本文提出了一种称为 Poeem 的新方法，它采用了产品量化嵌入索引与深度检索模型联合训练的方法，将嵌入学习和索引构建两个步骤统一起来，从而提高了检索准确率，减少了索引时间，并公开了我们的方法以便于比较和重现。

May, 2021

本文探讨了二进制文档向量的性能及传统压缩技术的局限性，并提出了一个基于 GPL 的领域自适应策略，可在不需要标注训练数据的情况下，将 BPR 和 JPQ 调整适应任何语料库，提高了 nDCG@10 平均 11.6 - 19.3 分，并且仍保持了 32 倍的内存效率。

May, 2022

本文提出了可最小化储存空间的不同产品量化的压缩框架（DPQ），可以作为任何现有嵌入层的替代品，且降低了 14-238 倍的压缩率，以及在三个不同语言任务的 10 个数据集上表现良好。

Aug, 2019

该论文介绍了一种用于大规模图像检索的深度渐进量化模型，该模型学习逐步逼近视觉特征的量化码，并且可以同时训练不同码长的量化码，实现了优于现有技术的图像检索效果。

Jun, 2019

该研究提出了 Deep Product Quantization（DPQ）技术，通过学习二元表示，以图像检索和分类为例，具有与 Product Quantization 方法类似的计算复杂度和存储空间，并在多项检索和分类实验中取得了最新的卓越结果。

Nov, 2017

本研究提出了基于泛化乘积量化网络的半监督图像检索方案，通过设计新颖的度量学习策略提高量化网络的泛化能力，实现了对标记和未标记数据的充分利用，并在大规模图像基准数据集上展示了最先进的性能。

Feb, 2020

本文介绍了匹配导向的产品量化技术 (MoPQ) 及其训练目标 Multinoulli 对比损失 (MCL)，通过最小化 MCL 以最大化查询和真实关键字的匹配概率来提高检索准确性。同时，该技术通过可微的跨设备抽样 (DCS) 来大幅增加对比样本的数量以精确地近似 MCL。在四个真实数据集上进行的实验研究表明了 MoPQ 的有效性。

Apr, 2021

该论文提出了一种基于知识蒸馏框架的 Distill-VQ 算法，通过将密集的嵌入作为 “教师” 来预测查询与样本文档的相关性，并将 VQ 模块作为 “学生” 学习以复现预测的相关性，得出的检索结果可以完全保留密集嵌入的检索结果，从而使未标记的数据可以给出丰富的训练信号，无需标记数据的高质量向量量化，该算法在实践中具有很强的适用性。

Apr, 2022

RepCONC 是一种通过 CONstrained Clustering 学习离散文档表示形式来实现快速近似最近邻搜索的新型检索模型，它为量化建模提供了约束聚类方法，并在两个受欢迎的信息检索基准测试上展示了比竞争向量量化基线更好的排名效果。

Oct, 2021

本文提出了一种 PQTable 搜索方法，通过哈希表实现对 product-quantized codes 的快速搜索，相比线性 PQ 扫描可快 100 倍至 10 万倍，具高度的内存使用效率，无需手动设计参数设置和重要训练，从而成为一种实用和有效的方案。

Apr, 2017