混合多模态图索引（HMGI）：集成关系查询与向量搜索的综合框架
数据库
2025-10-14 v1 机器学习
摘要
复杂多模态数据集的不断增长暴露了专业向量数据库与传统图数据库能力之间存在的关键性空白。虽然向量数据库在语义相似性搜索方面表现出色，但缺乏进行深层关系查询的能力。相反，图数据库在复杂遍历方面占据优势，但原生不针对高维向量搜索进行优化。本文引入了混合多模态图索引（Hybrid Multimodal Graph Index, HMGI），这是一种新型框架，旨在通过创建统一的系统来高效地对多模态数据执行混合查询。HMGI 利用 Neo4j 等原生图数据库架构和集成向量搜索功能，将近似最近邻搜索（Approximate Nearest Neighbor Search, ANNS）与表达式图遍历查询相结合。HMGI 框架的关键创新包括：针对嵌入的模态感知分区以优化索引结构和查询性能，以及一种用于支持动态数据摄入的自适应低开销索引更新系统，灵感来自类似 TigerVector 的体系结构原则。通过将语义相似性搜索直接与关系上下文集成，HMGI 旨在在复杂关系密集型查询场景中超越纯向量数据库如 Milvus，并实现混合任务的亚线性查询时间。
引用
@article{arxiv.2510.10123,
title = {The Hybrid Multimodal Graph Index (HMGI): A Comprehensive Framework for Integrated Relational and Vector Search},
author = {Joydeep Chandra and Satyam Kumar Navneet and Yong Zhang},
journal= {arXiv preprint arXiv:2510.10123},
year = {2025}
}