本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

HNSW

HNSW(hierarchical navigable small world)は、近似最近傍探索のためのグラフベースのインデックスです。複数の層にわたってベクトルを近傍とつなぐので、検索は最も近い一致に向かって素早く移動できます。

別名: hierarchical navigable small world, HNSW index

執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法

HNSW は多くのベクトルデータベースのデフォルトのインデックスです。2016 年に最初に公開された論文で Malkov と Yashunin が説明したもので、高い再現率と高速なクエリを実現し、学習の手順も必要ないため人気があります。

仕組み

各ベクトルはノードになり、最も近い近傍のいくつかとつながります。グラフには複数の層があります。最下層にはすべてのベクトルがあり、上の層ほどランダムに選ばれた少ない部分集合だけを持つので、最上層はまばらで長いリンクを持ちます。検索は最上層から始まり、クエリに向かって貪欲に進み、1 つ下の層に降りて、より細かい歩幅で同じことを繰り返し、最下層に到達します。論文は、検索のコストが対数的に増えると報告しています。

住所を探すのに似ています。まず高速道路、次に幹線道路、それから脇道です。

よく見かける設定

主な調整項目は、各ノードが保持するリンクの数(よく M と呼ばれます)、グラフ構築時の探索の幅(ef_construction)、クエリ時の探索の幅(ef または ef_search)です。値を高くすると再現率が上がり、より多くのメモリや時間がかかります。自分のデータで検索の指標を見ながら調整してください。

限界

HNSW はグラフと、通常はベクトルもメモリに保持するため、大規模になると高くつきます。項目を削除するとグラフのつながりが弱まることがあり、厳しいメタデータフィルタリングと組み合わせると再現率が下がることがあります。ほかの近似最近傍探索のインデックスは、これらのコストのバランスの取り方が異なります。

関連用語

近似最近傍探索
近似最近傍探索(approximate nearest neighbor、ANN)とは、保存したすべてのベクトルを調べることなく、クエリに近いベクトルを見つける探索です。厳密に最良の一致を保証しない代わりに、大規模なコレクションではるかに速く検索できます。
ベクトルデータベース
ベクトルデータベース(vector database)とは、埋め込みを元のレコードとともに保存し、クエリのベクトルに最も近い保存済みのベクトルを見つけるデータベースです。数百万の項目にわたって検索を高速に保つため、通常は近似インデックスを使います。
ベクトル検索
ベクトル検索(vector search)とは、項目の埋め込みをクエリの埋め込みと比較し、最も近いものを返すことで項目を見つける方法です。共通のキーワードではなく意味で一致する結果が得られます。
メタデータフィルタリング
メタデータフィルタリングとは、日付、作成者、言語、アクセスグループなど保存された属性が指定条件に一致する項目だけに検索を絞り込むことです。ベクトルの類似度で順位付けするのと同時に、またはその前に行います。
検索の指標(recall@k、nDCG、MRR)
検索の指標とは、検索システムが関連する文書をどれだけうまく返すかを評価するものです。recall@kは上位k件に関連項目がいくつ含まれるかを確認し、nDCGはそれらを上位に並べることを評価し、MRRは最初の正解がどれだけ早く現れるかを測ります。

出典