构建项集相似度矩阵时半区遍历避免重复比对的高效算法实现

核心逻辑是利用相似度矩阵的天然对称性，从遍历源头直接限定上三角/下三角半区的索引范围，既消除双向重复计算的冗余，也完全不需要额外的状态判断开销，整体计算量直接降为朴素双层遍历方案的一半。

基础通用实现 #

最无侵入的实现方式是调整内层循环的起始索引，让每次遍历的索引对(i,j)都满足i < j（对应上三角半区），从根源上不会触碰到已计算过的对称位置(j,i)：

item_count = len(items)
# 初始化矩阵，对角线为元素自相似值，可根据业务规则调整
sim_matrix = [[0.0] * item_count for _ in range(item_count)]

for i in range(item_count):
    sim_matrix[i][i] = 1.0
    # 内层循环从i+1位置开始，永远不会走到已计算的对称位置
    for j in range(i + 1, item_count):
        current_sim = calc_sim(items[i], items[j])
        # 单次计算后直接同步赋值两个对称位置，后续读取无需重复计算
        sim_matrix[i][j] = current_sim
        sim_matrix[j][i] = current_sim

方案对比优势 #

• 无无效遍历开销：总循环次数为item_count * (item_count - 1) / 2，相比带if sim[B][A]: continue的版本，直接砍掉了一半的无效循环、数组查值判断开销
• 缓存友好：顺序连续遍历矩阵半区元素，内存命中率更高，整体运行效率优于带随机跳转判断的实现
• 逻辑简洁：没有隐式的状态依赖，代码可读性、可维护性更强

变体优化：如果业务不需要保留完整的n*n矩阵结构，可跳过对称位置的同步赋值，直接将计算结果存入一维半区数组，进一步降低内存占用，对应的遍历索引逻辑完全不需要改动。

之前尝试的带判断跳过的实现，本质仍完成了全矩阵的双层遍历，仅在计算环节做跳过，循环开销并没有实质降低，和当前方案相比效率差距会随元素规模增大逐步放大。

内容的提问来源于stack exchange，提问作者dcsan