博客讨论了可选的相似度算法，如余弦相似度、杰卡德相似度、广义杰卡德相似度和皮尔逊相关系数。还提及层次及矩阵相关内容，包括购买、浏览等行为。同时提出了相似度和推荐列表计算方式的疑问，分析了不同算法在计算和效果上的特点。
可选的算法：
余弦相似度：杰卡德 广义杰卡德 余弦
层次及矩阵：购买及兑换 、 浏览、意向挖掘（借记卡、信用卡、商城等）、权益内容
疑点：相似度要分开算么，推荐列表要分开算么，到底要怎么计算组合
1、如果用余弦相似度，似乎可以按照原来的计划，分权重进行叠加，然后统一计算，这个方法比较简单，但是从历史经验上看，使用杰卡德相似度，视乎在CTR等指标上会有较好的效果
2、如果用杰卡德相似度
可能就要分开来计算了，但是如何合并是个问题
计算杰卡德就是不管多少，就分 0 1，不太好计算
3、可用皮尔逊相关系数来计算相似度
这个和余弦差不多，而且好理解
生成推荐列表的时候，行为矩阵要保留成：0-没有行为，2.3几个行为
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
