改善此算法的时间复杂度

我有N对字符串列表（第1组中的N到第2组中的N）需要通过Jaccard相似度与最接近的一对配对。这意味着我需要计算N ^ 2的距离，并为集合1中的每个元素获取最大相似度wrt set 2。

运行它的简单代码是

import numpy as np

def jaccard_similarity(a, b):
    intersection = set(a).intersection(set(b))
    union = set(a).union(set(b))
    return len(intersection)/len(union)

set_1 = [['Pisa','Tower','River','Tuscany'],['London','City','UK','England'],['Berlin','Germany','Munich']]
set_2 = [['Pisa','Arno','River','Tuscany','Florence','London','Tower'],['Germany','German','UBanh'],['London','City','UK','England','Europe']]

pairs = []

for vect_1 in set_1:
    dist = []
    for vect_2 in set_2:
        dist.append(jaccard_similarity(vect_1,vect_2))
    pairs.append(np.argmax(dist))

print(pairs)

我知道这具有O（N ^ 2）的时间复杂度，但是我想知道是否可能存在一些优化/启发式算法，以使平均情况更好。

同样，是否有关于代码本身可以优化的东西？

编辑：我修改了问题，使其更加精确。