Algorithm 如何在大量的向量中找到几个相似的向量？

假设有大量（如十亿）向量（如存储在数据库中）。所有向量都有相同数量的数值（例如，每个向量有100000个整数值）。有一个距离函数，告诉两个向量之间的距离（可能是简单的欧几里德，或更具体的东西）。大多数向量都非常遥远，但可能有几个组（例如，每个组大约1000个向量，但每个组的大小不同）彼此非常接近，甚至相似。哪种算法可以有效地找到这些组

---

层次聚类（聚合）应该能够找到这样一个数据集中的所有聚类。但我对整个集群不感兴趣。有没有办法限制搜索或使用不同的算法？

您能量化“彼此非常接近”的程度吗？如果是这样，那么如果向量的距离小于某个半径，则可以将其放置到簇中。用a来加速这个过程。我可以通过偏离的向量元素的最大数量来量化接近度。如果数据是完美的，则组的向量将（几乎）相同，即在元素比较中（几乎）向量的所有元素都相同（距离约为零）。不在同一组中的向量将有许多偏差（以及更大的距离）。我可以编写一个距离函数，如果超过5%的元素不同，它会有意返回一个高于预配置阈值的距离。