1.一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：包括以下步骤：

步骤一、获取多个样本数据集，对多个样本数据集进行分别进行特征提取，得到多个向量数据集；多个向量数据集组成集合V；

步骤二、对集合V中的每个向量数据集分别构建k近邻图；对每个k近邻图均设置多组近邻图参数配置，构建近邻图索引；获取每个近邻图索引对应的性能指标；构建训练集，训练集包括多个样本，每个样本包括向量数据集、k近邻图及其参数配置和性能指标；

步骤三、建立近邻图索引自动构建模型；近邻图索引自动构建模型包括特征提取器模块和参数性能预测模块；特征提取器模块提取并融合向量数据集和k近邻图的特征，作为特征提取器模块的输出；参数性能预测模块的输入为特征提取器模块的输出和参数配置的拼接结果；参数性能预测模块的输出为预测的性能指标；

步骤四、使用步骤二构建的训练集对近邻图索引自动构建模型进行训练；

步骤五、根据训练后的近邻图索引自动构建模型，获取查询数据集对应的样本数据集的最优预测性能指标；选取最优预测性能指标对应的参数配置生成近邻图索引；对查询数据集进行向量化后，在生成的近邻图索引上进行近邻检索。

2.根据权利要求1所述的一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：所述的特征提取器模块包括自注意力机制特征提取模块和图卷积神经网络；自注意力机制特征提取模块用于对向量数据集进行特征提取；图卷积神经网络用于对k近邻图进行特征提取。

3.根据权利要求1所述的一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：所述的参数性能预测模块采用多层感知机。

4.根据权利要求1所述的一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：所述的样本数据集为图像数据集或文本数据集；图像数据集中的图像采用卷积神经网络进行特征提取，得到图像向量；文本数据集中的文本采用预训练语言模型获取文本向量。

5.根据权利要求1所述的一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：所述的性能指标包括召回率、每秒处理的查询数量和距离计算次数。

6.根据权利要求1所述的一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：所述的近邻图参数配置包括近邻图索引类型、最大邻居个数、最近邻数量和构图时的候选集大小。

7.根据权利要求6所述的一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：所述的设置多组参数配置的方法为：枚举近邻图索引类型、最大邻居个数、最近邻数量和构图时的候选集大小的不同组合。

8.根据权利要求1所述的一种基于近邻图索引自动构建的最近邻检索方法，其特征在于：所述的步骤四，近邻图索引自动构建模型的损失函数loss(x,y)的表达式为：；

其中，xi为近邻图索引自动构建模型的输入；yi为真实性能；f(xi)为近邻图索引自动构建模型预测的性能；n为输入模型中参数配置的组数。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述存储器存储计算机程序；所述处理器执行如权利要求1-8中任意一项所述的一种基于近邻图索引自动构建的最近邻检索方法。

10.一种可读存储介质，存储有计算机程序；其特征在于：所述计算机程序被处理器执行时用于实现如权利要求1-8中任意一项所述的一种基于近邻图索引自动构建的最近邻检索方法。