我已经使用余弦相似度构建了一个推荐引擎。当我想查找与数据集中已经存在的给定记录相似的所有记录时，它可以工作。考虑一个案例，用户输入一条相似度矩阵中不存在的新记录，为了找到并推荐相似的记录，我将新数据点添加到构建相似度矩阵的数据集中，然后选择相似的记录，有没有更好的处理这个问题的方法？
添加更多细节
data=["document1", "document2", "document", ... "documentN"]
count_matrix = count.fit_transform(data)
cosine_sim = cosine_similarity(count_matrix, count_matrix)
每次收到新数据点时，不要转换和计算整个余弦相似度矩阵，而是存储现有数据，每当获得新样本时，计算新样本与现有数据的余弦相似度。然后附加并存储它。
也就是说，您需要两个功能：
第一个函数 - 计算 N 个现有文档之间的距离矩阵，然后将其存储到 [N x N 矩阵]，还需要存储转换后的数据count_matrix。
第二个功能 - 当你得到一个新数据点时，计算一个新数据点与 count_matrix 中所有现有数据点的余弦相似度，并将新的 [1 x N+1] 列表附加到现有余弦相似度矩阵中。另外，更新count_matrix。之后，将两者都存储起来。
简单地说，不是创建 [N+1 x N+1] 矩阵，而是存储数据，当您有新数据时，计算 [1 x N+1] 并将其与现有矩阵组合并存储它。