相似度的几种常见计算方法

相似度的计算现有的关于相似度计算的方法，基本上都是基于向量的，也即计算两个向量之间的距离，距离越近越相似。下面是几种常见的相似度计算方法。

1.杰卡德相似系数

Jaccard（杰卡德）相似性系数主要用于计算符号度量或布尔值度量的样本间的相似度。
Jaccard（杰卡德）系数等于样本集交集的个数和样本集并集个数的比值。

Jaccard（杰卡德）距离是用两个集合中不同元素所占元素的比例来衡量两个集合（样本）的区分度。

Jaccard系数主要的应用的场景有：
1).过滤相似度很高的新闻，或者网页去重
2).考试防作弊系统
3).论文查重系统

2.余弦相似度

是通过计算两个向量的夹角余弦值来评估他们的相似度。
如图，假设 = （x1,y1）， = （x2,y2）,则余弦相似度的计算公式为：

余弦相似度主要的应用的场景有：
1）推荐系统中的协同过滤
2）计算文本的相似性

3.通过距离计算相似度

二维空间中，假设 = （x1,y1）， = （x2,y2）
1）欧式距离

2）曼哈顿距离

以上的都为二位向量，多维的可进行类比。

4.皮尔逊相关系数

一般用于计算两个定距变量间联系的紧密程度。假设有两个变量X,Y，则它们之间的相关系数为：

最终计算出的相关系数的含义可以有如下理解：
1）当相关系数为0时，X和Y两变量无关系。
2）当X的值增大（减小），Y值增大（减小），两个变量为正相关，相关系数在0.00与1.00之间。
3）当X的值增大（减小），Y值减小（增大），两个变量为负相关，相关系数在-1.00与0.00之间。
当两个变量的标准差都不为零时，相关系数才有定义，皮尔逊相关系数适用于：
1）两个变量之间是线性关系，都是连续数据。
2）两个变量的总体是正态分布，或接近正态的单峰分布。
3）两个变量的观测值是成对的，每对观测值之间相互独立。