基于pearson（皮尔逊）相似度的用户推荐算法

最近因为写一些数据分析报告，把写博客的进度耽误了一点，不过不要紧，我最近优化了一下做出的推荐算法，用pearson相似度替换了欧氏距离相似度，优化了推荐算法代码，另外将700多个用户的推荐投资品循环计算了。

先说一下pearson相似度：

pearson相似度与欧式距离相似度的最大区别在于它比欧式距离更重视数据集的整体性；因为pearson相似度计算的是相对距离，欧式距离计算的是绝对距离。

就实际应用来说，有不同量纲和单位的数据集适合使用pearson相似度来计算，相同量纲和单位的数据集适合使用欧氏距离。

因为目前我使用的数据集都是投资者与投资品的匹配关系，量纲是相同的，所以使用pearson相似度计算的推荐结果与欧式距离计算的推荐结果是一致的。

好了，言归正传，我们来看一下pearson相似度的真面目吧，实际项目中代码如下：

#pearson相似度算法，按行计算与其他用户的相似度矩阵
PearsonDistanceSimilarity<-function(M){
  row<-nrow(M)
  s<-matrix(0, row, row)
  for(z1 in 1:row){
    for(z2 in 1:row)
      try({if(z1!=z2){
        s[z1,z2]<-cor(M[z1,],M[z2,])
        }
        else {s[z1,z2]<-0}
      },silent = T)
  }
  s
  }