推荐系统：寻找相近用户——欧几里德距离评价

最新推荐文章于 2021-08-23 16:56:31 发布

原创最新推荐文章于 2021-08-23 16:56:31 发布 · 968 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#推荐系统 #欧几里德距离

本文介绍了如何使用欧几里德距离来衡量两个用户之间的相似度。通过计算两个用户对共同评价过的书籍评分的差值平方和并开方，得到一个能够反映用户兴趣相似性的数值。数值越接近1表示用户兴趣越相似。

部署运行你感兴趣的模型镜像

所谓欧几里德距离，通俗的来讲就是两个物体之间各个维度的差的平方和，然后再开方。这样，我们可以通过两个用户对若干本书的评价分数，我们可以求得两个用户的相近程度。具体算法思路是，先求得两个用户都评价的书籍，然后求同一本书的评分差的平方，并把各差的平方相加，其实可以同时完成，即在求共同评价的书籍的时候就可以求差的平方和。为了比较容易衡量，也是为了和其他评价标准相同，我们规定0代表两用户无共同爱好，1代表完全相同。实现详见代码

from math import sqrt
def sim_distance(prefs,person1,person2):
	si={}
	for item in prefs[person1]:
		if item in prefs[person2]:
			si[item]=1;
	
	if len(si)==0:
		return 0
	
	sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2)
						for item in si])
	
	#print 1/(1+sqrt(sum_of_squares))
	return 1/(1+sqrt(sum_of_squares))

您可能感兴趣的与本文相关的镜像