相似度计算以及相似度重要性

简介

在推荐系统里，有些场景下是需要推荐相似商品，从而可以更好的挖掘用户行为并且提升用户体验。这些情况下需要一些公式计算商品的相似度。

 

一、距离公式

1、曼哈顿距离

|X₁-X₂| + |Y₁-Y₂|

即每个纬度上距离的差的绝对值之和。

公式比较简单，因此计算起来速度应该是快的。

2、欧式距离

如果特征完好的情况下，曼哈顿距离和欧式距离还是比较合适的。

3、闵可夫斯基距离

把曼哈顿距离和欧式距离连起来，r=1为满汉顿距离，r=2为欧式距离。如果r越大则单项特征的影响越大。查了一些博客，有些人说曼哈顿和欧式距离可以计算用户评分相似性，比如用户U1，U2对电影A，B的评分为(U₁(A), U₁(B))和(U₂(A), U₂(B))，则把评分套入公式即可。

 

4、皮尔逊相关系数

皮尔逊相关系数用来计算变量之间的相似性。

 

5、余弦相似性

余弦相似性对距离不敏感，欧式距离对两特征间的距离敏感。

 

6、马氏距离

其中σ是协方差矩阵。

 

 

二、相似度重要性

加入相似度重要性的策略，这些策略的本质是一样的，当只有少量评分用于计算时，就会降低相似度重要性的权重

1、公式

Iuv为u和v用户共同评分的商品数，当I小雨给定的参数r时，他们的相似度w会收到与I成比例的惩罚

 

2、当能够根据常量的收缩权重的时候，可以使用公式

 

转载于:https://www.cnblogs.com/ylxn/p/10195993.html