sklearn计算用户相似度

在scikit-learn库中，计算用户相似度通常用于推荐系统或协同过滤任务，特别是基于内容的推荐。其中一种常见方法是使用余弦相似度（Cosine Similarity），它是通过比较两个向量的方向来衡量它们的相似程度，而不考虑其长度。在这个场景下，用户的特征通常是他们的历史行为、喜好或其他数值型数据。

以下是一个简单的步骤概述：

1. **预处理数据**：将用户的行为数据转换成向量形式，比如使用词袋模型（Bag-of-Words）对文本信息进行编码，或者直接使用数据本身作为特征。

2. **标准化或归一化**：由于余弦相似度不受向量大小的影响，所以需要先对用户向量进行标准化或归一化，使其每个维度范围在0到1之间。

3. **计算相似度**：使用`sklearn.metrics.pairwise.cosine_similarity()`函数计算用户之间的余弦相似度矩阵。这个函数会返回一个二维数组，对角线上的元素值都是1（因为用户与自己完全相似），其他元素表示两个用户之间的相似度分数。

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 假设data_users是用户的行为数据列表
vectorizer = CountVectorizer()
vectors = vectorizer.fit_transform(data_users)

similarity_matrix = cosine_similarity(vectors)