我有一组 300.000 个左右的向量，我想以某种方式进行比较，给定一个向量，我希望能够找到我想到的三种方法中最接近的向量。
我真的不明白什么时候做一个而不是另一个有用。我的数据有很多零元素。考虑到这一点，对于这三种方法中哪一种最好，是否有一些一般的经验法则？
抱歉，这个问题很弱，但我必须从某个地方开始......
谢谢！
【问题讨论】：
标签： probability euclidean-distance cosine-similarity
如果您的向量本质上非常稀疏并且它们是二元的，则可以使用 Hamming 或 Hellinger 距离。当你的向量维度很大时，避免使用欧几里得（参考http://en.wikipedia.org/wiki/Curse_of_dimensionality）
请参阅http://citeseerx.ist.psu.edu/viewdoc/download?rep=rep1&type=pdf&doi=10.1.1.154.8446 了解距离/相似性度量的调查，尽管本文将其限制为一对概率分布。
【讨论】：
您的问题不太清楚，您是在寻找向量之间的距离度量，还是寻找有效找到最近邻居的算法？
如果您的向量仅包含数字类型，例如双精度数或整数，您可以使用 kd-tree 等结构有效地找到最近邻。 （因为您只是在查看 d 维空间中的点）。其他方法见http://en.wikipedia.org/wiki/Nearest_neighbor_search。
否则，选择距离度量和算法在很大程度上取决于向量的内容。
【讨论】：