在推荐和搜索场景下，召回recall是一个关键的步骤，这个步骤通常需要在海量的目标中，召回部分与用户特征相近的item，所以有一个快速，并且准去的算法是非常有必要的，HNSW(Hierarchical Navigable Small World)就是其中一种方法，当然HNSW也不止用于此。
对于召回的场景下，每个需要进行召回的item已经用户的特征都是多维的，在多个特征维度的空间中，找到与用户特征最相近的topK。所以召回的问题其实可以抽象化为在多维空间中，找到与某个点邻近的topK个点。
HNSW(Hierarchical Navigable Small World)翻译成中文为分级导航小世界，是基于图数据结构的搜索算法，将复杂问题转化成ANN，来解决此类问题。
ANN（Artificial Neural Network）人工神经网络。
NSW（Navigable Small World）
在HNSW之前提出的NSW是HNSW的基础，这个算法解决了邻近点搜索的基本问题。
比如我们现在将问题就从多维简化为二维，并且推荐item和用户都的当成一个点的话，那么我们的问题就可以简化为，二维平面中存在海量的点，我们收集到一个用户的特征，就相当于二维空间中给用户找到了他的坐标，那么我们现在要在这些海量的点中找出离用户坐标最近的topK，这就是问召回也就是NSW和HNSW要做的。
构建索引结构
首先，在插入用户特征点之前，我们要做的，就是将所有点与其向邻近的“友点”进行连接。这可以看做是所有item的索引，我们的召回匹配，需要在这个索引上进行。这个索引被称为是Delaunay graph，这种结构的特征就是组成的基本模块都是三角形。
在NSW中，实现Delaunay graph的索引的构建：
- 1.插入一个新点时，会先随机挑选一个节点，然后计算这个节点A和他“友点”到这个新节点的距离，并记录
- 2.如果距离最短的节点是节点A，那么就可以根据
m的数量（可以认为规定的topK)去连接相应的节点,如果友点数量不够,那么先连接节点A，然后将第二近的节点作为下一个节点，去计算距离，重复上面的过程，直到找到m的节点与新节点相连
高速公路
这样的连接其实是有一点小问题的，比如我们两个相距很远的节点A和E，因为插入的比较早，所以就算不是最近的，两点之间也有连线。
我们后面插入了新的节点在AE中间，P和Q，我们可以连接成A-P-C-E，如果没有A-E的话，我们随机点挑选在E，但是我们需要查找的点在A附近的话，我们需要从E-C-P-A要经过三次友点才能到达A，但是因为有AE的连线，我们可以直接从E到A，快速的找到A点附近，接近结果。
所以这个是构建必然会出现的一个情况，也是后续的一个缩短时间的一个工具。
构建索引的优化
- 最简单的就是每次遍历的时候，计算了两点间的距离，可以将两点的距离存起来，这样再遍历到这两点的时候就不用重复计算了。
- 可以并行的计算多个“友点”对目标点的距离，多线程优化
HNSW(Hierarchical Navigable Small World)
HNSW比NSW多了一个Hierarchical，也就是分级，这个分级我们看HNSW和跳表的结构就知道是个什么分级了
这个是HNSW的结构：
这个是跳表 的结构
其实HNSW的优化就是分多层，每层都是下一层的索引层。而越往上层的节点数越少，所以接近目标节点的速度就越快。
所以在召回的时候，我们将一个用户特征的新点加入HNSW的随机一层Li，然后还是从最高层开始搜索每一层与新点的邻近点，然后逐层下降，直到Li层，然后分别连接各层的邻近点。
