1. 什么是倒排索引？
传统的索引（正排索引）是：文档 -> 关键词列表。
例如：
-
文档1： {"我", "喜欢", "机器学习"}
-
文档2： {"我", "爱", "深度学习"}
而倒排索引 是：关键词 -> 文档列表。
-
"我"： {文档1， 文档2}
-
"喜欢"： {文档1}
-
"机器学习"： {文档1}
-
"爱"： {文档2}
-
"深度学习"： {文档2}
在搜索引擎中，这让你能快速找到包含某个关键词的所有文档。
2. IVF_FLAT 如何应用倒排索引？
在向量搜索的上下文中，IVF_FLAT 将这个概念从"关键词"迁移到了"聚类中心"。
它的工作流程分为两步：
第一步：索引构建（创建倒排索引）
-
聚类 ： 首先，使用 K-Means 等算法对整个向量数据集进行聚类，得到
nlist个聚类中心。例如，你有100万个向量，设置nlist为1000，就会得到1000个聚类中心。 -
分配向量到桶中 ： 对于数据集中的每一个向量，计算它与所有聚类中心的距离，并将其分配到距离最近的那个聚类中心所代表的"桶"中。
-
形成倒排列表 ： 现在，每个聚类中心（类似于"关键词"）都对应了一个列表，这个列表里包含了所有属于这个聚类的向量ID（以及向量本身）。这就是倒排索引。
-
聚类中心1 -> {向量ID_1, 向量ID_100, ...}
-
聚类中心2 -> {向量ID_5, 向量ID_3000, ...}
-
...
-
聚类中心1000 -> {向量ID_800000, ...}
-
第二步：搜索（使用倒排索引）
-
粗筛 ： 当来了一个查询向量时，系统计算它与所有
nlist个聚类中心的距离。 -
选择最相似的桶 ： 选择距离最近的
nprobe个聚类中心。nprobe是一个重要参数，比如nprobe=10，就意味着我们只查看与查询向量最相似的10个聚类中心对应的桶。 -
精细搜索 ： 将这
nprobe个桶中的所有向量（在FLAT中，就是原始向量）拿出来，与查询向量进行精确的距离计算（例如，计算欧氏距离或内积）。 -
返回结果： 最后，在这些被粗筛出来的候选向量中，找出距离最近的K个向量作为最终结果。
总结与类比
| 领域 | "关键词" | "文档列表" | 目的 |
|---|---|---|---|
| 文本搜索 | 单词（如"机器学习"） | 包含该单词的文档ID列表 | 快速定位相关文档，避免全表扫描 |
| 向量搜索(IVF) | 聚类中心 | 属于该聚类的向量ID列表 | 快速定位可能相似的向量，避免与全量向量计算距离 |
所以，IVF_FLAT 的本质就是：
-
IVF ： 代表了使用倒排索引 的聚类思想，用于快速缩小搜索范围，这是一种"粗粒度"的检索。
-
FLAT ： 代表了在缩小范围后，使用原始、未压缩的向量 进行精确计算，这是一种"细粒度"的比对。
正是这种结合，使得 IVF_FLAT 在大规模数据集上既能保证较高的召回率和精度，又能极大地提升搜索速度。如果没有倒排索引（IVF部分），每次搜索都需要进行"暴力扫描"，计算查询向量与数据库中每一个向量的距离，这在数据量巨大时是无法接受的。