推荐系统矩阵分解详解：余弦相似度与Jaccard相似度
本文介绍了推荐系统中矩阵分解的基础，重点关注了余弦相似度和Jaccard相似度的概念和计算方法。通过实例解析了两者如何衡量向量之间的相似性，并在推荐系统中应用。
腾讯这三篇文章，逐渐深入，为我们初步讲解了推荐系统之矩阵分解的方法。
1. 矩阵分解算法
经典的矩阵分解算法有：余弦相似度（Cosine Similarity）、皮尔逊相关系数（Pearson Correlation）、欧氏距离（Euclidean Distance）、jaccard相似度等（jaccard similarity coefficient），这个系列文章只提到了余弦相似度个jaccard相似度，需要啥拿啥，咱们就简单说说这两种算法。
1.1 余弦相似度
高中知识我们知道，cosΘ的值在（-1，1），也就是Similarity的值在（-1，1）之间。但是以上只是2维空间的计算方
最低0.47元/天 解锁文章
扫一扫
427
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
