据我所知，目前还没有现成的数据库支持非（2| 3）D空间索引，但你可以在应用层中实现自己的索引。
一般来说，你希望有一个高效的N维最近邻搜索算法，如下所示：

• 时间复杂度为O（log N）
• Geohash

但这两个都是相当棘手的正确实施。

我相信没有一个提到的数据库会给你给予你所需要的，特别是你拥有的数据量，我建议使用Solr，我有类似的情况和Solr是最好的解决方案。

Elasticsearch为多达2048个特征的向量提供了开箱即用的余弦相似度函数（使用“密集向量”数据类型）。我现在正在使用它，它适用于具有数十万个向量的数据集。

2023更新的问题：Cassandra现在是一个很好的替代这个需要.它被创建来处理大量的数据.你可以尝试它与DataStax Astra.只需创建一个免费的帐户，并运行它.
创建DB后，您可以像这样创建表：

CREATE TABLE IF NOT EXISTS my_table (
    id UUID,
    embedding vector<float, 100>,
    PRIMARY KEY (id)
)

字符串
然后，你需要创建一个索引：

CREATE CUSTOM INDEX IF NOT EXISTS IX_my_table 
    ON my_table(embedding) USING 'org.apache.cassandra.index.sai.StorageAttachedIndex' 
WITH OPTIONS = { 
     'similarity_function': 'dot_product'
     };

型
您可以选择其他指标：余弦，欧几里德或点积。
然后，在加载数据后，您可以使用以下命令进行查询：

SELECT id, similarity_dot_product(embedding,:my_vector) AS similarity
FROM my_table
ORDER BY embedding ANN OF :my_vector
LIMIT 10

型
其中：my_vector是一个100维的向量，我们希望从中找到10个最相似的对象。