ScaNN

概述

Google 开发的近似最近邻检索库，专为大规模推荐系统设计，提供速度和精度最优平衡的向量搜索能力。

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：ScaNN（Scalable Nearest Neighbors）是 Google 专门为大规模推荐系统优化的 ANN 库。相比通用 ANN 库，ScaNN 在大规模推荐场景下提供了更好的速度-精度权衡，支持 Anisotropic Vector Quantization 等高级算法。

3. 在推荐系统中的角色：与 Faiss 类似，ScaNN 用于在 双塔模型 产生的物品 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. 与现代检索技术的关系：当前的 ANN 检索技术（如 HNSW、IVF-PQ、ScaNN）已经比2016年时的方案在速度和精度上提升了数个量级。

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