前文介紹了協同過濾演算法和基於內容的推薦演算法
協同過濾演算法要求要有很多使用者，使用者有很多操作
基於內容的推薦演算法使用者可以不用很多，但是使用者的操作也要有很多
但是，如果要推薦給新使用者（使用者的操作不多），應該要怎樣推薦呢？這裡就要用到相似性推薦了
問題轉化為，如何用一種通用的方法，表達item之間的相似性。
1.找到使用者瀏覽過的某電影
2.定義這些電影的具體內容，假設我們以為維度來定義（這點跟基於內容的推薦演算法一樣）
3.對每個維度設立權值，並且對於同個key不同的value直接設定不同的分數（且稱為相似度評分吧），例如：
我們認為，權值分配是（維度後面跟的是權值）
假設使用者瀏覽過的電影男主為男主1，而另一部電影，假設男主也是男主1，則男主項得10*3分；假設是男主2，則得8*3分；是男主3，則得5*3分，以此類推
具體的權值和值與值之間的分數可以自己定
4.基於步驟3，拿到分數最高的電影，即為要推薦的電影
具體再看一下
（1）找使用者瀏覽過的電影，假設為電影a
（2）定義這些電影的具體內容，假設定為
（3）對每個維度設立權值，並且對於同個key不同的value直接設定不同的分數
為簡單起見，假設我們所取的維度+權值為，
假設所有的維度裡，滿分都為10（即值相同記為10分）
型別1和型別2相似度評分為8分
型別1和型別3的相似度評分為2分
男主1和男主2的相似度評分為9分
男主1和男主3的相似度評分為8分
（4）拿到分數最高的電影
假設我們待推薦的電影只有2部（實際當然不可能），
電影b：
電影c：
電影b的推薦評分大於電影c的推薦評分，所以給使用者推薦電影b
相似性推薦，原理大致如上，要說明的是：
（1）由於沒有使用者歷史行為積累，不是個性化推薦，所以所有使用者的推薦結果都是相同的
（2）一般來說，距離公式確實是線性的
（3）一般來說，每個維度的權重不一樣
（4）這個線性公式，以及維度的權重，都可以通過機器學習訓練出來
參考文章：
推薦演算法之相似性推薦
前文介紹了協同過濾演算法和基於內容的推薦演算法 協同過濾演算法要求要有很多使用者，使用者有很多操作 基於內容的推薦演算法使用者可以不用很多，但是使用者的操作也要有很多 但是，如果要推薦給新使用者 使用者的操作不多 應該要怎樣推薦呢？這裡就要用到相似性推薦了 問題轉化為，如何用一種通用的方法，表達it...
相似性度量
二元向量的相似性度量 每一維都少的資訊量，主要是0,1等有 or 沒有屬性 dice 2 x y x y 2保證 0,1 維數不一致時，差別大。jaccard x y x y 交疊程度小時，值較低 交疊係數 x y min 互相之間的包含性，1 cosine x y 根號 x y 對於實值 只有co...
資料相似性
首先模擬一些資料出來 假設有這樣一些id是1 5的條目，然後有幾個人對他們看過的條目進行了評分 1 5 那麼我們可能有這樣的一組資料，格式是 人名 a b c 給定兩個人，如何計算他們的相似度，比如，在b和c裡，誰和a的評分最相似？給出一些方法 1 簡單匹配係數 matching coefficie...