衡量两个向量的距离

• nA, inB 对应的是 列向量

1. 欧氏距离：指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。二维或三维中的欧氏距离就是两点之间的实际距离。
   • 相似度= 1/(1+欧式距离)
   • 相似度= 1.0/(1.0 + la.norm(inA - inB))
   • 物品对越相似，它们的相似度值就越大。
2. 皮尔逊相关系数：度量的是两个向量之间的相似度。
   • 相似度= 0.5 + 0.5*corrcoef() 【皮尔逊相关系数的取值范围从 -1 到 +1，通过函数0.5 + 0.5*corrcoef()这个函数计算，把值归一化到0到1之间】
   • 相似度= 0.5 + 0.5 * corrcoef(inA, inB, rowvar = 0)[0][1]
   • 相对欧氏距离的优势：它对用户评级的量级并不敏感。
3. 余弦相似度：计算的是两个向量夹角的余弦值。
   • 余弦值 = (A·B)/(||A||·||B||) 【余弦值的取值范围也在-1到+1之间】
   • 相似度= 0.5 + 0.5*余弦值
   • 相似度= 0.5 + 0.5*( float(inA.T*inB) / la.norm(inA)*la.norm(inB))
   • 如果夹角为90度，则相似度为0；如果两个向量的方向相同，则相似度为1.0。