小红书精读:UniGraph: A Unified Graph-based Index for Dynamic Hybrid Dense-Sparse Vector Retrieval
混合检索别再建两个索引了🧩
各位算法同学们:混合稠密+稀疏检索现在基本还是“双路召回再重排”,但你想过没有——真正该排第一的 doc,可能在稠密和稀疏两路里都进不了前列,重排时压根没进候选集。蚂蚁这篇 UniGraph 想干的事就是:把多个 α 权重下的邻居合并进一张图,查询时带上 α 直接搜,索引不用重建。
📄 UniGraph: A Unified Graph-based Index for Dynamic Hybrid Dense-Sparse Vector Retrieval
🔧 α-cover 构图:在多个混合权重 α 下分别采样邻居集合,取并集后裁到固定出度 M,用一张有界度的图覆盖多个权重的邻域,切换 α 不需要重建索引,这是全文最关键的一步。
🧩 自适应入口点:根据查询的 α 决定从稀疏侧还是稠密侧引导进入图,让初始化与查询偏好对齐,避免固定入口在极端权重下多绕很多弯路。
⚙️ 稠密优先剪枝:先算稠密距离分量,再结合稀疏向量范数判断这次精确稀疏内积能否跳过,把大量不必要的稀疏距离计算省掉。
📊 五个真实数据集,混合权重设定下,Recall@100 ≥ 0.95 时 QPS 比最快基线高 27.6%~52.3%。
📈 固定权重场景下,QPS 达到最快基线的 1.18×~2.85×。
✅ 已在蚂蚁生产环境规模部署,线上确实存在 query 级动态权重的需求,不是纯实验品。
总结感想:如果你在做 RAG 或搜索的混合召回,而且 α 是随 query 变的,这套“一张图吃多个权重”的思路比双路各取一批再重排少一次检索,工程上值得借鉴。真要落地,先盯两件事:α 分布拉得很开(接近 0 或接近 1)时召回是否明显下降,论文主要报的是混合权重下的平均表现;以及多权重邻域合并后的构建耗时和内存占用。图的度分布会不均匀,这部分成本得先量出来,再决定是替换现有双路管线,还是只当作重排阶段的补充索引。

原文:AlphaXiv