近日，2026级博士生张铖（导师刘海坤教授）的论文“TwinGraph: A Dynamic Joint Graph Structure for Approximate Nearest Neighbor Search”被国际大型数据库大会（International Conference on Very Large Data Bases 2027，VLDB 2027）录用。

近似最近邻搜索（Approximate Nearest Neighbor Search，ANNS）是向量数据库和大语言模型检索增强生成（Retrieval-augmented Generation，RAG）系统的核心技术，但现有基于图的方法难以兼顾快速索引构建与高效搜索，且持续插入、删除数据的索引动态更新操作容易破坏图结构，导致搜索性能下降。为此，论文提出了动态联合图索引结构TwinGraph，通过协同维护用于搜索导航的图索引（Graph Index）与保存近邻关系的近似k近邻图（k-NN Graph），实现索引构建、搜索与动态更新的协同优化。在索引构建过程中，TwinGraph对两类图中各顶点的邻居列表进行迭代式交叉匹配，复用距离计算结果，使近邻发现与图剪枝相互促进，在加速构建的同时提高索引质量。在动态更新过程中，TwinGraph利用近似k近邻图识别受插入影响的近邻与反向近邻关系，补充必要连接并清理过时边；对于删除操作，则结合伪删除与快速图恢复机制，批量移除失效顶点并修复邻居关系，降低维护开销。在SIFT、DEEP和LAION的百万级与亿级共六个真实数据集上，实验结果表明，在相近召回率下，TwinGraph的搜索吞吐率达到对比方法的1.1-2倍，索引构建相较HNSW最高加速10倍。在亿级数据的动态更新实验中，其插入和删除吞吐率分别达到Wolverine++的2-3倍和1.7-1.9倍，并能在周期性图恢复后恢复初始搜索性能。该研究为大规模动态向量数据的高效检索与索引维护提供了新的方法。

VLDB是数据库与数据管理领域的国际顶级学术会议，也是中国计算机学会（CCF）推荐的A类会议，涵盖数据管理系统、数据库技术及相关应用等研究方向，该会议往年的论文录用率约为20%~25%。

（通讯员：张铖）