Page 35 - 《软件学报》2026年第3期

998 软件学报 2026 年第 37 卷第 3 期

延迟十分关键.
(3) 高效的混合搜索处理方案
支持向量和关键词等结构化数据的复杂查询是向量数据库中十分关键的任务, 在实际中难以用向量表示一
切, 为了满足用户的需求, 向量数据库需要支持复杂的混合查询操作. 当前已有一些工作在这方面取得了进展, 如
基于图的方法结合了关键词搜索等, 未来需要进一步设计高效的混合搜索处理方案, 包括扩展查询优化器的能力,
设计统一的查询处理框架以原生支持各类查询算子, 构建高效的复合索引结构, 开发基于代价估计模型的查询优
化器以实现高效的执行计划等.
(4) 面向压缩数据的检索技术
通过压缩数据, 我们可以大幅度降低数据量, 从而突破内存的限制, 提升搜索性能. 当前已有一些工作在这方
面取得了一些进展, 如基于量化的方法等. 未来需要进一步研究高效的压缩技术, 针对不同的相似性度量函数构建
具有理论误差保证的量化方法, 以及根据数据的特点来设计高效的量化方法等. 进一步地, 如何在压缩数据的基础
上设计高效的索引结构是需要继续研究的关键问题.
(5) 近似最近邻搜索的理论研究
通过理论分析能够指导算法的设计. 当前的理论研究主要集中在基于 LSH 的方法上, 对于很多方法, 尤其是
基于图的方法缺乏足够的理论指导. 未来需要进一步研究不同计算模型下的近似最近邻搜索的理论, 精确刻画不
同方法的性能表现, 研究动态更新下的理论, 帮助评估连续更新下的图的搜索稳定性, 研究不同查询实例的难度评
估手段, 为设计稳定而高效的索引结构提供理论指导等.
5 总 结

向量近似最近邻搜索作为向量数据库的核心技术组件, 历经数十年发展已形成相对完善的方法体系, 相关研
究在理论与应用层面均取得显著突破. 尽管已有若干优秀综述系统梳理了该领域的早期进展, 但近年来随着人工
智能的发展, 向量检索得到更加广泛的应用, ANNS 技术呈现出新的发展态势. 本文基于前沿研究成果, 对当前
ANNS 技术进行系统性综述: 首先介绍了基本概念, 包含问题定义、相似度度量、数据类型等; 继而从 5 大类索引
组织方法来剖析主流索引结构; 进而从硬件加速、学习增强方法、距离比较操作优化、磁盘内存混合场景、数据
访问优化、分布式场景、混合查询场景和理论分析视角分类阐述最新的搜索优化成果; 最后对未来的研究方向进
行探讨和展望. 本综述旨在为向量搜索和向量数据库的研究和设计提供参考和借鉴.

References
[1] Wang JG, Yi XM, Guo RT, Jin H, Xu P, Li SJ, Wang XY, Guo XZ, Li CM, Xu XH, Yu K, Yuan YX, Zou YH, Long JQ, Cai YD, Li
ZX, Zhang ZF, Mo YH, Gu J, Jiang RY, Wei Y, Xie C. Milvus: A purpose-built vector data management system. In: Proc. of the 2021
Int’l Conf. on Management of Data. New York: ACM, 2021. 2614–2627. [doi: 10.1145/3448016.3457550]
[2] Guo RT, Luan XF, Xiang L, Yan X, Yi XM, Luo JG, Cheng QY, Xu WZ, Luo JR, Liu F, Cao ZS, Qiao YL, Wang T, Tang B, Xie C.
Manu: A cloud native vector database management system. Proc. of the VLDB Endowment, 2022, 15(12): 3548–3561. [doi: 10.14778/
3554821.3554843]
[3] Chen C, Jin CZ, Zhang YN, Podolsky S, Wu C, Wang SP, Hanson E, Sun Z, Walzer R, Wang JG. SingleStore-V: An integrated vector
database system in SingleStore. Proc. of the VLDB Endowment, 2024, 17(12): 3772–3785. [doi: 10.14778/3685800.3685805]
[4] Pan JJ, Wang JG, Li GL. Survey of vector database management systems. The VLDB Journal, 2024, 33(5): 1591–1615. [doi: 10.1007/
s00778-024-00864-x]
[5] Zhao WX, Zhou K, Li JY, Tang TY, Wang XL, Hou YP, Min YQ, Zhang BC, Zhang JJ, Dong ZC, Du YF, Yang C, Chen YS, Chen ZP,
Jiang JH, Ren RY, Li YF, Tang XY, Liu ZK, Liu PY, Nie JY, Wen JR. A survey of large language models. arXiv:2303.18223, 2025.
[6] Liu ZY, Wang PJ, Song XB, Zhang X, Jiang BB. Survey on hallucinations in large language models. Ruan Jian Xue Bao/Journal of
Software, 2025, 36(3): 1152–1185 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/7242.htm [doi: 10.13328/j.cnki.
jos.007242]
[7] Fan WQ, Ding YJ, Ning LB, Wang SJ, Li HY, Yin DW, Chua TS, Li Q. A survey on RAG meeting LLMs: Towards retrieval-