向量的相似度计算常用方法总结计划9个.docxVIP

. 向量的相似度计算常用方法 相似度的计算简介 关于相似度的计算，现有的几种基本方法都是基于向量（ Vector ）的，其实也就是计算 两个向量的距离， 距离越近相似度越大。 在推荐的场景中， 在用户 - 物品偏好的二维矩阵中， 我们可以将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度， 或者将所有 用户对某个物品的偏好作为一个向量来计算物品之间的相似度。 下面我们详细介绍几种常用 的相似度计算方法。 共 8 种。每人选择一个。第 9 题为选做。 编写程序实现（这是第一个小练习，希望大家自己动手， java 实现）。计算两个向量的相 似性： 向量 1（ 0.15, 0.45, 0.l68, 0.563, 0.2543, 0.3465, 0.6598, 0.5402, 0.002 ） 向量 2（ 0.81, 0.34, 0.l66, 0.356, 0.283, 0.655, 0.4398, 0.4302, 0.05402 ） 1、皮尔逊相关系数（ Pearson Correlation Coefficient ） 皮尔逊相关系数一般用于计算两个 定距变量间 联系的紧密程度，它的取值在 [-1 ， +1] 之间。 sx, s y 是 x 和 y 的样品标准偏差。 类名： PearsonCorrelationSimilarity 原理：用来反映两个变量线性相关程度的统计量