问N维匹配算法

EN

如果你想为一个人找到最接近的匹配，Bentley & Shamos发表了一种多维的分而治之的方法:在O(N log N)时间内分而治之：Divide-and-conquer in multidimensional space发表在1976年第八届ACM年度计算理论研讨会论文集上。如果你找不到副本，this可能也会有帮助。

然而，对于您的示例应用程序，实际上找到最近的邻居似乎不是最大的问题-更棘手的是将输入映射到维度。例如，如果一个维度是“喜欢动物”，你对喜欢狗和猫但不能忍受马的人有什么价值？如果有人喜欢马，认为狗很好，被猫惹恼了，对金鱼感到矛盾，那该怎么办呢？

首先，选择你最熟悉的语言。处理这种情况的算法相当简单，应该适用于任何现代语言。(只要有一些数组的概念，并且有可能是一个矩阵库，就应该没问题。)我以前用C、C++和C#实现过很多这样的代码，但见过python、vb.net等语言的实现。

根据您正在尝试做的事情，有几种选择。

也就是说，你想做什么取决于你的目标。如果只想找到最佳匹配，可以使用简单的距离计算(即:n维数组中每个维度/属性的平方和的sqrt )，可以选择加权每个属性的距离，并使用最近的点。

如果你想把人们分组在一起，你会想看看clustering algorithms。对于这样的数据，我怀疑某种形式的K-Means聚类或模糊c-means聚类将是最好的。

下面的解决方案如何？

假设用户是U1、U2、U3、U4、U5....嗯。属性为A1、A2、A3、A4、A5.....上午

将这些存储为

A1 - U1，U2，U3...A2 - U4，U6，U7....A3 -

配置文件属性是索引并存储所有用户。现在，如果一个新用户来了，看看它的属性，对于这些属性，找到普通人。一个人出现在这些列表中的次数-更高的排名。