可更新平衡索引用于大规模新鲜向量的稳定流式相似性搜索
数据库
2026-02-03 v1
摘要
随着人工智能的日益流行，向量成为信息检索和推荐等服务中最广泛使用的数据结构。近似最近邻搜索（ANNS）通常依赖于针对快速搜索优化的索引来组织大规模数据集，在这些流行服务中发挥核心作用。随着数据变化频率的增加，索引必须能够容纳新数据并支持实时更新。现有研究采用两种不同方法存在以下缺点：1）使用额外缓冲区临时存储新数据的做法因全局重建过程而资源密集且效率低下；2）升级内部索引结构的做法因更新拥堵和流式工作负载中的不平衡分布导致性能下降。本文提出UBIS（Updatable Balanced Index for stable streaming Similarity Search），通过调度并发更新解决冲突，并通过减少不平衡更新案例来保持良好的索引质量，当更新频率增长时。实验结果表明，在流式工作负载下，UBIS相较于最先进的索引平均实现了最高77%的搜索准确率提升和45%的更新吞吐量提升。
引用
@article{arxiv.2602.00563,
title = {Updatable Balanced Index for Stable Streaming Similarity Search over Large-Scale Fresh Vectors},
author = {Yuhui Lai and Shixun Huang and Sheng Wang},
journal= {arXiv preprint arXiv:2602.00563},
year = {2026}
}
备注
Accepted for publication in the 13th IEEE International Conference on Big Data (BigData 2025). To appear