Algorithm 用户相似性算法

假设我有以下关于用户的数据

User1: {location: "Topeka, KS", school: "University of Texas", interests: ["running"] }
User2: {location: "Austin, TX", school: "University of Texas", interests: ["knitting", "running"] }
User3: {location: "Topeka, KS", school: "University of Kansas" interests: ["kayaking"]}

根据这些信息，我正在编写一个匹配算法，将“最佳”用户配对在一起。有几个标准：

并非所有属性的权重都相等。比如说，“位置”比任何其他财产都要重要得多。在上面的例子中，尽管用户1和用户2共享两个属性（学校和“跑步”），但由于位置的高权重，用户1的最佳匹配仍然是用户3

该算法在大规模运行时，应具有相当高的性能。这意味着我希望避免将每个用户单独与其他用户进行比较。对于N个用户，这是一个O（N^2）操作。理想情况下，我希望开发某种“分数”，我可以单独为每个用户生成，因为这涉及到只在所有用户之间循环一次。然后，我可以找到其他得分相似的用户，并根据他们的得分确定最佳匹配

兴趣、地点、学校等的列表。。。没有提前知道。它们由外部API提供，可以是任何字符串

有没有任何已知的算法可以以这种方式优化配对

---

谢谢

在你的情况下，我会使用聚类算法，在你的标准上设置不同的权重。谢谢！只要快速浏览一下维基百科页面，就会发现至少有六种类型的集群算法，每种算法都有多种算法实现。关于我可以研究的更具体类型的聚类算法，有什么想法吗？再次感谢！我真的不知道哪一个最适合，因为我只使用了k-means算法。这可能是一个好的开始。我正在寻找类似问题的解决方案。希望你能找到解决办法？你能分享一下吗？谢谢在你的情况下，我会使用聚类算法，在你的标准上设置不同的权重。谢谢！只要快速浏览一下维基百科页面，就会发现至少有六种类型的集群算法，每种算法都有多种算法实现。关于我可以研究的更具体类型的聚类算法，有什么想法吗？再次感谢！我真的不知道哪一个最适合，因为我只使用了k-means算法。这可能是一个好的开始。我正在寻找类似问题的解决方案。希望你能找到解决办法？你能分享一下吗？谢谢