Faiss

概述

Facebook 开源的向量检索库，提供高效的近似最近邻搜索算法，是推荐系统候选生成阶段的核心检索基础设施。

关键内容

1. 与 YouTube DNN 的关系：Deep Neural Networks for YouTube Recommendations 中"训练时用 softmax，服务时用 ANN 检索"的思路，直接推动了向量检索技术在推荐系统中的广泛应用。Faiss（Facebook）、ScaNN（Google）、Milvus、Pinecone 等向量数据库和检索库的兴起，都与这一范式的流行密切相关。

2. 核心能力：支持多种 ANN 算法（IVF-PQ、HNSW、Flat 等），可在 CPU 和 GPU 上运行，支持数十亿级别的向量检索。提供了从精确搜索到各种近似搜索的完整方案谱系。

3. 在推荐系统中的角色：在 双塔模型 产生用户和物品 embedding 后，Faiss 用于在物品 embedding 空间中快速找到与用户 embedding 最近的 Top-N 个物品，是 候选生成 阶段的核心检索组件。

4. 性能：相比传统的精确最近邻搜索（O(V)），Faiss 的 ANN 算法能在亚线性时间内完成检索，同时保持较高的召回率。

来源

• 07-youtube-dnn.md — Deep Neural Networks for YouTube Recommendations 深度解读

相关

• Deep Neural Networks for YouTube Recommendations — 推动 Faiss 等向量检索库兴起的范式
• 近似最近邻检索 — Faiss 实现的核心技术
• 双塔模型 — 产生 embedding 的模型架构
• ScaNN — Google 的同类竞品
• Embedding — Faiss 检索的输入