近日，我院王洪亞老師課題組與華為公司合作的向量數據庫研究工作被CCF A類會議ICDE 2025接收，這也是該課題組在高維最近鄰搜索領域取得的系列重要進展之一。到目前為止，課題組已在數據庫和高維信息檢索的核心問題上取得了系列重要進展🖐🏻，發表了多篇CCF A/B類會議論文🏀👌🏻。

近年來🧲，大型語言模型（LLMs）得到快速的發展和應用💃🏿。為解決大模型幻覺的問題🟪，實際應用中普遍使用向量數據庫加大模型的檢索增強生成（RAG）技術為大模型提供外掛知識庫⏩，通過向量檢索獲取相應知識，提升大模型回答的準確性和時效性。目前許多商用向量數據庫系統如Milvus、Pinecone、Redis和ElasticSearch等都采用了分層可導航小世界網絡（HNSW）算法構建索引支撐高維向量相似度檢索。

圖1. LSG工作流程圖 

此次接受論文《Boosting Accuracy and Efficiency for Vector Retrieval with Local Scaling Graph》針對HNSW算法存在的精確度飽和與長尾查詢兩個性能問題，提出了一種全新的近似最近鄰索引框架——LSG（Local Scaling Graph）💠。LSG使用Local Scaling技術將原始空間中的點映射到隱式空間中🏄🏿‍♀️，然後在變換後的空間中構造接近圖，最後返回原始空間中執行標準圖遍歷來處理查詢🚺。實驗表明，在12個公開數據集上，LSG相比HNSW取得更高的查詢精度👨‍🦱，且查詢性能最多提升了兩個數量級🧜。目前🧎‍♂️，課題組正與華為公司合作將LSG實現在openGauss開源數據庫系統中。

圖2. LSG相對HSNW的加速比

ICDE是電氣與電子工程師協會（IEEE）舉辦的旗艦會議，與SIGMOD🏄🏻‍♀️、VLDB並稱數據庫三大頂會，也是中國計算機學會(CCF)推薦的A類國際會議🌯，主要聚焦設計🏠、構建、管理和評估高級數據密集型系統和應用等研究問題🌜，在國際上享有盛譽並具有廣泛的學術影響力👸🏿。