基于 C++ 的 VP 树（Vantage Point 树）实现，基于 Peter N. Yianilos 的“通用度量空间中最近邻搜索的数据结构和算法”（1993 年）

C#实现KD树建立，K近邻点搜索（采用BBF进行了K近邻搜索优化)

Embedding的近邻搜索是当前图推荐系统非常重要的一种召回方式，通过item2vec、矩阵分解、双塔DNN等方式都能够产出训练好的user embedding、item embedding，对于embedding的使用非常的灵活： 输入user embedding，近邻搜索item embedding，可以给user推荐感兴趣的items 输入user embedding，近邻搜搜user embedding，可以给user推荐感兴趣的user 输入item embedding，近邻搜索item embedding，可以给item推荐相关的items 然而有一个工程问题，一旦u

C#实现KD树建立，最近邻点搜索，采用BBF进行了K近邻搜索优化

针对高维特征向量存在的最近邻匹配正确率低的问题, 提出了一种基于SURF和快速近似最近邻搜索的图像匹配算法。首先用Fast-Hessian 检测子进行特征点检测, 并生成SURF特征描述向量; 然后通过快速近似最近邻搜索算法得到初匹配点对, 再对得出的单向匹配结果进行双向匹配; 最后采用鲁棒性较好的PROSAC算法进一步剔除误匹配点对。实验证明了该算法不仅提高了SURF算法匹配的正确率, 还保证了算法的实时性。