协同过滤算法相似度计算方法

协同过滤算法的相似度计算方法有两种：基于用户的相似度和基于物品的相似度。

1. 基于用户的相似度

基于用户的相似度计算方法是通过计算用户之间的相似度来推荐物品。常用的相似度计算方法有以下几种：

- 皮尔逊相关系数：计算两个用户之间的线性相关性，值域为[-1, 1]，值越接近1表示两个用户越相似。
- 余弦相似度：计算两个用户之间的夹角余弦值，值域为[0, 1]，值越接近1表示两个用户越相似。
- Jaccard相似度：计算两个用户之间的交集与并集的比值，值域为[0, 1]，值越接近1表示两个用户越相似。

2. 基于物品的相似度

基于物品的相似度计算方法是通过计算物品之间的相似度来推荐物品。常用的相似度计算方法有以下几种：

- 余弦相似度：计算两个物品之间的夹角余弦值，值域为[0, 1]，值越接近1表示两个物品越相似。
- 杰卡德相似度：计算两个物品之间的交集与并集的比值，值域为[0, 1]，值越接近1表示两个物品越相似。
- 皮尔逊相关系数：计算两个物品之间的线性相关性，值域为[-1, 1]，值越接近1表示两个物品越相似。

需要注意的是，对于基于物品的相似度计算方法，需要先将用户对物品的评分矩阵转化为物品对用户的评分矩阵，再计算物品之间的相似度。