chapter2:提供推荐

一.相似度度量方法

1.欧几里得距离（euclidean）

　　对于两个n维向量A,B，

 

　　

2.皮尔逊相关度

　　皮尔逊相关度其实是协方差和标准差的商，即对于两个n维向量A,B，

　　

 

　　所以:

　　

　　皮尔逊相关度的取值范围是[-1,1],是两个样本集向量夹角的cosine值

3.jaccard相似度和广义jaccard相似度

　　对集合A和B，Jaccard相似度计算如下：

　　Jaccard（A, B）= |A intersect B| / |A union B|

　　相似度数值在[0, 1]之间，当A==B的时候，为1.

　　元素的取值只能是0或者1

　　

　　广义jaccard相似度，即Tanimoto系数，用EJ来表示。

　　EJ(A,B)=(A*B)/(||A||^2+||B||^2-A*B)

4.曼哈顿距离

　　平面上坐标（x1, y1）的i点与坐标（x2, y2）的j点的曼哈顿距离为

　　d(i,j)=|X1-X2|+|Y1-Y2|

二 两种推荐思路

1.基于用户的协同过滤（user_based collaborative filtering）

用户之间的相似度：通过用户对共同商品的评价计算

通过其他用户与要推荐用户的相似度对物品计算加权分值，排序之后推荐物品。

更易于实现，适用于数据规模较小且变化比较频繁的数据集

2.基于物品的协同过滤(item_based collaborative filtering)

物品相似度：通过购买商品的共同用户对它的评价来计算

通过物品的相似度对要推荐的用户对物品的打分进行预估计算，排序之后推荐商品。

适用于稀疏矩阵