如何在sklearn中找到多个节点的最近邻居？

所以基本上我正在开发一个推荐系统，其中用户可以选择多个电影（节点），并给出与用户选择的所有电影（节点）相似的推荐。

为了做到这一点，我需要同时找到这些多个节点的最近邻居，即结果应该接近node1 and node2。我怎样才能做到这一点？

X = [[0., 1., 0.], [1., 0., 1.]]

# consider neighbors to NearestNeighbors() instance
distances, indices = neigh.kneighbors(X)

此代码返回一个 2x2 数组，但我只想要一个同时最接近两个节点的索引列表。

你可以用以下方法来解决这个问题KDTree。这使用scipy，但是 scikit-learnKDTree https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KDTree.html很相似：

from scipy.spatial import KDTree
from scipy.spatial.distance import euclidean

tree = KDTree(X)

def midpoint(pnt1, pnt2):
    return np.array([(pnt1[0] + pnt2[0]) / 2, (pnt1[1] + pnt2[1]) / 2])

tree.query_ball_point(midpoint(p1, p2), euclidean(p1, p2) / 2)

解释：

(Left）想象一个点的二维空间，并且您想要找到与两个灰点最相似的点。 （Right）现在想象一下你可以画出一个长度-D连接两个灰点的线，为您提供一个新的中点m和一个具有直径的圆D去里面搜索。

我们可以建立一个KDTree我们的数据并查询它以查找某个位置附近的点。它可以泛化为处理单个点的最近邻居、3 个以上示例的中点，或者通过扩展查询半径来“软化”

完整代码:

import numpy as np
from scipy.spatial.distance import euclidean
from scipy.spatial import KDTree

X = np.array([[-0.750,-0.766,-0.546,-0.430,-0.0940,0.186,0.422,0.470,0.0780,-0.458,-0.214], [0.531,0.655,0.803,0.659,-0.421,-0.501,-0.477,-0.305,-0.121,0.403,0.183]]).T

tree = KDTree(X)

def midpoint(pnt1, pnt2):
    return np.array([(pnt1[0] + pnt2[0]) / 2, (pnt1[1] + pnt2[1]) / 2])

# Two points from our original data `X`
p1, p2 = X[8], X[9]

# Query the tree with the midpoint and radius (distance / 2) of p1, p2:
most_similar = tree.query_ball_point(midpoint(p1, p2), euclidean(p1, p2) / 2)

print(X[most_similar])   # `most_similar` is a list of indices
# [[-0.214  0.183]]      # Returns a point from our original X