 分层可导航小世界模型(HNSW)
HNSW是在NSW的基础上进行优化的结果，其引入了层级的概念，总体思想如下：
- 在Layer = 0层中，包含了连通图中所有的节点。
- 随着层数的增加，每一层的节点数逐渐减少并且遵循指数衰减定律。
- 图节点的最大层数，由随机指数概率衰减函数决定。
- 从某个点所在的最高层往下的所有层中均存在该节点。
- 在对HNSW进行查询的时候，从最高层开始检索。
3.3 HNSW的查询
HNSW的查询阶段包括以下几个算法：
- SEACHER-LAYER: 在指定层查询K个最近邻节点。
- SELECT-NEIGHBORS-SIMPLE: 简单的查找某一层最近的邻居节点。
- SELECT-NEIGHBORS-HEURISTIC: 探索式查找某一层最近的邻居节点。
- K-NN-SEARCH: 从所有候选结果中找出K个最近邻结果。
HNSW通过一个随机函数，将所有的点划分到不同层次，越往上节点数越少，边越少。这种情况下节点和节点之间寻找最近邻居的距离也就越远。因此在从上到下检索的过程中，先通过长链接找到全局可能的最近节点，然后往下层以该节点为入口进一步做局部检索。
4. 总结
本文主要介绍了NSW和HNSW的算法原理。NSW算法基于六度分离理论将小世界的特性用于近邻检索，提出了基于图结构的检索方案。在NSW的基础上，HNSW利用多层的图结构来完成图的构建和检索，使得通过将节点随机划分到不同的层，从上层图到下层图的检索中，越往下层节点之间的距离越近, 随机性也越差，聚类系数越高。HNSW通过从上到下的检索，完成了NSW中长链接高速公路快速检索的作用，通过最后底层的近邻检索，完成局部最近邻的查找。
