简单的方法：

计算每个项目与目标特征规范之间的欧几里得距离。按距离排序。取前 50 个元素。

任意目标特征的快速方法：

由于您的参数是连续的，您可以使用网格间距定义 10 维特征空间的网格化$d_i,i=1,\ldots,10$. 通过划分特征值找到每个项目的网格坐标$x_i$由每个$d_i$并对结果发表意见。将具有相同网格坐标的项目合并在一起。接下来，对于您描述的每个目标特征，您可以以相同的方式快速计算其网格坐标，并从该单元格或其邻居中选择项目以快速找到您正在寻找的子集，而无需计算全部 500 万每次要指定要素时的（或许多）距离。

使用Kd 树。Python scipy 有一个快速的实现，见它的 文档。
Fwiw，我的 2.7 GHz iMac 上的运行时间：
$\quad$~ 23 秒在 10d 内构建具有 5M 随机点的树，柯西分布
$\quad$~ 500 毫秒查询 50 个点，每个点 5 个最近邻。

顺便查询$\|\|_{\infty}$的两倍快，250 毫秒。$\|\|_2$