如何查找对应的 SSTable 文件
通过分层架构管理SSTable，Level 0逐个查找，Level 1起每层范围不重叠，可二分定位目标文件。查询逐层下沉，直至找到元素或结束，显著提升检索效率。
如何使用聚类算法进行相似检索？
利用聚类算法构建倒排索引，可高效实现相似检索。先将数据划分为若干聚类（如1024个），以聚类ID为Key建立索引。查询时，定位最近聚类，通过索引获取候选集并计算距离，返回Top K结果。针对候选过多或过少，可采用层次聚类细化划分，或扩展至次近聚类补充检索，提升效率与准确性。
如何使用乘积量化压缩向量？
乘积量化通过将高维向量划分为多个低维子空间，对每个子空间聚类并用聚类ID表示子向量，大幅压缩存储空间。例如，1024维向量可分段聚类，用32比特替代原始4KB空间，压缩率达1/1024，显著提升内存加载与检索效率。
SimHash 是怎么构造的？
SimHash是Google提出的局部敏感哈希算法，通过普通哈希函数为关键词生成哈希值并保留权重信息。将关键词哈希值转为±1向量，乘以权重后按位相加，最终正负判断生成0/1指纹。该方法简化了高维空间划分，保留关键词重要性，使相似文档生成相近哈希值，广泛应用于去重与相似性检测。（238字）
聚类算法和局部敏感哈希的区别？
聚类算法与局部敏感哈希均用于高维数据相似检索。局部敏感哈希通过哈希函数降维，速度快但精度低，适合表面特征匹配；聚类算法（如K-Means）保留高维特征，按距离划分簇，类内紧凑、类间分离，更适用于语义相似性检索，精度更高，但计算开销较大。两者权衡在于速度与准确性的取舍。
非精准 Top K 检索如何实现？
非精准Top K检索通过离线计算静态质量得分（如PageRank）并预先排序，实现在线快速截断。倒排索引的posting list按质量分降序排列，多关键词查询时通过归并排序高效获取Top K结果，大幅降低在线计算开销，适用于对相关性要求不高的场景。
如何使用概率模型中的 BM25 算法进行打分？
BM25是一种基于概率模型的文本相关性打分算法，可视为TF-IDF的升级版。它综合考虑词频（TF）、逆文档频率（IDF）、文档长度及查询词频，并引入非线性增长与饱和机制。通过参数k1、k2和b调节词频权重、文档长度影响和查询词权重，使评分更精准。广泛应用于Elasticsearch、Lucene等搜索引擎中。
如何使用机器学习来进行打分？
机器学习通过加权融合多种打分因子（如网站权威性、用户行为等）自动学习最优权重，结合Sigmoid函数将得分映射到(0,1)区间，衡量相关性。常用模型包括逻辑回归、梯度提升树及深度神经网络，相比人工规则更高效精准。
经典的 TF-IDF 算法是什么？
TF-IDF是衡量词与文档相关性的经典算法，由词频（TF）和逆文档频率（IDF）相乘得出。TF反映词在文档中的重要性，IDF体现词的区分度。词频越高、文档频率越低的词，权重越大。通过累加各词项的TF-IDF值，可计算查询与文档的整体相关性，广泛应用于搜索引擎排序。
