47.向量空间：如何实现一个简单的音乐推荐系统

音乐app推荐歌曲为什么符合你的口味？

1. 算法解析

核心思想非常简单、直白：

• 找到跟你口味偏好相似的用户，把他们爱听的歌曲推荐给你；
• 找出跟你喜爱的歌曲特征相似的歌曲，把这些歌曲推荐给你。

1.1基于相似用户做推荐

用“1”表示“喜爱”，用“0”笼统地表示“不发表意见”。
小明的和你的口味相近，共同喜爱的歌曲最多，有5首。

遍历用户，对比用户跟你喜爱歌曲的个数，设定一个阈值，超过这个阈值，就把这个用户喜爱，但你没听过的歌曲推荐给你。

如何判断用户喜爱歌曲的程度？通过用户的行为。

有上面的定义，你和小明喜爱的歌曲可能是这样的：

欧几里得距离

有喜爱程度表后，如何判断用户口味相似？ 就是欧几里得距离（Euclidean distance）。

欧几里得距离是用来计算两个向量之间的距离的。这个概念中有两个关键词，向量和距离。

类比一维、二维、三维的表示方法，K维空间中的某个位置，可以写作（$X_1$，$X_2$，$X_3$，…，$X_K$）。这种表示方法就是向量（vector）。

计算公式：

你和小明的距离最小，说明口味最接近。

1.2 基于相似歌曲做推荐

如何判断两首歌曲是否相似呢？

对歌曲定义一些特征项，比如是伤感的还是愉快的，是摇滚还是民谣，是柔和的还是高亢的等等。类似基于相似用户的推荐方法，我们给每个歌曲的每个特征项打一个分数，这样每个歌曲就都对应一个特征项向量。我们可以基于这个特征项向量，来计算两个歌曲之间的欧几里得距离。欧几里得距离越小，表示两个歌曲的相似程度越大。

人工标注，不可行，工作量大，且主观性比较强。

如果喜欢听的人群都是差不多的，那侧面就可以反映出，这两首歌比较相似。如图所示，每个用户对歌曲有不同的喜爱程度，我们依旧通过上一个解决方案中定义得分的标准，来定义喜爱程度。

针对每个歌曲，我们将每个用户的打分作为向量，来计算欧几里得距离。