这个问题的问题是＆＃34;任意度量＆＃34;。如果你不知道那是什么，它只是测量点之间距离的方法。 （在＆＃34;真实＆＃34;世界中，1维距离只是两点之间差异的绝对量值）。
足够的前肢。我试图找到具有这些属性的快速k最近邻算法：
维基百科提供了一系列算法和方法，但没有提供实施方案。
更新：度量是余弦相似度，不满足三角形不等式。但是，似乎我可以使用＆＃34;角度相似性＆＃34; （根据维基百科）。
更新：用例是自然语言处理。 ＆＃34;载体＆＃34;是＆＃34;上下文＆＃34;给定单词的，由二进制属性表示（例如：文档的标题）。因此虽然可能只有少数属性（现在我只使用3），但每个向量都有任意大的维度（在标题示例中，数据库中的每个标题都对应于向量中的维度）。 / p>
更新：对于好奇的，我实现了这个算法：
http://josquin.cs.depaul.edu/~mramezani/papers/IEEEIS.pdf
更新：算法需要从大约100个点找到大约十几个点的最近邻居。平均尺寸可能非常大，比如50，（我真的不知道）。是的，我对算法感兴趣，而不是图书馆。是的，估计可能还不够好。
答案 0 :(得分：1)
我建议你去寻找局部敏感的散列（LSH），这是现在的趋势。它降低了高维数据的维度，但我不确定你的维度是否适合该算法。有关更多信息，请参阅维基百科page。
您可以使用自己的指标，但通常可以在许多算法中执行此操作。希望这会有所帮助。
你可以选择RKD树，这是他们的森林，但现在这可能太多了。