聊聊推荐系统的相似度计算方法

个性化推荐系统的各种推荐算法中，大都会涉及用户或物品间的相似度计算，相似度计算方法也是推荐算法的核心之一，传统的推荐算法（如协同过滤、基于物品的推荐等）采用的相似度计算公式主要有：余弦夹角、欧氏距离、杰卡德系数和皮尔森相关系数等，那么这些方法具体有哪些差异，在推荐算法中该如何选择，下面将着重基于这两个方面进行分析说明。
1）余弦夹角 和 欧氏距离
在向量空间中，任意两点（设为A、B）间的关系可通过余弦夹角和欧式距离来衡量，其中余弦夹角衡量的是A和B在空间方向上的差异，欧式距离是A和B在空间位置上的差异。因此，两者的差异主要体现：
（1）欧氏距离从向量间的绝对距离区分差异，计算得到的相似度值对向量各个维度内的数值特征非常敏感，而余弦夹角从向量间的方向夹角区分差异，对向量各个维度内的数值特征不敏感；
（2）余弦夹角公式对向量进行了归一化处理，解决了向量个体间存在度量标准不统一问题产生的计算偏差；
（3）余弦夹角的值域区间为[-1,1]，相对于欧式距离的值域范围[0,正无穷大],能够很好的对向量间的相似度值进行了量化。
因此，在推荐系统场景下，推荐算法大都采用余弦夹角进行用户（或物品）的相似度计算。当然，欧氏距离能够体现个体数值特征的绝对差异，一般用于需要从维度的数值大小中体现差异的相关度分析（如从用户行为指标分析用户价值的相似度或差异）。
2）余弦夹角 和 皮尔森相关系数
皮尔森相关系数是用于衡量任意两个变量间线性相关程度的统计量，系数值