推荐算法-欧几里得距离
Posted wjh123
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了推荐算法-欧几里得距离相关的知识,希望对你有一定的参考价值。
一、欧几里得距离
用来记录两个向量之间的距离。
欧氏距离越小,两个用户相似度就越大,欧氏距离越大,两个用户相似度就越小。
二维空间的公式: 其中, 为点 与点 之间的欧氏距离; 为点 到原点的欧氏距离。
三维空间的公式:
n维空间的公式:
二、闵可夫斯基距离
当p=1时,即为曼哈顿距离;
当p=2时,即为欧几里得距离
当 时,即为切比雪夫距离
三、实现一个简单的音乐推荐系统
1、基于相似用户做推荐
跟你听类似歌曲的人,看作口味相同的用户。
- 通过用户的行为来定义对歌曲的喜爱程度,给每个行为定义一个得分,得分越高表示越喜爱:
- 每个人对歌曲的喜爱程度表示为如下:
- 通过欧几里得距离来计算两个向量之间的相似度
你:(5,3,3,0,-1,2,5,4,1,-1)
小明:(4,5,2,1,0,3,2,0,1,1)
2、基于相似歌曲做推荐
新用户还没收集足够多的行为数据,则基于相似歌曲进行推荐。
基于歌曲特征项计算相似度,我们可以对歌曲定义一些特征项【伤感、愉快、摇滚、民谣、柔和、高亢】
人工给每首歌每个特征项打分,工程浩大,存在个人主观性,影响推荐的准确性,不可行。
那么通过什么数据来量化两个歌曲的相似程度?
对于两首歌,如果喜欢听的人群都是差不多的,就可以侧面反映出这两首歌比较相似。
以上是关于推荐算法-欧几里得距离的主要内容,如果未能解决你的问题,请参考以下文章