相似向量的召回是推荐系统中召回阶段中非常重要的一个步骤，便利所有向量的召回方法性能太差，KD树先对向量空间进行了切分，只需要检索部分向量空间就可以获得检索结果，大大加快了检索效率。
如果实例点是随机分布的，kd树的时间复杂度是O(logN)
KD 树的构造
1. 选择切分向量空间的维度，常用的有两种方法：
（1）按顺序选择切分维度，第一次选第1维，第二次选择2维，第n次选择n%k维，k维向量总维度
（2）寻找方差最大的维度（每个维度选择次数要一致）
2. 选择切分节点，一半是把该维度数据中位数作为父节点，小于该节点的落入左子树，大于该节点的落入右子树
重复上面1，2步，直到叶子节点只包含一个实例
例子
KD树检索方法
1. 输入一个查询节点，首先在KD树中找到包含该节点的叶子节点
2. 以此叶节点作为“当前最近节点”
3. 递归的进行以下操作：
a. 回退到父节点，如果该节点保存的实例点比当前最近点距离目标更近，这更新当前最近点为该节点。
b. 判断该节点的另一个子节点对应的区域是否和以查询点为球心，以查询点和当前最近点之间的距离为半径的超球体相交。如果相交，可能在该子节点内存在距查询点更近的节点，需要进入该子节点检索。否者继续向上回退。
c. 当回退到根节点时检索结束。
例子
标签：总结,检索,KD,切分,维度,节点,向量 来源： https://www.cnblogs.com/xumaomao/p/15026769.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。