本文介绍了推荐系统中用于计算相似度的几种方法，包括欧氏距离、余弦相似度、皮尔逊相关度和杰卡德相似度。这些方法在处理不同类型的数据（实数值、布尔值）时有不同的适用性。余弦相似度常用于文本和用户相似度计算，但对绝对值大小不敏感，而杰卡德相似度则适合处理布尔值数据。理解这些相似度计算方法对于构建有效的推荐系统至关重要。
相似度的本质
推荐系统中，推荐算法分为两个门派，一个是机器学习派，另一个就是相似度门派。机器学习派是后起之秀，而相似度派则是泰山北斗，以致撑起来推荐系统的半壁江山。
近邻推荐顾名思义就是在地理位置上住得近。如果用户有个邻居，那么社交软件上把邻居推荐给他在直观上就很合理，当然，如果邻居姓王的话，就不要推荐了。
这里说的近邻，并不一定只是在三维空间下的地理位置的近邻，在任意高维空间都可以找到近邻，尤其是当用户和物品的特征维度都很高时，要找到用户隔壁的邻居，就不是那么直观，需要选择好用适合的相似度度量办法。
近邻推荐的核心就是相似度计算方法的选择，由于近邻推荐并没有采用最优化思路，所以效果通常取决于矩阵的量化方式和相似度的选择。
相似度，与之配套的还有另一个概念就是距离，两者都是用来量化两个物体在高维空间中的亲疏程度的，它们是硬币的两面。
推荐算法中的相似度门派，实际上有这么一个潜在假设：如果两个物体很相似，也就是距离很近，那么这两个物体就很容易产生一样的动作。
如果两篇新闻很相似，那么他们很容易被同一个人先后点击阅读，如果两个用户很相似，那么他们就很容易点击同一个新闻。这种符合直觉的假设，大部分时候很奏效。</
订阅专栏 解锁全文
扫一扫
944
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
