推荐系统的相关算法以及数学公式记录

皮尔逊相关系数

用于确定用户a和用户b的相似度
是使用协方差除以两个变量的标准差得到的。用于考察两个变量之间的相关程度。
如果有两个变量：X、Y，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。
相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
通常情况下通过以下取值范围判断变量的相关强度：
相关系数 0.8-1.0 极强相关
0.6-0.8 强相关
0.4-0.6 中等程度相关
0.2-0.4 弱相关
0.0-0.2 极弱相关或无相关

K最近邻算法（K-Nearest Neighbor）

是最基本的分类算法，基本原理是：从最近的K个邻居（样本）中，选择出现次数最多的类别作为判定类别
KNN模型有三个基本要素：距离度量，K值的选择，分类决策规则决定。

• 常用的距离度量是欧氏距离。
• k值越小，k近邻模型更复杂，容易发生过拟合。 k值越大，整体模型更简单。

Sigmoid函数

sigmoid函数也叫Logistic函数，用于隐层神经元函数，取值范围为（0，1），它可以将一个实数映射到（0,1）的区间，可以用来做二分类。在特征相差比较复杂不是特别大的时候效果特别好。

• 优点：平滑、易于求导
• 缺点：激活函数计算量大；反向传播时，很容易出现梯度消失的情况。