🤖 AI 应用工程ID:
product-quantization-pqPQ 乘积量化与码本聚类
Product Quantization (PQ)
🎯核心定义
乘积量化 (Product Quantization, PQ) 是一种基于正交子空间划分的有损向量压缩算法；它将 维向量空间切分为 个相互正交的低维子空间（每段维度 ），在每个子空间内独立运行 K-Means 聚类生成 个质心并构建局部码本 (Codebook)；原始向量各段被替换为其最邻近质心的 8 位索引 (1 Byte)，从而将 维向量紧凑压缩为仅 字节的代码。
💡使用场景
亿级至十亿级超大规模向量检索系统的核心存储与预过滤，如 Faiss IVF-PQ、Milvus/DiskANN 的内存与磁盘索引压缩。
⚡解决的核心痛点
传统标量量化压缩比极限通常为 4x~8x；PQ 通过子空间联合分布聚类，可将 1536 维 FP32 向量（6144 字节）压缩至 字节，实现高达 96x 的显存/内存压缩，使十亿规模向量检索在单机内存中运行成为可能。
🎯5 个高频面试考点 (Exam Points)
1
详细推导 PQ 乘积量化的参数选择（ 子空间数、 码本聚类中心数）对压缩比与重建误差的影响？
2
为什么在 PQ 训练前对向量进行 OPQ (Optimized Product Quantization) 正交旋转可以大幅减少量化误差？
3
1024 维 FP32 向量在 设置下，单条向量被压缩为多少字节？理论内存压缩比是多少？
4
比较对称距离计算 (SDC) 与非对称距离计算 (ADC) 在 PQ 检索中的距离精度与计算开销差异？
5
残差量化 (Residual Vector Quantization, RVQ) 是如何在 PQ 基础上进行多级级联量化以提升召回率的？
📖 关联深度指南:📄 vector-databases-and-hnsw →
更新于 2026-08-14🎯
🚀 开始本考点专项刷题 ➔检验攻克程度：针对「PQ 乘积量化与码本聚类」专属刷题排雷
做单选排雷题、推导选项机制，答错自动收录进专属错题本。