标题相似度算法_推荐算法入门（1）相似度计算方法大全

一.协同过滤算法简介

在推荐系统的众多方法之中，基于用户的协同过滤是诞最早的，原理也比较简单。基于协同过滤的推荐算法被广泛的运用在推荐系统中，比如影视推荐、猜你喜欢等、邮件过滤等。该算法1992年提出并用于邮件过滤系统，两年后1994年被 GroupLens 用于新闻过滤。一直到2000年，该算法都是推荐系统领域最著名的算法。

当用户A需要个性化推荐的时候，可以先找到和他兴趣详细的用户集群G，然后把G喜欢的并且A没有的物品推荐给A，这就是基于用户的协同过滤。

根据上述原理，我们可以将算法分为两个步骤：

1. 找到与目标兴趣相似的用户集群

2. 找到这个集合中用户喜欢的、并且目标用户没有听说过的物品推荐给目标用户。

二、常用的相似度计算方法

下面，简单的举例几个机器学习中常用的样本相似性度量方法：欧式距离(Euclidean Distance)

余弦相似度(Cosine)

皮尔逊相关系数(Pearson)

修正余弦相似度(Adjusted Cosine)

汉明距离(Hamming Distance)

曼哈顿距离(Manhattan Distance)

1、 欧式距离(Euclidean Distance)

欧式距离全称是欧几里距离，是最易于理解的一种距离计算方式，源自欧式空间中两点间的距离公式。平面空间内的

与

间的欧式距离：

2. 三维空间里的欧式距离：

3. Python 代码简单实现：

def EuclideanDistance(x,y):

d = 0

for a,b in zip(x,y):

d += (a-b)**2

return d**0.5

4. 使用 numpy 简化：

import numpy as np

def EuclideanDistance(dataA,dataB):

# np.linalg.norm 用于范数计算，默认是二范数，相当于平方和开根号

return 1.0/(1.0 + np.linalg.norm(