本文介绍了基于邻域的协同过滤算法中Item(User)相似度的计算方法，包括传统机器学习模型中的KNN距离度量方法及cosine度量方法，并探讨了相似度计算在推荐系统中的应用。
最近天气有点热，三伏天得了空调病，最后发现是颈椎引起的问题，期间还拔了颗顽固的智齿，也算是一波三折了。
这次介绍Item(User)相似度的计算方法，其广泛运用于基于邻域的协同过滤算法的推荐系统。简而言之，基于邻域，就是基于相邻的元素进行推荐，而相邻元素的得到过程就是相似度的计算过程。
对于空间上的点来说：传统机器学习模型中KNN的距离度量方法（如欧式距离等），距离越近的点我们把他们归为一类，也可以说他们更相似。
对于空间上的向量来说：方向更相同，向量越相似，这就是cosine度量方法的原理。
问题来了，我们得到不同物品/用户的相似度有什么用呢❓
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
